Комментарии, вопросы, пожелания приветствуются.
Буду рад ответить на ваши вопросы: alimbekovr@hotmail.com.

Ctrl + ↑ Позднее

Таблица управления сотрудниками

Прочитав книги Кена Бланшар об одноминутном менеджере, я задумал о применении всех описанных принципов и подходов в работе. При этом решил учесть еще и модную нынче теорию поколений и поведенческую модель DISC. Результатом моих изысканий стала таблица сотрудников с учетом ситуативного менеджмента, теории поколений и поведенческой модели DISC и с планом работы с каждым сотрудником. Прежде чем переходить к самой таблице, напомню вкратце про теорию поколений и поведенческую модель DISC.

Теория поколений

Описывать всю теорию поколений я не буду, тем более в Интернете много информации. Напишу только основные моменты. Бэби-бумеры — дата рождения 1943-1963, Поколение X — 1963-1984, Поколение Y, или поколение Миллениума — 1984-2000, Поколение Z — 2000-2016. По вполне понятным причина меня интересуют только два поколения X,Y.

Поколение X. Мотивация:

  1. интеграция в корпоративную культуру
  2. стабильность и уверенность в будущем
  3. четкое знание всех деталей своей работы
  4. возможность обучения и личностного роста
  5. фиксированный оклад

Сотрудники поколения X ценны фундаментальными знаниями и опытом. Что мы им предлагаем:

  1. постоянную занятость
  2. высокую зарплату
  3. возможность обучения для дальнейшего карьерного роста
  4. возможность пользоваться современными разработками и технологиями.

Поколение Y. Мотивация:

  1. денежное вознаграждение
  2. отсутствие бюрократии в рабочем процессе
  3. высокотехнологично оборудованное рабочее место
  4. внедрение новых технологий в компании
  5. оптимизация рабочего процесса
  6. отсутствие дресс—кода и корпоративного этикета

Что мы предлагаем поколению Y:

  1. возможность работать в удобном для них формате
  2. работать из любой точки мира
  3. свободный график
  4. минимум формализации, отчетности и бюрократии
  5. горизонтальные коммуникации
  6. не ставим субординацию «во главу угла»

Поведенческая модель DISC

Информации по DISC так же в избытке в Интернете. Тоже вкратце обрисую основные моменты. При оценке поведения человека выделяют четыре аспекта, говорящих о предпочтениях человека в ассоциациях слов. Все они зашифрованы в названии модели — DISC:

  • D — (Dominance) Доминирование: как человек реагирует на проблемы и вызовы?
  • I — (Influence) Влияние: как человек взаимодействует, влияет на окружающих?
  • S — (Steadiness) Постоянство: как человек реагирует на изменения?
  • С — (Compliance) Соответствие: как человек следует правилам?

«D» — Dominance

  1. Осуществлять контроль над чем-либо или кем-либо.
  2. Доминировать.

Ключевые мысли:

  • «D» — это решительные, волевые и целеустремленные люди. Ключевой мотиватор — победа, демотиватор — поражение.
  • «D» любят браться за трудные задачи, комфортно себя чувствуют в сложных изменчивых условиях, любят активный отдых.
  • «D» быстро принимают решения, быстро ориентируются в ситуации.
  • «D» очень азартны, соревновательны.
  • «D» не хватает терпения, дипломатичности, им трудно ладить с людьми.
  • В стрессе «D» склонны к агрессии.

«I» — Influence

  1. Влиять для того, чтобы вызвать определенное действие.
  2. Лидировать, вести за собой.

Ключевые мысли:

  • Главный мотиватор «I»  — признание. Им важно внимание и одобрение других людей.
  • «I» любят находиться среди людей, они хорошие рассказчики, душа коллектива.
  • «I» позитивны и доброжелательны.
  • «I» обладают нестандартным мышлением, они креативны, любят все новое.
  • «I» импульсивны, не любят копаться в деталях и цифрах.
  • Большой недостаток «I»  — отсутствие пунктуальности.
  • В стрессе «I» становятся навязчивыми.

«S» — Steadiness

  1. Уступать.
  2. Отдавать должное авторитету или силе, сдаваться.
  3. Быть послушным.

Ключевые мысли:

  • Главный мотиватор «S» — предсказуемость, демотиватор — перемены.
  • «S» очень внимательно и чутко относятся к людям, они — природные психологи.
  • «S» содержат свои дела и вещи в идеальном порядке.
  • «S» с удовольствием выполняют рутинную работу.
  • «S» очень трудно сказать «нет» другому человеку, в стрессе им свойственно соглашательство.
  • «S» довольно трудно диагностировать, так как им свойственно подстраиваться под собеседника.

