Analityka w biznesie: Agile, Lean Six Sigma i tworzenie aplikacji analitycznych w R i Python - nowy kurs!

Opis kursu

Po opanowaniu narzędzi do analizy danych (R, Python, ale również Excel/VBA/ SQL/Power BI/Tableau), następnym krokiem jest nauka nowoczesnych metod pracy projektowej stosowanej w dużych przedsiębiorstwach. W dziedzinie projektów informatycznych dominuje obecnie podejście zwinne (Agile) – elastycznego i dynamicznego podejścia do tworzenia i rozwijania aplikacji IT i Data Science. Z kolei w dziedzinie optymalizacji procesów biznesowych, których narzędzia analityczne są integralną częścią, dominuje metodyka Lean Six Sigma. Znajomość obydwu metod jest dodatkowym atutem na rynku pracy i ważnym uzupełnieniem miękkich umiejętności analityka danych. Z kolei analitycy Data Science potrzebują opanować zbiór narzędzi (tzw. stack technologiczny), który pozwoli na realizację pełnego cyklu rozwoju projektu z zachowaniem dobrych praktyk: wersjonowanie, praca w zespole, testowanie i finalnie wdrożenie modelu analitycznego na środowisko produkcyjne.

Kurs składa się z dwóch części, każda trwa 15 godzin dydaktycznych. Na pierwszej część przekazywane są od podstaw wiedza i umiejętności w zakresie metodyk Agile i Lean Six Sigma, a od uczestników nie jest wymagana znajomość narzędzi analitycznych. Druga część również jest prowadzona od podstaw w zakresie omawianych narzędzi (praca w terminalu Linux/Windows, git, Docker). Natomiast dla uczestników udostępnione są gotowe modele analityczne w językach R i Python (każdy przykład w obydwu językach), które wykorzystujemy w przykładach i ćwiczeniach. Na tej części przydatna (ale nie niezbędna) jest ogólna znajomość zagadnień związanych z programowaniem (np. znajomość dowolnego języka programowania na poziomie średnio zaawansowanym). Materiały są przygotowane w ten sposób, że są użyteczne zarówno dla analityków/programistów jak i osób, które chcą tylko poznać metody i charakter pracy tych zawodów (ponieważ współpracują z programistami).

Zapisy

Tematyka kursu

Agile w przedsiębiorstwie

• Filozofia Agile (Agile Manifesto, cykl życia Agile). Porównanie podejścia zwinnego i klasycznego (waterfall).
• Agile na poziomie zespołu i organizacji.
  • Zwinne metody rozwoju aplikacji (DSDM, XP, FDD, TDD i inne).
  • Zwinne podejścia do tworzenia rozwiązań dla kompleksowych problemów (np. Scrum, Kanban, Scrumban). 
  • Skalowanie Agile w organizacji (SAFe, LeSS, SoS, Spotify i inne). 
• Scrum i Kanban.
  Szczegółowe omówienie najpopularniejszych praktyk oraz ich połączenia (Scrumban).
• Sposoby użytkowania oprogramowania Atlassian JIRA do efektywnego zarządzania zespołem i pracą programistów w Agile. Wykorzystanie JIRA w codziennej pracy.
• Sposoby użytkowania oprogramowania Atlassian Confluence w zakresie efektywnej współpracy zespołów i zarządzania wiedzą w Agile.
• Ścieżka dostosowania Agile do własnego zespołu i pracy programisty/analityka.

Lean Six Sigma

• Filozofia optymalizacji procesów (The Toyota Way, Kaizen).
• Klasyczne metody i techniki ulepszania procesów (np. Lean Management, Six Sigma, Lean Six Sigma, Kanban, 5S).
• Ustrukturyzowana droga rozwiązywania problemów (np. identyfikacja problemu, analiza przyczyny problemu, diagram Ishikawy, 5 x Why). 
• Podejście do analizy i mapowania procesów (SIPOC, pomiar procesu, tworzenie mapy procesu, genchi genbutsu).
• Sposoby budowania rozwiązań (np. PICK matrix, mapa myśli, poka yoke) oraz kontroli procesu (budowanie metryk).
• Innowacyjne podejście do usprawnień biznesowych (np. Design Thinking, grywalizacja, FMEA).
• Zastosowanie optymalizacji w procesach związanych z Agile.

Techniki rozwijania i wdrażania projektów analitycznych do środowiska produkcyjnego

• Podstawy pracy w Bash (terminal w systemie Windows).
• Podstawy wersjonowania projektów z wykorzystaniem git i Github.
• Dobre praktyki rozwijania projektów w oparciu o git i Github (branch, review, pull request, Scrum Board).
• Reprodukowalne środowisko projektowe z wykorzystaniem technologii Docker.
• Praca z obrazem i kontenerem dockerowym (budowanie modeli, uruchamianie komend).
• Podstawy tworzenia REST API w R i Python.
• Publikowanie wyników modelu/analiz z poziomu Dockera.
• Omówienie metod wdrażania projektu analitycznego “na produkcję” (cykl rozwoju projektu, publikowanie wyników, technologie wykorzystywane w projekcie).