Eine der größten Herausforderungen im Projektmanagement ist die Vielfalt der Möglichkeiten, ein Projekt zu verwalten und abzuwickeln. Bei unterschiedlichen Teams kann es notwendig sein, mehrere unterschiedliche Methoden anzuwenden, um das effizienteste Ergebnis für Ihr Team zu erzielen.
Da moderne Unternehmen zunehmend von Daten gesteuert werden, müssen Projektmanager verstehen, wie die Schnittstelle zwischen Teammitgliedern, Daten und Strategien zusammengeführt werden kann. Manchmal wird davon ausgegangen, dass die Rolle der Datenwissenschaft und des Projektmanagements weitgehend dieselbe ist – Daten können zwar bei der Entscheidungsfindung helfen, es handelt sich jedoch normalerweise nicht um einen Bereich, in dem ausschließlich Projekte durchgeführt werden.
Unabhängig davon, ob Sie ein erfahrener Datenwissenschaftler oder ein Student sind, der ein Studium abschließt Master of Project Management, müssen die Unterschiede zwischen Datenwissenschaft und Projektmanagement gut verstanden werden, bevor man ein größeres Projekt in Angriff nimmt. Nehmen wir uns einen Moment Zeit, um zu untersuchen, wie Daten moderne Projektmethoden ergänzen können, um mit den verfügbaren Daten das beste praktische Ergebnis aus einem Projekt zu erzielen.
Datengesteuerte Entscheidungsfindung – Projekte transformieren
Die Einführung moderner Datenerfassung durch digitale Systeme hat die Art und Weise, wie Daten zur Entscheidungsfindung genutzt werden können, zunehmend verändert. Nehmen Sie zum Beispiel die Volkszählung, eine nationale demografische Umfrage, die alle fünf Jahre vom Australian Bureau of Statistics durchgeführt wird. Ursprünglich mithilfe mechanischer Maschinenausrüstung tabellarisch dargestellt, hat es sich mit der Einführung von weiterentwickelt Computertechnologie im Jahr 1966 zu einer zunehmenden Online-Beteiligung an Volkszählungen in der heutigen Zeit.
Die Art und Weise, wie Daten zusammengestellt, gespeichert und analysiert werden, kann dazu beitragen, die Art und Weise, wie Projekte geplant und umgesetzt werden, zu verändern. Anstatt mehrere Jahre auf die Umsetzung eines Plans zu warten, nutzen erfahrene Data-Science-Teams ihr Wissen, um Projektmanagern schnelle, aussagekräftige und nützliche Erkenntnisse zu liefern und dabei zu helfen, Prioritäten mit den verfügbaren und bekannten Daten in Einklang zu bringen.
Schlüsselphasen des Data Science-Lebenszyklus
Es gibt eine Reihe von Phasen, die für den Lebenszyklus eines jeden Data-Science-Projekts von wesentlicher Bedeutung sind. Denn obwohl Daten nützlich sind, ist es wichtig, dass aus den Rohdateneingaben eine Bedeutung gewonnen wird. Mit einer Schätzung 120 Milliarden Terabyte Daten Obwohl die Daten, die den neuesten Berichten zufolge jährlich generiert werden, nicht besonders nützlich sind, ist es wichtig zu verstehen, dass Rohdaten ohne irgendeine Form der Analyse nicht besonders nützlich sind.
Zu den drei Schlüsselphasen des Data Science-Lebenszyklus gehören Data Mining, Bereinigen und Explorieren. Diese Prozesse sind für jedes Data-Science-Projekt von entscheidender Bedeutung – und das Überspringen eines dieser Schritte kann bei der Durchführung von Datenprojekten potenziell gefährlich sein.
Erstens erfordert Data Mining ein Verständnis der betrieblichen Anforderungen, um potenzielle Datenquellen zu erschließen. Beispielsweise möchte ein Projekt, das die relative Leistung eines Mailout-Programms verstehen möchte, Informationen über zurückgesandte Post, Zahlungen von kontaktierten Kunden sowie Finanzinformationen, wie etwa die Kosten für den Versand oder die Rücksendung eines Flyers, sammeln.
Die Datenbereinigung ist eine weitere entscheidende Phase im Data-Science-Lebenszyklus. Daten für sich genommen können roh und unordentlich sein – beispielsweise kann eine Datenquelle mit Adressen Daten enthalten, die in unterschiedlichen oder historischen Formaten strukturiert sind, was bedeutet, dass jede Untersuchung, die ohne vorherige Bereinigung der Datenstruktur durchgeführt wird, möglicherweise irreführend oder falsch sein könnte.
Sobald das Data Mining und die Datenbereinigung durchgeführt sind, muss eine umfassende Datenexploration durchgeführt werden. Datengesteuerte Ergebnisse stellen sich nicht sofort ein – manchmal kann es Tage oder sogar Wochen dauern, sich mit den Daten auseinanderzusetzen, um zu verstehen, wie Daten miteinander verknüpft sind. Die in dieser Entdeckungsphase gefundenen Ergebnisse können dann als Grundlage für weitere Untersuchungen verwendet werden und die Entwurfsphase der Projektabwicklung ergänzen.
Gängige Projektmanagementmethoden
Es gibt viele verschiedene Projektmanagementmethoden. Traditionelle Methoden wie die Wasserfallmethode sind bekannt. Allerdings haben neuere Methoden wie die agile Methode in den letzten Jahren an Bedeutung gewonnen, um die Art und Weise, wie Projekte verwaltet werden, im Einklang mit einer verbesserten Datenverfügbarkeit weiterzuentwickeln.
Eine in Projekten übliche Entwicklungsmethodik wird als Wasserfallmethodik bezeichnet. Diese in der Softwareentwicklung übliche orthodoxe Strategie umfasst einen fünfstufigen Prozess (Anforderungen, Design, Implementierung, Test, Bereitstellung), bei dem die Schritte nacheinander ausgeführt werden. Während dies für einige Projekte nützlich sein kann, wird es bei der Arbeit mit datengestützten Projekten manchmal als schwierig zu handhaben angesehen.
Eine moderne Methode, die häufig bei der Arbeit mit sich schnell entwickelnden Daten zum Einsatz kommt, ist bekannt als agile Methodik. Diese Methode ermöglicht eine schnelle Neupositionierung, wenn sich die Unternehmensanforderungen ändern – und gilt in der Regel als bewährte Methode bei der Arbeit an Projekten, die eine ständige Neuausrichtung oder Anpassung erfordern, um den Geschäftsanforderungen gerecht zu werden.
Die Schnittstelle zwischen Projektmanagement und Datenwissenschaft
Projektmanagement und Datenwissenschaft können sich auf interessante Weise überschneiden – ähnlich wie bei Ouroboros kann die zunehmend symbiotische Beziehung zwischen Projektmanagement und Datenwissenschaft dazu führen, dass man sich fragt, was es zuerst gab.
Für den erfahrenen Projektleiter kann die Kenntnis der richtigen Kombination aus Projektmethodik und Data-Science-Strategie einen großen Beitrag zur strategischen Entscheidungsfindung leisten. Dies wiederum kann dazu beitragen, aktuelle oder zukünftige Projektziele aufeinander abzustimmen – und so das Projektmanagement von einer ausschließlichen Abhängigkeit von Geschäftsanforderungen zu etwas zu machen, das weitaus flüssiger und vielseitiger ist. Da Daten- und Projektmanagement so eng miteinander verknüpft sind, ist es spannend, sich vorzustellen, was diese beiden Rollen in den kommenden Jahren zusammenbringen werden.
Hervorgehobener Bildnachweis: kjpargeter/Freepik.