«C» — Compliance

  1. Действовать в соответствии с чем-либо.
  2. Быть обходительным, почтительным.
    Ключевые мысли:
  • «С» — замкнутые и сдержанные люди.
  • «С» обладают даром замечать и анализировать детали и факты.
  • Главный мотиватор «С» — желание быть правым. Более всего они боятся ошибиться.
  • «С» трудно обмануть, они не доверяют никому.
  • «С» осторожны и аккуратны, часто чрезмерно скрупулезны.
  • На стресс «С» реагируют уходом в себя, замыкаются.

Таблица управления сотрудниками

Переходим к составлению таблицы управления сотрудниками (пример реальный):

ФИО X Y Z DISC Стиль руководства План действий
... Y I Стиль 1: Командный Давать конкретные указания и пристально следит за выполнением заданий. Порядок, организация, обучение, надзор. Хорошая работа (достигнут прогресс) — большая поддержка, меньшее командование. Плохая работа (временная неудача) — меньше поддержки, анализ, ясность, согласование целей.1.горизонтальные коммуникации 2. не ставим субординацию «во главу угла» 3.высокотехнологично оборудованное рабочее место 4. внедрение новых технологий в компании 5. оптимизация рабочего процесса Замечать достижения, одобрять, подбадривать.
... X I Стиль 2: Наставительный Давать указания и пристально следить за выполнением заданий, но также объясняет свои решения, предлагает подчиненному высказывать свои рекомендации и поддерживает прогресс. Хорошая работа (достигнут прогресс) — большая поддержка, меньшее командование. Плохая работа (временная неудача) — большее командование. 1. интеграция в корпоративную культуру 2. стабильность и уверенность в будущем 3. четкое знание всех деталей своей работы 4. возможность обучения и личностного роста 5. фиксированный оклад 6. постоянную занятость 7. возможность обучения для дальнейшего карьерного роста Замечать достижения, одобрять, подбадривать.
... X S Стиль 2: Наставительный Давать указания и пристально следить за выполнением заданий, но также объясняет свои решения, предлагает подчиненному высказывать свои рекомендации и поддерживает прогресс. Командуйте и поддерживайте. Хорошая работа (достигнут прогресс) — большая поддержка, меньшее командование. Плохая работа (временная неудача) — большее командование. 1. интеграция в корпоративную культуру 2. стабильность и уверенность в будущем 3. четкое знание всех деталей своей работы 4. возможность обучения и личностного роста 5. фиксированный оклад 6. постоянную занятость 7. возможность обучения для дальнейшего карьерного роста Рутинная работа, оградить от резких изменений и всего нового. Поставить перед собой задачу раз в месяц выступать инициатором встречи со своим начальником для обсуждения результатов своей работы: рассказывать начальнику о своих успехах, о потребностях, предлагать пути улучшения работы. Научить говорить нет в нужные моменты.
... X D Стиль 4: Делегирующий Делегировать подчиненным всю ответственность за принятие решений.Передавайте всю ответственность за повседневное принятие решений Хорошая работа (достигнут прогресс) — снижение поддержки, установка новых целей. Плохая работа (временная неудача) — большая поддержка. 1. интеграция в корпоративную культуру 2. стабильность и уверенность в будущем 3. четкое знание всех деталей своей работы 4.возможность обучения и личностного роста 5. фиксированный оклад 6. постоянную занятость 7. возможность обучения для дальнейшего карьерного роста Выработать терпение, дипломатичность. Развитие системного мышления, внимание к деталям. Продумать варианты развития для карьерного роста.
... Y C Стиль 4: Делегирующий Делегировать подчиненным всю ответственность за принятие решений. Передавайте всю ответственность за повседневное принятие решений Хорошая работа (достигнут прогресс) — снижение поддержки, установка новых целей. Плохая работа (временная неудача) — большая поддержка. 1. не ставим субординацию «во главу угла» 2. высокотехнологично оборудованное рабочее место 3. внедрение новых технологий в компании 4. оптимизация рабочего процесса Развитие навыков. Попробовать побыть наставником. Повышение.
... Y C Стиль 1: Командный Давать конкретные указания и пристально следит за выполнением заданий. Порядок, организация, обучение, надзор. Хорошая работа (достигнут прогресс) — большая поддержка, меньшее командование. Плохая работа (временная неудача) — меньше поддержки, анализ, ясность, согласование целей. 1. горизонтальные коммуникации 2. не ставим субординацию «во главу угла» 3. высокотехнологично оборудованное рабочее место 4. внедрение новых технологий в компании 5. оптимизация рабочего процесса Важен обмен опытом, обучение, новые вызовы.

