Veröffentlicht am 19-03-2019

MVA: Minimale durchführbare Analyse

Was es bedeutet, wie es in der Praxis angewendet wird und warum Sie es brauchen

Bildquelle

Datenwissenschaftler sind von Natur aus detailorientiert. Das hast du wahrscheinlich schon bemerkt. Und kannst du uns die Schuld geben? Wir verbringen unsere Zeit damit, granulare Datasets zu überfluten, Fehler zu finden, sie zu reinigen, Vorhersagemodelle zu erstellen, Visualisierungen zu erstellen, Erkenntnisse abzuleiten und diese Erkenntnisse den Beteiligten mitzuteilen, in der Hoffnung, dass sie sich auswirken.

All diese Dinge erfordern viel Liebe zum Detail. Daher ist es gut, dass wir wissen, wie wir uns auf das Kleine konzentrieren können. Jede Geschichte hat zwei Seiten.

Das Problem

Wenn eine Anfrage oder ein geschäftliches Problem angegangen wird, neigen wir dazu, uns auf Details zu beschränken und das Gesamtbild zu übersehen. Lassen Sie mich an einem Beispiel von Greg Reda und seinem großartigen Essay über das Leben als freiberuflicher Datenwissenschaftler etwas näher ausführen:

Sie erhalten die folgende Anfrage: „Wie viele Leads sollte ein Vertreter optimal erhalten? Wir wollen richtungsweisend werden. “
Als Datenwissenschaftler hören wir "optimale Anzahl" und wir fangen an, über komplexe Mathematik- und Gebäudemodelle nachzudenken. Am Ende ignorieren wir den wichtigsten Teil: "Wir wollen richtungsweisend werden" - unser Stakeholder sagt uns: "Wir wissen nicht viel darüber - Hilfe!"

Wenn wir aufhören, nachdem wir "optimale Anzahl" gehört haben und diesen Weg eingeschlagen haben, stehen die Chancen gut, dass wir am Ende Stunden mit einem komplexen Problem verbringen werden. Erst nach Fertigstellung ist uns klar, dass der Stakeholder etwas viel Einfacheres brauchte. Dieses Problem plagt Datenwissenschaftler aus mehreren Gründen.

Zunächst einmal: Data Science-Probleme sind oft offen. Es gibt immer eine weitere Überlegung, ein anderes Modell zum Durchlaufen oder eine andere Visualisierung. Die Möglichkeiten sind wirklich unendlich. Wenn wir nicht vorsichtig sind, gehen wir diese Kaninchenlöcher durch und suchen nach besseren und besseren Lösungen für unser Problem. Während dieser Zeit schmelzen die Stunden mit einer alarmierenden Geschwindigkeit von der Uhr. Diese Zeit könnte besser woanders verbracht werden.

Zweitens ist die Kommunikation einfach hart. Die Beteiligten sagen oft etwas und bedeuten etwas anderes. Als Datenwissenschaftler interpretieren wir Dinge oft auf eine Art und Weise, wenn es sich tatsächlich um eine völlig andere Geschichte handelt. Wir geraten in eine Illusion einer Vereinbarung, in der beide Parteien der Meinung sind, dass die andere sich versteht. Um dies zu korrigieren, gehen wir mit unserem Stakeholder hin und her, bis wir endlich alles unter Kontrolle haben. Dies ist nicht nur frustrierend, sondern auch eine Verschwendung unserer wertvollsten Ressource: Zeit.

Bildquelle

Geben Sie Mindestanalyse ein

Wir wissen also, dass dies ein Problem ist, aber wie gehen wir damit um? Kurz gesagt, fangen Sie einfach an und iterieren Sie von dort aus. Produzieren Sie etwas und erhalten Sie so schnell wie möglich Feedback. Wenn Ihnen das bekannt vorkommt, liegt es daran, dass es Produktleute wissen, dass dies ein Minimum an tragfähigem Produkt oder MVP ist, ein Begriff, der in den frühen 2000er Jahren von Steve Blank und Eric Ries bekannt wurde.

