1
Fortlaufende Kundenzufriedenheit
Unsere höchste Priorität ist die Zufriedenheit der Kunden durch frühzeitige und fortlaufende Bereitstellung wertvoller analytischer Erkenntnisse, über den Zeitraum von wenigen Minuten bis hin zu Wochen.
Durch unmittelbare Erfahrung im Umgang mit Daten über verschiedene Organisationen, Tools und Industrien hinweg haben wir eine bessere Art entdeckt Analysen zu entwickeln und bereit zu stellen, die wir DataOps nennen.
Unterschreiben Sie das ManifestOb als Data Science, Data Engineering, Data Management, Big Data, Business Intelligence oder etwas Ähnliches bezeichnet, durch unsere Arbeitserfahrung haben wir Folgendes zu schätzen gelernt:
- Menschen und Interaktionen über Prozesse und Werkzeuge
- Funktionierende Analysen über umfassende Dokumentation
- Zusammenarbeit mit Kunden über Vertragsverhandlungen
- Experimentieren, Iterieren und Feedback anstatt aufwändiges Design vorab
- Interdisziplinäre Verantwortung anstatt isolierter Zuständigkeiten
DataOps-Prinzipien
2
Funktionierende Analysen
Wir glauben, dass das wichtigste Maß für den Wert von Arbeit mit Daten der Anteil von aufschlussreichen Analysen ist, die korrekte Daten enthalten und auf robusten Frameworks und Systemen aufbauen.
3
Annahme von Änderungen
Wir stellen uns sich ändernden Kundenbedürfnissen. Eigentlich begrüßen wir sie sogar, um uns Wettbewerbsvorteile zu erarbeiten. Wir glauben, dass die effizienteste, effektivste und agilste Methode der Kommunikation mit Kunden das persönliche Gespräch ist.
4
Teamsport
Analyseteams haben immer eine Vielzahl von Rollen, Fähigkeiten, bevorzugten Tools und Titeln. Eine Vielzahl von Hintergründen und Meinungen erhöht Innovation und Produktivität.
5
Täglicher Austausch
Kunden, Teams und Prozesse müssen über die Dauer eines Projekts täglich Hand in Hand arbeiten
6
Selbstorganisation
Wir glauben, dass die besten analytischen Erkenntnisse, Algorithmen, Architekturen, Anforderungen und Designs aus selbstorganisierten Teams entstehen
7
Kein Heldentum
Da das Tempo und die Breite des Bedarfs an analytischen Erkenntnissen immer weiter zunimmt, glauben wir, dass analytische Teams danach streben sollten, Heldentum zu reduzieren und stattdessen nachhaltige und skalierbare Teams und Prozesse zu schaffen.
8
Reflektion
Analytische Teams sollten ihre Leistung optimieren, indem sie in regelmäßigen Abständen Feedback von Kunden und sich selbst sowie Nutzungsstatistiken reflektieren.
9
Analyse ist Code
Analytische Teams verwenden eine Vielzahl von Tools für den Zugriff auf sowie die Integration, Modellierung und Visualisierung von Daten. Grundsätzlich erzeugt jedes dieser Tools Code und Konfiguration, welche die Maßnahmen beschreiben, die durchgeführt werden, um Erkenntnisse zu gewinnen.
10
Orchestrierung
Die durchgängige Orchestrierung von Daten, Tools, Code und Teams ist ein wesentlicher Faktor für erfolgreiche Analysen.
11
Reproduzierbarkeit
Weil reproduzierbare Ergebnisse notwendig sind versionieren wir alles: Daten, Hard- und Softwarekonfigurationen sowie den Code und die Konfiguration für jedes Tool in der Wertschöpfungskette.
12
Virtuelle Arbeitsumgebungen
Wir glauben, dass es wichtig ist, den Aufwand zu experimentieren für Teammitglieder möglichst gering zu halten, indem wir ihnen einfach zu schaffende, isolierte und sichere Entwicklungsumgebungen bieten, welche die Produktionsumgebung widerspiegeln.
13
Einfachheit
Wir glauben, dass stetiger Fokus auf technische Exzellenz und gutes Design die Agilität erhöht; genauso ist Einfachheit – die Kunst, unnötigen Arbeitsaufwand zu minimieren – unerlässlich.
14
Analytik ist Produktion
Analytische Pipelines sind analog zu leanen Produktionsstraßen. Wir glauben, dass ein grundlegendes Konzept von DataOps ein Fokus auf Prozessdenken ist, welches darauf abzielt, die Gewinnung von analytischen Erkenntnissen kontinuierlich zu verbessern.
15
Qualität über Allem
Analytische Pipelines sollten auf einem Fundament aufgebaut sein, das in der Lage ist, Anomalien (Jidoka) in Code, Konfiguration und Daten automatisch zu erkennen, und dem Team eine kontinuierliche Rückmeldung zur Fehlervermeidung (Poka Yoke) geben.
16
Überwachung von Qualität und Leistung
Unser Ziel ist es Leistungs- und Qualitätsindikatoren zu messen und kontinuierlich zu überwachen, um unerwartete Abweichungen zu erkennen und operative Statistiken zu erstellen.
17
Wiederverwendbarkeit
Wir glauben, dass ein grundlegender Aspekt der Effizienz bei der Gewinnung von Erkenntnissen ist, frühere Arbeit durch den Einzelnen oder das Team nicht zu wiederholen.
18
Verbesserung von Durchlaufzeiten
Wir sollten uns bemühen, den Zeit- und Arbeitsaufwand zu minimieren, der notwendig ist um aus einer Kundenanforderung ein analytisches Konzept zu machen, es in der Entwicklungsphase umzusetzen, es als reproduzierbaren Prozess bereit zu stellen und schließlich das Endergebnis zu verbessern und wieder zu verwenden.