Так же не забываем использовать принципы одноминутного менеджера и одноминутного менеджера и обезьян


  • Telegram канал c конспектами книг @fresh_brain

Сайты с соревнованиями Machine Learning

Data Science проекты это постоянные эксперименты и проверка результатов с дальнейшим улучшением алгоритмов и выбранных методов. Для тех кто учится и только начинает развиваться свои навыки нужны наборы данных и задачи. Многие крупные ИТ-компании публикуют наборы открытых данных и задания для потенциального отбора специалистов. Все это можно использовать в целях отработки навыков. Сегодня вашему вниманию представляю несколько таких сайтов.

Сайты с соревнованиями Machine Learning

Самый знаменитый — Kaggle. На этом сайте постоянно проводятся соревнования по анализу данных, в которых можно принять участие. Есть также большое количество наборов открытых данных, которые можно анализировать и публиковать свои результаты. Кроме этого, можно смотреть скрипты, опубликованные другими участниками (на Kaggle такие скрипты называются Kernels) и перенимать успешный опыт.

Один и российских проектов Boosters. На нем проводят соревнования Сбербанк,Тинькофф Банка, Avito и Бин Банк. Так же на этом сайте бывают не только проекты в области Machine Learning. Так же на сайте можно посмотреть вакансии от ведущих российский компаний.

DataRing — это открытый конкурс, в котором требуется решить задачу анализа данных и машинного обучения. В этом конкурсе ты будешь соревноваться с другими специалистами по анализу данных за денежный приз, контракт на разработку или развитие систем, а также за возможность получить работу в одной из ведущих компаний.Так же на сайте в разделе победители можно посмотреть видео, где победители конкурсов подробно рассказывают о решениях.

ML Boot Camp — соревнования от mail.ru. Содержит достаточно интересные задачи. Например: предсказать наличие сердечно-сосудистых заболеваний по результатам классического врачебного осмотра.


  • Telegram канал c конспектами книг @fresh_brain

Machine Learning — старт проекта

В этой статье постараюсь раскрыть мысли по поводу необходимых шагов для старта проекта в области Machine Learning. Но для начала немного вводной информации, о том, что понадобиться для старта проекта.

Machine Learning - старт проекта

Необходимы следующие данные:

  1. Набор данных для обучения
    • Исторические данные — для обучения предсказательных моделей
    • Обучающая выборка — образцы того, что мы хотим найти/предсказать — для обучения модели
    • Достаточной глубины (с учетом сезонности и т. п. до нескольких лет)
    • Достаточного объема, репрезентативная выборка
  2. Набор данных для тестирования
    • Исторические данные — для тестирования предсказательных моделей
    • Тестовая выборка — для проверки качества модели
    • Достаточного объема, репрезентативная выборка
  3. Актуальные данные — материал для работы модели

Можно использовать следующие источники данных:

  1. «Сырые» данные — логи разного рода, фотографии, аудиозаписи
  2. Структурированные данные — корпоративные системы, комплексные хранилища данных (КХД), системы управления контентом (ECM) в том числе метаданные
  3. Внешние данные
    • Открытые источники (соцсети , интернет)
    • Приобретаемые данные

Проблема с которой вы можете столкнуться, это чувствительность данных. Решает следующими методами:

  1. Деперсонализация — замена персональных идентификаторов на условные (хэширование, кодирование и т. п.)
    • Снижает категорию персональных данных
    • Облегчает обмен данными со сторонними организациями
    • Не решает проблему полностью
  2. Обфускация — искажение данных таким образом, чтобы снизить чувствительность, но сохранить полезность
    • Существенно снижает риски утечки или злоупотребления
    • Требует предварительного согласования в зависимости от использования данных

Теперь перейдем непосредственно к старту проекта. Для начала необходима стратегия работы, которую нужно определить заранее:

  1. Обеспечение наличия и доступности данных для произвольных задач
    • Сбор собственных данных
    • Сбор открытых данных
    • Приобретение чужих данных
  2. Экспериментальный подход к бизнесу (A/B тестирования и эксперименты как таковые)
  3. Использование своих и внешних ресурсов и инструментов

Раскроем каждый пункт подробнее.
Обеспечение сбора и доступности данных — собственные данные:

