Primenljiv softver ispred detaljne dokumentacije<\/strong>. Ovo je mo\u017eda vrednost o kojoj najvi\u0161e mo\u017ee da se diskutuje kroz prizmu Data Science-a. Imati primenljiv softver i delivery je jako va\u017eno, me\u0111utim pisanje detaljne dokumentacije i obja\u0161njenja na koji na\u010din su podaci uzorkovani i pripremljeni, koji modeli su i za\u0161to kori\u0161\u0107eni, \u0161ta stoji iza tih modela, i kako tuma\u010diti njihov output, kakve su o\u010dekivane performanse – sve ovo je jako va\u017eno detaljno razdraditi kako bi se pored isporu\u010denog re\u0161enja osigurala i njegova upotrebna vrednosti.<\/p>\n\n\n\n Saradnja sa klijentima ispred ugovornih aran\u017emana<\/strong>. Kao i u svakom razvoju re\u0161enja, imati dobru saradnju sa klijentima je preduslov za sve. U Data Science-u je ovo jako bitno, \u0161to kroz razumevanje domena kroz interakciju sa klijentom, \u0161to kroz tuma\u010denje i testiranje re\u0161enja koje se isporu\u010duje, od strane klijenta. Budu\u0107i da je specifi\u010dna oblast, jako je va\u017eno uspostaviti saradnju sa klijentom koja podrazumeva ulaganje zajedni\u010dkih napora kako bi se kreiralo re\u0161enje koje \u0107e imati upotrebnu vrednost – naj\u0107e\u0161\u0107e vrednost re\u0161enja direktno zavisi od znanja koje \u010du\u010di kod domenskih eksperata.<\/p>\n\n\n\n Reakcija na promenu ispred pridr\u017eavanja plana<\/strong>. U ovome se Agile i Data Science najvi\u0161e poklapaju. Mnogo je \u010dest slu\u010daj da se kao rezultat analize probudi neka nova ideja o budu\u0107im koracima, unapre\u0111enju ili prilago\u0111avanju postoje\u0107eg plana, i zato je potrebno biti agilan i ne pridr\u017eavati se slepo definisanog plana, kako bi se uspe\u0161no odgovaralo na ovakve zahteve. Plan jeste jako bitan, ali zastareva i postaje neupotrebljiv kako se ciljevi redefini\u0161u i menjaju. <\/p>\n\n\n\n Da budem dovoljno jasna – to \u0161to su Agile i Data Science, kako sam ih u naslovu okarakterisala – \u201csavr\u0161en spoj\u201d, ne zna\u010di da u realizaciji dovode uvek do savr\u0161enog ishoda. Ono \u0161to sam \u017eelela da naglasim u toj karakterizaciji je upravo to \u0161to Agile dozvoljava Data Scientistima da budu – Data Scientisti. A to zna\u010di da mogu da se posvete istra\u017eivanju, da u zavisnosti od toka analize i izvu\u010denih uvida menjaju smer kretanja i redefini\u0161u ciljeve, da usko sara\u0111uju sa klijentima u poku\u0161ajima da prona\u0111u re\u0161enje, i tako dalje. Dalje, ako se govori o agilnim principima (onih \u010duvenih dvanaest), velike su \u0161anse da \u0107e se svaki Data Scientist\/developer na prvu loptu slo\u017eiti sa svakim od njih. To i jeste lepota agilnih principa – definisani su tako, da se mogu uspe\u0161no primeniti na svaki projekat. Kada se malo razmisli, postoje neki principi koji jesu diskutabilni – npr. princip koji govori da najbolja arhitektura, zahtevi i dizajn dolaze od samo-organizuju\u0107ih timova. Ja verujem u ovo. Ali, jedan jako va\u017ean preduslov za ovo je – na\u010din na koji su ti timovi sa\u010dinjeni. Ukoliko u tom timu nisu ljudi koje krasi inovativnost, \u201cgrowth mindset\u201d, autonomija i odgovornost – vrlo verovatno \u0107e ova ideja pasti u vodu. Prosto, naj\u010de\u0161\u0107e se desi da su timovi napravljeni – kako mora, i ponekad je evidentno da timu fali lider koji \u0107e ga nadgledati i voditi. Mogla bih ovako o svakom principu ponaosob, ali zadr\u017ea\u0107u se samo na ovom, a dopustiti vama da porazmislite o dobrim i lo\u0161im stranama svakog (ili situacijama kada bi neki princip mogao biti osporen).<\/p>\n\n\n\n Me\u0111utim, postoji nekoliko (ozbiljnijih) problema, koji mogu da se pojave kao posledica ovog spoja, a to su:<\/p>\n\n\n\n Bilo kako bilo, ono \u0161to je najbitnije je prepoznati u kom trenutku napraviti optimalan trade-off izme\u0111u agilnih vrednosti i onoga \u0161to je potrebno timu. U nastavku mo\u017eete na\u0107i par smernica kako to mo\u017ee uspe\u0161no da se uradi, koje sam izvukla na osnovu svog iskustva:<\/p>\n\n\n\n Budu\u0107i da je Data Science tako \u0161arenolik, u zavisnosti od toga \u0161ta podrazumeva Data Science projekat na kome radite – mogu\u0107nost primene agilnih metoda \u0107e se razlikovati od jednog do drugog projekta. Ukoliko radite na razvoju proizvoda, Data Science u tom smislu postaje ni\u0161a softverskog in\u017eenjerstva, gde se primena agilnih metodologija i scruma pokazuju kao jako korisne. Sa druge strane, ukoliko radite na one-time projektima ili re\u0161enjima – primena mo\u017ee biti mnogo bla\u017ea i smislena samo u odre\u0111enim fazama. Najbitnije je prepoznati koje su to dobre strane koje biste mogli da iskoristite, kako biste unapredili svoj na\u010din rada i postigli najbolje mogu\u0107e rezultate.<\/p>\n","protected":false},"excerpt":{"rendered":"![\"\"](\"https:\/\/bcoaching.online\/wp-content\/uploads\/2020\/09\/vanja-jos-1024x576.jpg\")
<\/figure>\n\n\n\n