#кейс_стади
Задача на подумать для менеджера

На мой взгляд, оптимальным решением в данной ситуации является использование подхода CRISP-DM https://www.datascience-pm.com/crisp-dm-2/. Сейчас расскажу, почему именно этот фреймворк отвечает на вызовы проекта и почему стандартные agile-методики тут не работают

Во-первых, погружение в бизнес-контекст
Проект по автоматизации техподдержки – это не просто набор задач, а целая экосистема: речь идёт о speech-to-text, построении RAG на основе существующей документации, декодировании ответов. Данных здесь много, они слабо структурированы, конфигурация постоянно меняется из-за текучки саппорт-специалистов и различных инцидентов, а требования бизнеса зачастую расплывчатые. Поэтому важно начать с глубокого анализа и систематизации информации для последующего эффективного тестирования гипотез

Во-вторых, различие между итерацией, инкрементом и экспериментом
Итерация – это комплексное изменение системы, затрагивающее сразу несколько её компонентов для коренного обновления работы. Инкремент – это небольшое улучшение, добавление новой функции, которое не меняет базовую архитектуру продукта. При этом эксперимент – это принципиально иной подход, направленный на проверку гипотез и получение инсайтов, а не на немедленное изменение продукта. Именно поэтому для DS-проектов необходимы циклы экспериментов, позволяющие гибко адаптироваться к неопределённости

В-третьих, отличие дата-гипотез от продуктовых
В проектах DS, ориентированных на ML, основное внимание уделяется проверке гипотез, связанных с качеством обучения моделей – насколько эффективно система обрабатывает неструктурированные и постоянно меняющиеся данные. Продуктовые гипотезы ориентированы на создание конечной ценности для пользователя. Но если модель не обучена до требуемой точности или не способна адаптироваться к изменениям, даже самый качественный продукт не сможет эффективно автоматизировать процессы

В-четвёртых, особенности циклов Data Science
Подходы вроде Data Science Cycle и HADI предполагают параллельное внедрение изменений, что позволяет гибко реагировать на постоянно меняющийся поток данных и расплывчатые бизнес-требования. Да и результаты обучения не стабильны. В отличие от последовательных циклов PDCA или I&A, такой подход помогает быстрее выявлять инсайты и корректировать курс проекта

В-пятых, почему стандартные agile-методики не подходят
Классические agile-фреймворки (Scrum, Kanban и др) ориентированы на фиксированные итерации и гарантированный инкремент – небольшое улучшение, которое можно предъявить заказчику. Однако в DS-проектах изменения затрагивают систему целиком, а результат эксперимента может быть неопределённым. Такой подход больше похож на красивую презентацию, чем на реально эффективное решение

В-шестых, почему CRISP-DM – оптимальный выбор
CRISP-DM позволяет начать с глубокого погружения в бизнес-проблему, структурировать большой объём слабоструктурированных данных и адаптироваться к изменчивости процессов. Да и заложенный подход с экспрериментами короче бордербокса итерации и даже одного дня критически необходим

Сцепка Data Preparation <-> Modelling и более крупный Business Understanding <-> Evaluating дает больше циклов для обратной связи, не привязываясь к текущей орг. структуре. Она помогает не просто тестировать гипотезы, а связывать их с реальными бизнес-целями – например, снижением нагрузки на саппорт и повышением качества ответов. Такой подход особенно актуален, когда требования бизнеса расплывчатые, а данные требуют тщательного анализа

Таким образом, выбор CRISP-DM позволяет создать прочный фундамент для проекта, систематизировать хаос и гибко реагировать на изменения – что делает его оптимальным решением для автоматизации техподдержки в условиях постоянно меняющейся среды.

P.S. Как ты считаешь, насколько критично правильно выстроить такой специфический процесс при работе с данными или работа по классике (для меня scrum/kanban уже классика) и так работает в такого рода кейсах?