Lean Data Science: Managing Data Science products and projects

Трек посвящен управлению Data Science проектами и продуктами. Приходите, если вам интересно развиваться в сторону DS менеджмента.

Два важнейших продукта нашего трека: 

  • Бесплатная электронная книга по подходу Lean Data Science про управление DS проектами и продуктами. Книга представляет собой краткое описание практик LeanDS с примерами.
  • Если вы хотите узнать насколько ваша DS-команда крута, вы можете сравнить ваши подходы к работе с другими командами в индустрии. Мы разложили практики по возрастанию зрелости по 4 уровням:  от начального Оblivious (это когда особых практик нет, вы просто изо всех сил стараетесь, затем Emerging (есть зачатки практик), Managed (вполне зрелый управляемый подход и наконец вершина зрелости — Optimizing (так работают единицы команд в индустрии)

Если заинтересовались, заходите на leands.ai. Трек прошлого года - ссылка

Расписание выступлений спикеров:

Дата и время Спикер Доклад
27 мая 19:00

Федор Жданов
менеджер продуктов Яндекс

Как управление Data Science строится в Amazon
10 июня 19:00

Антон Голубев
ML teamlead Celsus

Парный Data Science
10 июня 19:40

Саша Толмачев
Head of Data Science в Xsolla

Как интерпретировать бизнесу алерты по аномалиям во временных рядах и не сойти с ума
10 июня 20:10

Михаил Садофьев
Директор практики управления данными и аналитики Accenture в России

Стратегия данных и аналитики. Как компании спланировать и внедрить DS/ML
17 июня 19:00

Роман Зыков
Автор книги “Роман с Data Science”, сооснователь Retail Rocket

Конфликт исследователя и бизнеса
17 июня 19:40 Александр Дмитриев
Директор по продажам ADV LaunchPad.
Как запустить продажи технологического b2b продукта с нуля: три обязательных составляющих
24 июня 19:00 Александра Дружинина
Менеджер аналитических продуктов/Product Manager 
B2B направления PREDICT, Mail.ru Group
Как провести брейншторм создания нового ML продукта
24 июня 19:40 Павел Филонов, Data Science Manager, Kaspersky DS проекты, которые не попали в прод
24 июня 20:10 Артемий Малков
PhD. МФТИ, Data Monsters
QUEST framework: менеджмент data science команд 60-го уровня

Описание докладов

QUEST framework: менеджмент data science команд 60-го уровня
Артемий Малков, PhD. МФТИ, Data Monsters

  • Как выяснить что нужно бизнес-заказчику?
  • Что делать с неопределенностями?
  • Как оценить сроки и бюджеты data science проекта?
  • Как проводить exploratory research?
  • Как планировать и приоритезировать эксперименты? (не ICE)
  • Что делать когда затягиваются сроки?
  • Как сдавать этап проекта боссу, чтобы продлили финансирование?

Парный Data Science
Антон Голубев, ML teamlead Celsus

Рассказ о том, как парная работа помогает решать сложные задачи и создать дружескую атмосферу в команде. Мы поговорим о том, что такое парная работа в теории, о специфике парной работы в Data Science, как построить парную работу на удаленке. 


Как интерпретировать бизнесу алерты по аномалиям во временных рядах и не сойти с ума
Саша Толмачев, Head of Data Science в Xsolla

Как мы запустили автоматическую систему мониторинга аномалий в метриках нашей компании, чтобы вовремя реагировать на проблемы. Боль того, что статистически аномалия во временном ряду реально есть, но с точки зрения людей оказывается ооооочень много что не аномалия вовсе. Как мы подружили статистику и бизнес пользователей; поняли что возможно объяснить, а что нет; стали фешн дизайнерами правильного отчета - ведь красная стрелочка это круто


Стратегия данных и аналитики. Как компании спланировать и внедрить DS/ML
Михаил Садофьев, Директор практики управления данными и аналитики Accenture в России

Машинное обучение и искусственный интеллект хороши лишь настолько, насколько хороши данные, которые их питают. Также важно, насколько готовы люди, процессы и инфраструктура на всех активах компании, чтобы использовать такие преимущества.
Мы поговорим о стратегии данных, которая является тем инструментом, который позволяет компании перейти от точечных прототипов и проектов продвинутой аналитики к полномасштабному переходу организации к управлению на основе данных. Это включает:

  • Формулирование ценностей и целей data-driven организации
  • Требуемые роли и компетенции
  • Процессы и управление, включая обеспечение качества, доступности данных, информационной безопасности
  • Платформы данных
  • Индустриализацию проектов машинного обучения

Об этих вопросах и опыте компаний из разных географий и индустрий будем говорить в этом докладе.

Конфликт исследователя и бизнеса
Роман Зыков, Автор книги “Роман с Data Science”, сооснователь Retail Rocket

Исследователи хотят развиваться и делать крутые вещи (самореализация по пирамиде Маслоу). Бизнес хочет зарабатывать деньги - это написано в уставе любой коммерческой организации.
Можно ли подружить эти два интереса? В случае положительного исхода - бизнес получит лояльных талантливых сотрудников и потенциальный возврат из инвестиций R&D, а сотрудники получат возможность творить. В случае негативного исхода - таланты уходят, бизнес добивается краткосрочных целей, а в долгосрочной перспективе - ухудшение позиций относительно конкурентов.
Автор был в обеих ролях: и со стороны бизнеса, когда нужно было добиваться прямого влияния на продажи через R&D; и со стороны сотрудника, который хочет реализоваться.

Как запустить продажи технологического b2b продукта с нуля: три обязательных составляющих 
Александр Дмитриев, Директор по продажам ADV LaunchPad. 20+ лет в построении отделов продаж, международном продвижении технологических компаний, в том числе Retail Rocket.

Как продавать сложные решения. 3 фундаментальных составляющих организации продаж.
Если выручка в компании растет, часто, на департамент продаж не обращают внимание. А когда выручка в компании выходит на плато или падает, часто причину ищут именно в продажах. Что примечательно, и в первом и во втором случае в организации продаж может быть как всё очень плохо, так и наоборот, точки роста  могут лежать за пределами функции продаж. Давайте разбираться, как правильно организовать продажи сложных решений с нуля.
 

Как провести брейншторм создания нового ML продукта
Александра Дружинина
, Менеджер аналитических продуктов/Product Manager, B2B направления PREDICT, Mail.ru Group.

  1. Какие  ошибки совершаются чаще всего в брейнштормах и за что люди их не любят.
  2. Как организовать и провести в своей команде брейншторм по правилам, чтобы получить на выходе приоритезированый бэклог из 50+ идей продукта/фичей для продукта. 
  3. Почему брейншторм это совсем не легкая прогулка для продакта и когда его лучше применять) 
  4. Инструменты  и шаблоны для проведения брейншторма.

DS проекты, которые не попали в прод,
Павел Филонов, Data Science Manager, Kaspersky

В сети можно встретить аналитические обзоры, в которых авторы проводят процент от DS проектов, которые проваливаются. Этот процент варьируется, но он почти всегда больше половины. Плохо это или хорошо и что это за провалившиеся проекты обсудим на докладе. В качестве примера рассмотрим реальные проекты, которые так и не смогли.
 

Track program