بازبینی پروژه تحلیل داده با هوش مصنوعی
بعد از تحویل تحلیل، برنامه اولیه و اتفاقهای واقعی را مقایسه کنید و تصمیم بگیرید کدام تجربه باید به کار بعدی، الگو یا چکلیست تیم منتقل شود.
بازبینی پروژه تحلیل داده با هوش مصنوعی وقتی به کار میآید که گزارش نهایی خوب از آب درآمده ولی تیم برای رسیدن به آن سه بار تعریف یک شاخص را عوض کرده است. اگر فقط بنویسید «هماهنگی بهتر شود»، کسی در پروژه بعد نمیداند چه کاری را باید متفاوت انجام بدهد. اسکیل analysis-retrospective کمک میکند برنامه و مسیر واقعی اجرا را مقایسه کنید و برای تکرار یا اصلاح یک رفتار، نشانه و مالک مشخص داشته باشید.
از اتفاقی شروع کنید که همه بتوانند آن را بررسی کنند. مثلا داده در موعد رسیده اما نام ستون اصلی با نسخه قبلی فرق داشته و دو روز صرف پیدا کردن علت شده است. این مشاهده میتواند به یک تغییر کوچک در چکلیست شروع کار منجر شود. لازم نیست آن را به همه پروژهها تعمیم بدهید. توضیح بدهید این تغییر در چه موقعیتی به کار میآید و چه وقت باید دوباره بررسی شود.
کاربردها
- دوبارهکاری را با مثال و زمان وقوع ثبت کنید تا علت واقعی با آخرین نشانهای که دیده شده اشتباه نشود.
- تجربه تیم را به چیزی قابل استفاده تبدیل کنید، مثلا یک پرسش تازه در گفتگوی شروع پروژه یا یک بررسی در الگوی تحویل داده.
- برای اقدام اصلاحی فرد پیگیر و موعد بگذارید تا ببینید تغییر انتخابشده اجرا شده یا نه.
- برنامه اولیه را با زمان واقعی، خروجی و تغییرهای محدوده مقایسه کنید و چیزهایی را که خوب کار کردهاند هم نگه دارید.
- نکتهای را که برای پروژههای بعدی تکرارپذیر است در دفتر یادگیری ثبت کنید و مشاهدههای مخصوص همین پروژه را جدا بگذارید.
نصب و استفاده
- شرح پروژه تمامشده، برنامه آغاز کار، خروجیها و یادداشتهای مجاز تیم را به ایجنت بدهید. برای نوشتن بازبینی حساب سرویس جدا لازم نیست.
- مثلا بخواهید «بررسی کن چرا تعریف مشتری فعال در هفته آخر عوض شد. چه سوالی میتوانستیم روز اول بپرسیم و چه کسی بهتر است آن را به الگوی شروع اضافه کند؟»
- جمعبندی را با اعضای تیم بخوانید و در پروژه بعد یک زمان مشخص برای سنجش اثر همان تغییر بگذارید.
سوالات متداول
منبع
ساخته Nimrod Fisher. نام اصلی: analysis-retrospective، منتشرشده در GitHub با مجوز MIT.
مشاهده در GitHub