1
Satisfaça continuamente o seu cliente
Nossa maior prioridade é satisfazer o cliente através da entrega antecipada e contínua de informações analíticas valiosas que podem ser de 2 minutos até duas semanas.
Através do trabalho com dados em organizações, com ferramentas, e em indústrias, nós pudemos desvendar a melhor maneira de desenvolver e entregar analises, que nós chamamos de DataOps.
Assine o ManifestoQuer seja chamado de ciência de dados, engenharia de dados, gerenciamento de dados, big data, BI (Business Intelligence), ou coisa semelhante, através de nosso trabalho, nós chegamos aos seguintes valores para análise de dados:
- Indivíduos, interações sobre processos e ferramentas.
- Trabalho de análise sobre uma documentação abrangente.
- Colaboração do cliente sobre negociação de contratos.
- Experimentação, iteração, e resposta sobre um projeto detalhado e extenso.
- Propriedade de todas as equipes nas operações sobre silos de responsabilidades.
Princípios do DataOps
2
Valor do trabalho analítico
Acreditamos que a principal medida do desempenho da análise de dados é o grau em que as análises são entregues, incorporando dados precisos, a bases de dados e sistemas robustos.
3
Embrace change
We welcome evolving customer needs, and in fact, we embrace them to generate competitive advantage. We believe that the most efficient, effective, and agile method of communication with customers is face-to-face conversation.
4
É um esporte em equipe
As equipes analíticas sempre terão uma variedade de funções, habilidades, ferramentas favoritas e títulos. Uma diversidade de origens e opiniões aumenta a inovação e a produtividade.
5
Interações diárias
Clientes, equipes de análise de dados e operações devem trabalhar juntas durante todo o projeto.
6
Auto-organização
Acreditamos que a melhor visão analítica, algoritmos, arquiteturas, requisitos e projetos emergem de equipes auto-organizadas.
7
Reduza o heroísmo
À medida que o ritmo e a amplitude da necessidade de insights analíticos aumentam, acreditamos que as equipes devem se esforçar para reduzir o heroísmo e criar equipes e processos sustentáveis e escaláveis.
8
Reflita
Equipes de análise de dados devem aperfeiçoar seu desempenho nas operações através de uma auto-reflexão, em intervalos regulares, sobre os feedbacks fornecidos por seus clientes, por eles próprios e pelas estatísticas operacionais.
9
Os códigos
As equipes usam uma variedade de ferramentas para acessar, integrar, modelar e visualizar dados. Fundamentalmente, cada uma dessas ferramentas gera códigos e configurações que descrevem as ações tomadas sobre dados para fornecer informações.
10
Orquestração
Orquestração de dados, ferramentas, códigos, ambientes e equipes de trabalho são fatores-chave para o sucesso dos projetos de análise de dados.
11
Faça tudo ser reproduzível
São necessários resultados reproduzíveis e, portanto, nós versionamos tudo: dados, configurações de hardware e software, código e configurações específicas de cada ferramenta utilizada.
12
Ambientes descartáveis
Acreditamos que é importante minimizar o custo para os membros das equipes de análise de dados fazerem experimentações, proporcionando-lhes facilidade de criar ambientes técnicos descartáveis, isolados e seguros que reflitam o ambiente de produção.
13
Simplicidade
Acreditamos que a atenção contínua à excelência técnica e ao bom design aumenta a agilidade; bem como a simplicidade – a arte de maximizar a quantidade de trabalho não feito – é essencial.
14
Análise de dados é manufatura
Os pipelines de análise de dados são análogos às linhas de fabricação enxuta. Acreditamos que um conceito fundamental de DataOps é o foco no pensamento processual destinado a alcançar eficiência contínua na construção de insights analíticos.
15
A qualidade é primordial
Os pipelines de análise de dados devem ser construídos com uma fundação capaz de detectar automaticamente erros no código, configuração e dados, e devem fornecer feedback contínuo aos operadores para evitar erros.
16
Monitorar a qualidade e o desempenho
Nosso objetivo é ter medidas de desempenho e qualidade que sejam monitoradas continuamente para detectar variações inesperadas e gerar estatísticas operacionais.
17
Reutilizar
Acreditamos que um aspecto fundamental da eficiência na fabricação de insights analíticos é evitar a repetição do trabalho anterior pelo indivíduo ou pelo time.
18
Melhorar os tempos dos ciclos
Devemos nos esforçar para minimizar o tempo e o esforço para transformar a necessidade de um cliente em uma idéia analítica, criá-la em desenvolvimento, liberá-la como um processo de produção repetível e, finalmente, refatorar e reutilizar esse produto.