Datenwissenschaftler können einen sehr ähnlichen Ansatz nutzen. Dies hilft uns nicht nur bei der Lösung der zuvor in diesem Beitrag beschriebenen Probleme, sondern es werden auch aufschlussreichere und häufigere Ergebnisse erzielt. Wir nennen es minimal tragfähige Analyse oder MVA.

Die Idee hier ist, dass wir inkrementellen Fortschritt bevorzugen und nicht davon ausgehen, dass unser Stakeholder die komplexeste verfügbare Lösung benötigt. Der Prozess der Erstellung einer minimal durchführbaren Analyse ist ziemlich unkompliziert. Ich werde eine kurze Version der Schritte unten ausarbeiten und später noch detaillierter darauf eingehen.

Schritte zur Erstellung einer minimal durchführbaren Analyse:

  • Stellen Sie sicher, dass Sie das vorliegende Problem vollständig verstehen
  • Produzieren Sie schnelle Erkenntnisse auf Oberflächenebene, die das Problem angehen
  • Teilen Sie die Ergebnisse Ihrem Stakeholder mit und informieren Sie sich darüber
  • Entweder die Analyse abschließen oder tiefer tauchen

Vor allem möchten Sie sich so viel Zeit nehmen, wie Sie möchten, um das Problem zu lösen. Das könnte ein zusätzliches Einzelgespräch mit Ihrem Stakeholder bedeuten, um die Dinge zu klären. Es kann bedeuten, dass Sie sich etwas Zeit nehmen, um die bisherigen Arbeiten am Projekt zu überprüfen oder andere Teamkollegen mit nützlichen Informationen zu erreichen. Was auch immer Sie tun müssen, es wird sich lohnen, sich zu orientieren, bevor Sie in die Analyse eintauchen und Ihre minimal mögliche Analyse erstellen.

Beginnen Sie einfach mit einigen grundlegenden Erkundungsarbeiten oder Plots. Von dort aus können Sie das Problem so einfach wie möglich angehen, um Erkenntnisse auf Oberflächenebene zu generieren. Sobald dies erledigt ist, ist es an der Zeit, Ihre Ergebnisse zu kommunizieren. Stellen Sie sicher, dass sie leicht verdaulich sind, sodass Sie und Ihr Stakeholder auf der Seite sind.

In der Regel bieten sie Ihnen zwei Arten von Rückmeldungen. Entweder erhalten Sie ein „cooles, das ist alles, was ich brauche“ oder „das ist gut, aber machen Sie weiter.“ Je nach Antwort packen Sie die Analyse ein oder tauchen Sie tiefer in das Problem ein. Einfach genug, richtig?

Einpacken

Sie wären wirklich schockiert, wie oft die Stakeholder mit Ihrer minimal durchführbaren Analyse zufrieden sind. Wenn Sie nicht davon ausgehen, dass sie die komplexeste oder optimale Lösung benötigen, sparen Sie sich und dem Unternehmen unzählige Stunden, die für andere Projekte aufgewendet werden könnten. Also, genießen Sie diese anderen Projekte und denken Sie daran: Nur weil Sie es können, bedeutet das nicht unbedingt, dass Sie dies tun sollten.

Danke fürs Lesen! Wenn Ihnen der Beitrag gefallen hat, zeigen Sie dem Klatschknopf etwas Liebe und genießen Sie einige meiner ähnlichen Beiträge:

  • 5 Ressourcen zur Inspiration Ihres nächsten Data Science-Projekts
  • Eine Ode an den Data-Scientist vom Typ A
  • 13 wesentliche Newsletter für Datenwissenschaftler

Interessiert an weiteren Beiträgen? Folgen Sie mir auf Medium oder Twitter und abonnieren Sie den untenstehenden Newsletter, um neue Inhalte zu erhalten. Weitere Informationen über mich und meine Aktivitäten finden Sie auf meiner Website.

Siehe auch

Google Stadia: Für und WiderHallo Ich heisse…Ich würde sagen, wir sind immer beschäftigt, aber es ist viel einfacher für uns, sich zu langweilen, da wir immer…Macht das Teilen wirklich die Welt besser?Internet, Sicherheit und KommunikationsmethodenOrganisieren Sie die Inhaltsmoderatoren