Big Data hat nach einer anfänglichen Hype-Phase in den letzten Jahren praxistaugliche Technologien Konzepte hervorgebracht. Gerade in jüngster Zeit hat der Teilbereich der Data-Analytics an Präsenz gewonnen, da es die Entwicklung neuer Datenprodukte und –dienste durch Techniken wie Machine Learning ermöglicht. Durch eine deutlich größere Datenbasis wird es beispielsweise möglich die Planung von Warenbeständen in Supermärkten besser vorherzusagen oder die Reichweite von Werbung auch über Medienbrüche hinweg zu analysieren. Wie für alle noch jungen Technologien sind die Möglichkeiten und dementsprechend auch die Anforderungen anfangs noch sehr unklar. Agile Methoden, wie sie sich inzwischen auch über die klassische Software-Entwicklung hinaus etabliert haben, zeigen ihre Stärke gerade in solch dynamischen und evolutionären Projekten. Wie die Erfahrung gezeigt hat, kommen Data Analytics Projekte im Vergleich zu bereits gut erschlossenen, klassischen Implementierungsprojekten mit einigen Besonderheiten, die rein mit dem „Standardportfolio“ an Scrum Techniken nicht gänzlich bedient werden können. So ist Beispielsweise die Entwicklung von Datenanalysen zur Gewinnung von statistischen Modellen ein sehr kreativer und in der Regel explorativer Prozess. Ebenso erfordert die Entwicklung von Datenprodukten und -diensten aber auch bereits besser erschlossene Tätigkeiten, wie die Implementierung von Benutzeroberflächen oder die Durchführung von Produktstudien. Wie so oft hat auch die Erfahrung aus Big Data und Data Analytics Projekten gezeigt, gibt es aber bereits aus ähnlich explorativen und kreativen Kontexten angepasste agile Techniken, die sich auch in diesem Umfeld bewähren. In der Session stellen wir diese bewährten Methoden und wie sie im Data Analytics und Big Data Bereich genutzt werden können vor. Hierzu gehört beispielsweise Dual Track Scrum, dass in der Vergangenheit in der User Experience (UX) Entwicklung seine Stärken gezeigt hat. Darüber hinaus wird der Werkzeugkasten auch durch Methoden der Lean Startup Bewegung, wie der Beobachtung von Produktnutzung und -aspekte statt langer Vorausplanung ergänzt. Letztendlich erhalten die Teilnehmer die Möglichkeit von unserer Praxis- und Projekterfahrung mit stark explorativen und kreativen Aufgabenstellungen zu profitieren und Impulse für den eigenen agilen Alltag mitzunehmen. Unabhängig von dem konkreten Feld der Data Analytics hat sich auch in unseren Projekten gezeigt, dass eben diese Impulse aus anderen Kontexten die eigene Arbeitsweise voranbringen. Speaker: Dr. Benjamin Klatt, Collin Rogowski, inovex GmbH Event: Frankfurter Entwicklertag, 10.03.2016 Weitere Vorträge: https://www.inovex.de/de/content-pool/vortraege/

1. Agile Data Analytics
Benjamin Klatt, Collin Rogowski Entwicklertag Frankfurt, 10.03.2016

2. Key Story
Data Analytics hat eigene
Herausforderungen gegenüber reiner
Anwendungsentwicklung
-
„so kann man Scrum anpassen, um es auch
hier zu nutzen“
2

3. 3
Beispiel: KFZ-Preisbewertung
auf einer Online-Automobilplattform
!
"
#?
Wie teuer soll ich
mein Auto anbieten?
3mio frühere Verkäufe
jedoch ist kein Angebot gleich
"
"
"
"
"
"
"
"
"
"
"
"
"
"
"
"
Lernen aus
Herausforderungen durch viele Freiheitsgrade
und hohen Explorationsbedarf

4. 4
Charakteristika von Data Analytics
Qualitätskriterien oft nicht binär
#
60%
9.000 11.000
95%
12.0008.000
Präzision versus Zuverlässigkeit
Kein natürliches richtig oder falsch

5. 5
Charakteristika von Data Analytics
Unterschiedliche Entwicklungsgeschwindigkeit
$Schnelle
Entwicklungszyklen
durch Interaktivität
(z.B. Modell-Bildung)
%
Langsame
Entwicklungszyklen
durch große Datenmengen
(z.B. Vorverarbeitung)
Langsamer und schneller
als klassische Entwicklung

6. 6
„Kein natürliches Richtig
oder Falsch“
-
„Wir können das nicht
entscheiden“
Perspektiven-
Wechsel
„Was will unser Kunde?“
-
„Können wir das?“

7. 7**Eric Ries – The Lean Startup *Minimum Viable Product
Lean Startup Cycle**
IDEA
BUILD
PRODUCT
MEASURE
DATA
LEARN
MVP*
Lernen was Kunden wirklich brauchen
und Daten als Rohstoff gewinnen

8. 8Quelle: http://www.heise.de/newsticker/meldung/Tesla-bringt-Autopilot-Funktion-per-Software-Update-2848008.html
Beispiel Tesla „Autopilot“ per Software-Update
&
Online
Software-
Update
'
Lernen dank frühem Release
Aktive Fahrereingriffe = Indiz für Optimierungsbedarf
Wann wird Autopilot genutzt: Autobahn oder Wohngebiet?

9. 9* Eric Ries – The Lean Startup
IDEA
BUILD
PRODUCT
MEASURE
DATA
LEARN
Was brauchen unsere Kunden
wirklich?
Lean Startup Cycle*
** Desirée Sy: Adapting Usability Investigations for Agile User-centered Design
Dual Track Scrum**
%
%
Discovery
Delivery
„Liefern“
„Lernen“
Was bieten wir unseren Kunden an?
Können wir das?

10. 10
Dual Track Scrum Sprints
%
%Discovery
Delivery
Delivery
Sprint
Delivery
Sprint
Discovery
Sprint
Discovery
Sprint
Anforderungen anderer Stakeholder

11. 11
Dual Track Scrum Product Backlogs
%
DISCOVERY DELIVERY
%
DoR Delivery
PRODUCT
MEASURE
DATALEARN
1.
2.
3.
Opportunity
Backlog
4.
1.
2.
3.
Product
Backlog
4.
DoR Discovery

12. 12
Dual Track Scrum Product Owner
!!
!
!

13. 13
Rückblick Beispiel: KFZ-Preisbewertung
!
"
#? "
"
"
"
"
"
"
"
"
"
"
"
"
"
"
"
Lernen aus
Dual Track Ansatz
Discovery: Maschinelles Lernen über Preistreiber
Delivery: MVP im A/B Test
Lean Startup Data Loop: Benutzerfeedback als Input zur Verbesserung

14. 14http://qz.com/571007/the-magic-that-makes-spotifys-discover-weekly-playlists-so-damn-good/
Ausblick: Datenprodukte
Discover Weekly
User Profil
Playlists
passende
Playlists
neue Songs
1.
2.
3.
4.
5.

15. Vielen Dank
Dr. Benjamin Klatt
Collin Rogowski
inovex GmbH
Kupferhütte 4.1
Schanzenstr. 6-20
D-51063 Köln
benjamin.klatt@inovex.de
collin.rogowski@inovex.de