Scrum vs Kanban — что лучше для DS проекта?
Я публиковал результаты воркшопа, где оказалось, что команды, использующие канбан, опережают скрам в уровне зрелости.
Что лучше подходит DS команде — скрам или канбан? В статье мы разберем за и против применения скрама и канбана.
Что такое Скрам в SWE и в чем его сакральный смысл?
Скрам чрезвычайно популярен в разработке ПО (Software Engineering, SWE). Давайте с вами попробуем разобраться почему.
Главная фишка скрама — спринты (итерации). Вот основные принципы:
- У спринта есть цель спринта. Спринт считается успешным, если команда добилась цели спринта.
- Баклог (план) спринта состоит из пользовательских историй. Каждая пользовательская история имеет ценность для пользователя.
- Пользовательские истории начинаются в спринте и доделываются внутри спринта до конца. Если точнее, они должны соответствовать Definition of Done. В зрелых командах это означает, что пользовательская история разработана, протестирована, баги найдены, исправлены и закрыты, продукт задеплоен на stage или prod
Что дает команде такая работа?
- Цель спринта обеспечивает фокус на результате. Грубо говоря, есть чем похвастаться каждый спринт
- Короткий Time to Market. От момента старта разработки до поставки проходит один спринт, в большинстве команд это 2 недели
- Это очень упрощает планирование. Если мы на самом деле фокусируемся на доделывании до конца наших пользовательских историй, то мы не тянем в следующий спринт доделки и баги с прошлых спринтов. Тогда все прозрачно и понятно!
Что отличает Data Science проекты?
Аналогом пользовательской истории в DS является гипотеза. Точно так же, как и пользовательская история, она имеет следующие свойства:
- имеет понятную и измеримую ценность для пользователя или бизнеса,
- может быть доделана до конца,
- выражена языком бизнеса
Большинство DS команд сталкивается со следующей проблемой:
Гипотезу практически невозможно доделать до конца (валидировать) в течении спринта
У гипотезы очень длинный жизненный цикл. Например, в CRISP-DM он выглядит так:
- Business Understanding
- Data Understanding
- Data Preparation
- Modeling
- Evaluation
- Deployment
Сколько времени нужно для валидации гипотезы? Везде по разному, обычно называют цифры от нескольких недель до нескольких месяцев.
Это очень много, по крайней мере в сравнении со скоростью реализации обычной пользовательской истории. В SWE типичное количество пользовательских историй — от 3 до 8 доделанных от начала до конца за спринт.
Второе важное отличие Data Science проектов заключается в следующем. Data Science — discovery process. Каждая гипотеза может с высокой вероятностью провалится и относительно небольшой процент гипотез доезжает до прода и приносит ценность.
SWE — delivery process. С трудом можно представить, чтобы разумно сформулированную пользовательскую историю не удалось доделать или хотя бы показать заказчику.
Чем отличается канбан
В канбан по доске явным образом визуализируется передвижение гипотез по их жизненному циклу.
Разбиение на отдельные задачи делается в виде чеклиста прямо под гипотезой. Команды стараются поддерживать его в актуальном состоянии, добавляя новые задачи или удаляя ненужные по мере надобности.
Гипотезы могут отфильтровываться сразу же, не дожидаясь конца спринта.
Как скрам работает в Data Science
Но ведь множество команд работают по скрам! Как они это делают?
- Никакой разумной цели спринта, как правило, поставить не получается. Даже если вдруг мы формулируем цель, достичь ее к концу спринта практически невозможно
- В конце спринта есть куча недоделанной работы, которая в конце просто переносится на следующий спринт
- Внутри спринта из-за discovery-характера DS проектов может случиться нечто, что полностью уничтожает смысл доделывать спринт до конца
По-сути, спринт превращается в регулярную отбивку времени, просто обозначает частоту встреч команды по планированию.
Как выглядит план спринта? Внутри спринта может оказаться подготовка данных одной гипотезы, моделирование другой, А/Б тестирование третей. При этом из названия задач не понятно, к какой гипотезе она относится, да и сами гипотезы явно не формулируются.
Основная претензия к планированию в стиле скрам — непрозрачность статуса гипотез. Все это усложняет планирование. Приходится контролировать недоделанные работы, переносить их из спринта в спринт, учитывать старые баги.
Эта нагрузка ложится на тимлида. В чертогах его разума находится информация о реальном состоянии дел DS проекта и очень часто нигде больше.
Почему многие команды выбирают скрам?
Мне кажется, тут играет роль некий психологический фактор. Планирование спринта выглядит так: каждый DS набирает себе работы на две недели. Это дает ощущение контроля за происходящим и приятное удовлетворение тем, что все заняты и никто не бездельничает.
Это абсолютно оправдано, если в команде по какой-то причине полно бездельников, которые норовят слиться с работы. Совет тут может быть только один — не надо таких нанимать.
Когда скрам будет более эффективным выбором
Скрам прекрасный подход и его применение в DS разумно, если:
- За спринт вы успеваете провалидировать 3-8 гипотез от начала до конца
- Почти все эти гипотезы попадают в прод
Такое на самом деле возможно. Например, ваша модель давно в проде и вы просто добавляете к ней новые кейсы. При этом у вас очень мало блокирующих факторов. Например, все данные компании доступны в DWH и в прекрасном состоянии.
Фактически, речь идет о команде, поддерживающей уже работающую модель.
Во всех других случаях канбан мне кажется более разумным выбором.
Комментарии (4903)-
Can you be more specific about the content of your article? After reading it, I still have some doubts. Hope you can help me.
-
Ustvarite osebni racun | Опубликовано в 12:08, 18.08.2024
Thanks for sharing. I read many of your blog posts, cool, your blog is very good.
-
bono de registro en Binance | Опубликовано в 01:08, 19.08.2024
Your article helped me a lot, is there any more related content? Thanks!
-
binance registrace | Опубликовано в 19:08, 19.08.2024
Your point of view caught my eye and was very interesting. Thanks. I have a question for you.
-
rrinimabi | Опубликовано в 19:08, 19.08.2024
Thank you very much for sharing, I learned a lot from your article. Very cool. Thanks.
-
rrinimabi | Опубликовано в 00:08, 20.08.2024
Thank you very much for sharing, I learned a lot from your article. Very cool. Thanks.
-
sex | Опубликовано в 01:08, 21.08.2024
Thank you very much for sharing, I learned a lot from your article. Very cool. Thanks.
-
binance Registrace | Опубликовано в 10:08, 21.08.2024
Can you be more specific about the content of your article? After reading it, I still have some doubts. Hope you can help me.
-
sex | Опубликовано в 12:08, 21.08.2024
Thank you very much for sharing, I learned a lot from your article. Very cool. Thanks.
-
Binance 註冊 | Опубликовано в 15:08, 26.08.2024
Your article helped me a lot, is there any more related content? Thanks! https://www.binance.com/si-LK/register?ref=V2H9AFPY
Создать личный аккаунт | Опубликовано в 01:08, 15.08.2024