  1. Постулирование ценности данных, независимо от возможности их немедленного использования
  2. Переоценка полезности данных с учетом применения технологий BD/ML
    • Структрированные транзакционные
    • Неструктурированные
    • Логи и т. п.
  3. Инвентаризация потоков данных, с учетом переоценки, пересмотр подхода к хранению данных
    • Форматы
    • Сроки

Обеспечение сбора и доступности данных — внешние данные:

  1. Поиск внешних источников и поставщиков данных
  2. Создание и развитие механизмов сбора и «интеграции» внешних и внутренних данных
  3. Последовательная работа по оценке полезности внешних данных, включению их в повседневную деятельность

Экспериментальный подход к бизнесу:

  1. Постепенный переход от субъективных экспертных оценок к объективным экспериментальным
  2. Формирование культуры эксперимента
    • Постоянное проведение экспериментов
    • Значительное внимание к дизайну экспериментов
    • Требование измеримых результатов

Необходимо помнить, что проекты в области Machine Learning, обладают рядом особенностей:

  1. Внимание на данные, а не на функции. Функционально решение крайне бедное, в общем случае реализуется одна функция
  2. Ограниченная применимость отработанных подходов внедрения, ориентированных на функции
  3. Вместо функционального ТЗ — требования к качеству модели
  4. Вместо опытной эксплуатации — эксперимент
  5. Во время промышленной эксплуатации необходима постоянная оценка и подстройка модели

Теперь переходим к самой главной части статьи. Жизненный цикл проекта в области Machine Learning:

  1. Определение целей, ограничений, критериев успеха — инициирование
  2. Определение требований к данным, доступности данных, получение образцов данных
  3. Определение формата результатов и способов использования результатов, детальное описание эксперимента, фиксация рамок проекта
  4. Передача и прием данных, препроцессинг, мэтчинг
  5. Построение, обучение, тестирование модели
  6. Экспериментальная проверка модели, опытная эксплуатация
  7. Интеграция модели в ИТ-инфраструктуру
  8. Эксплуатация решения, завершение проекта, промышленная эксплуатация и поддержка

Этап первый — Инициирование проекта

  1. Определение цели и критериев успеха в терминах бизнеса
  2. Оценка доступности данных
  3. Оценка реалистичности задачи
  4. Определение возможности и формы экспериментальной проверки
  5. Предварительное планирование

Этап второй- Определение требований к данным

  1. Инвентаризация доступных данных
  2. Номенклатура
  3. Образцы
  4. Объем
  5. Глубина
  6. Наличие обучающей выборки (при необходимости)

Оценка достаточности данных и возможности получения дополнительных данных. Определение чувствительности данных, возможности и формы их передачи, методов защиты и снижения чувствительности данных.

Этап третий- Определение формата результатов, фиксация рамок проектам

  1. Определение формата и способа использования результатов проекта
    • Данные — выгрузка / загрузка
    • Сервис по обработке данных
    • Результаты анализа данных
    • Модель как таковая (вместе со средой исполнения или отдельно)
  2. Детальное описание эксперимента
  3. Планирование проекта
  4. Фиксация рамок проекта, включающих все аспекты проекта

Этап четвертый- Передача и прием данных, препроцессинг, мэтчинг

  1. Определение способа передачи данных
    • По каналам связи
    • На носителях
  2. Препроцессинг
    • Обфускация
    • Деперсонализация
  3. Прием данных
    • Оценка соответствия соглашениям
    • Проверка полноты
  4. При необходимости мэтчинг данных из разных источников
    • Чем меньше обработаны и обфусцированы данные, тем проще мэтчинг
    • Определение технологий мэтчинга

Этап пятый- Построение, обучение, тестирование модели
С точки зрения управления этот этап «черный ящик». Что видно снаружи:

  1. Успешность приема данных, согласие с их достаточностью
  2. Определенность внутренних метрик качества
  3. Появление первой версии модели измеримого качества
  4. Повышение качества модели от версии к версии
  5. Соблюдение графика / отставание от графика

Этап шестой- Экспериментальная проверка модели

  1. Практическая реализация эксперимента
  2. Сбор данных в ходе эксперимента
  3. Расчет итогов
  4. Оценка результатов
  5. Решение о продолжении проекта / запуске сервиса

Этап седьмой- Интеграция модели в ИТ инфраструктуру

  1. Выбор способа интеграции
  2. Определение места размещения runtime части модели

Этап восьмой- Эксплуатация и поддержка модели
Определение Service Level Agreement (SLA)

Вот и все. Надеюсь эта информация поможет вам при запуске проектов в области Machine Learning.


  • Telegram канал c конспектами книг @fresh_brain
Ctrl + ↓ Ранее