Worum geht’s?
In diesem Whitepaper erhalten Sie einen Überblick zu der Projektmanagementtechnik Scrum im Hinblick auf den typischen Ablauf eines Data Science Projektes. Darauf aufbauend stellen wir die größten Herausforderungen und Lösungsvorschläge für die Integration von Scrum in ihren Data Science Projekten dar.
In den letzten Jahren haben sich Data Science Projekte einem starken Wandel unterzogen. Von der Entwicklung einfacher Proof of Concepts (PoC) verschiebt sich der Schwerpunkt immer stärker in Richtung vollumfänglicher Softwareapplikationen mit dem Fokus auf Operationalisierung und Industrialisierung der Lösung. Vor allem das Thema „agiles Arbeiten” rückt im Projektkontext von Data Science und KI stärker in den Vordergrund. Hierbei ist insbesondere ein Projektmanagement nach der Scrum-Methode zur Best Practice geworden. Um Scrum erfolgreich auf Data Science Projekten anzuwenden, sollten neben der Umsetzung der zentralen Konzepte von Scrum — regelmäßige Kommunikation, Aufgaben in kleinen Paketen erledigen, das Gesamtziel nicht aus den Augen verlieren, ständiges Anpassen und Verbessern der Arbeitssituation — einige Anpassungen der Abläufe vorgenommen werden.
Da Data Scientists in der Vergangenheit ein hohes Maß an Freiraum und Kreativität im Rahmen der Projektumsetzung genossen haben, stoßen die durch Scrum geforderten strikten Abläufe und rigorose Zeitvorgaben oftmals auf Widerspruch und Unmut. Konträr dazu können Projektleiter häufig nicht nachvollziehen, warum der Scrum-Ansatz nicht unmittelbar durch das Team angenommen wird, obwohl er doch in der Softwareentwicklung seit Jahren gängige Praxis ist. Wie können diese Probleme behoben und unterschiedlichen Ansichten angeglichen werden? Kann Scrum ein richtiger Ansatz für Data Science Projekte sein? Wenn ja, müssen die Prozesse angepasst werden oder muss sich die Einstellung der Data Scientists ändern? In diesem Whitepaper erhalten Sie Lösungsansätze und Best Practices zu diesen und weiteren Fragen zum Thema Scrum für Data Science Projekte.