Как управлять процессом

ML-задачи и работа с данными не укладываются в жесткие двухнедельные таймбоксы Scrum: интеграции с другими командами и подбор методов растягиваются на недели, а результат спринта часто сводится к одной цифре, не дающей наглядной ценности для спринт-ревью. По мере взросления команды переходят на Kanban с лимитами WIP, где по доске двигаются продуктовые гипотезы, data- и method-задачи, инфраструктурные работы и инциденты продакшена. Декомпозиция на старте бесполезна — без ресерча она тривиальна и повторяет шаги жизненного цикла. Чек-листы подзадач формируются ситуативно, а ежедневные findings от Data Scientist'ов делают процесс прозрачным и генерируют новые гипотезы.

• Выстроить Kanban с лимитами WIP вместо Scrum-спринтов для ML-задач
• Декомпозировать DS-задачи через ситуативные чек-листы, а не заранее
• Внедрить ежедневные findings для прозрачности и новых продуктовых гипотез