Een van de belangrijkste uitdagingen bij projectmanagement is de verscheidenheid aan manieren waarop een project kan worden beheerd en afgehandeld. Bij verschillende teams kan het nodig zijn om verschillende methodologieën toe te passen om het meest efficiënte resultaat voor uw team te bereiken.
Wanneer hedendaagse bedrijven steeds meer door data worden gedreven, moeten projectmanagers begrijpen hoe de kruising tussen teamleden, data en strategieën samen kan komen. Soms wordt aangenomen dat de rol van data science en projectmanagement grotendeels dezelfde is. Hoewel data kunnen helpen bij het nemen van beslissingen, is het doorgaans niet een vakgebied dat uitsluitend projecten uitvoert.
Ongeacht of je een ervaren datawetenschapper bent of een student die een Master in projectmanagementmoeten de verschillen tussen datawetenschap en projectmanagement goed worden begrepen voordat een groot project wordt ondernomen. Laten we even de tijd nemen om te onderzoeken hoe data hedendaagse projectmethodologieën kunnen aanvullen om met de beschikbare data het beste praktische resultaat uit een project te halen.
Datagestuurde besluitvorming – Transformerende projecten
De introductie van moderne gegevensverzameling via digitale systemen heeft de manier waarop gegevens kunnen worden gebruikt om de besluitvorming te informeren steeds meer getransformeerd. Neem bijvoorbeeld de Census, een nationaal demografisch onderzoek dat elke vijf jaar wordt uitgevoerd door het Australische Bureau voor de Statistiek. Aanvankelijk getabelleerd met behulp van mechanische machineapparatuur, is het geëvolueerd met de introductie van computertechnologie in 1966 tot steeds meer online deelname aan volkstellingen in het huidige tijdperk.
De manier waarop gegevens worden verzameld, opgeslagen en geanalyseerd, kan de manier helpen transformeren waarop projecten worden gepland en geïmplementeerd. In plaats van meerdere jaren te wachten om een plan op te stellen, gebruiken ervaren datawetenschapsteams hun kennis om projectmanagers snelle, betekenisvolle en nuttige inzichten te bieden, waardoor ze prioriteiten kunnen afstemmen op de gegevens die beschikbaar en bekend zijn.
Belangrijke fasen van de datawetenschapslevenscyclus
Er zijn een aantal fasen die essentieel zijn voor de levenscyclus van elk data science-project. Hoewel gegevens nuttig zijn, is het immers belangrijk dat er betekenis wordt gehaald uit ruwe gegevensinvoer. Met een geschatte 120 miljard terabytes aan data Volgens de laatste rapporten is het belangrijk om te begrijpen dat onbewerkte gegevens op zichzelf niet bijzonder nuttig zijn zonder enige vorm van analyse.
Drie belangrijke fasen van de datawetenschapslevenscyclus omvatten datamining, opschoning en verkenning. Deze processen zijn essentieel voor elk data science-project – en het overslaan van een van deze stappen kan potentieel gevaarlijk zijn bij het uitvoeren van dataprojecten.
Ten eerste vergt datamining inzicht in de operationele vereisten om in potentiële gegevensbronnen te kunnen graven. Een project dat bijvoorbeeld probeert de relatieve prestaties van een mailingprogramma te begrijpen, kan proberen informatie te verzamelen over geretourneerde post, betalingen van gecontacteerde klanten, evenals financiële informatie, zoals de kosten voor het versturen of retourneren van een flyer.
Het opschonen van gegevens is een andere cruciale fase in de levenscyclus van datawetenschap. Gegevens op zichzelf kunnen ruw en slordig zijn. Een gegevensbron met adressen kan bijvoorbeeld gegevens bevatten die in verschillende of historische formaten zijn gestructureerd, wat betekent dat elk onderzoek dat wordt uitgevoerd zonder eerst de structuur van de gegevens op te schonen potentieel misleidend of verkeerd kan zijn.
Zodra datamining en -opschoning zijn uitgevoerd, moet een uitgebreide dataverkenning worden uitgevoerd. Datagestuurde resultaten komen niet meteen tot stand. Soms kan het dagen of zelfs weken duren om in de data te duiken om te begrijpen hoe data met elkaar samenhangen. De resultaten die in deze ontdekkingsfase worden gevonden, kunnen vervolgens worden gebruikt als basis voor verder onderzoek en als aanvulling op de ontwerpfase van de projectoplevering.
Gemeenschappelijke projectmanagementmethodologieën
Er zijn veel verschillende projectmanagementmethodieken. Traditionele methoden zoals de watervalmethode zijn algemeen bekend. Recentere methodologieën zoals de agile-methode hebben de afgelopen jaren echter aan belang gewonnen als een manier om de manier waarop projecten worden beheerd te evolueren, in lijn met een verbeterde beschikbaarheid van gegevens.
Een ontwikkelingsmethodologie die veel voorkomt in projecten staat bekend als de watervalmethodologie. Deze orthodoxe strategie, gebruikelijk bij softwareontwikkeling, omvat een proces van vijf stappen (vereisten, ontwerp, implementatie, testen, implementatie) waarbij de stappen opeenvolgend worden genomen. Hoewel dit voor sommige projecten nuttig kan zijn, wordt het soms gezien als moeilijk te beheren bij het werken met data-ondersteunde projecten.
Een hedendaagse methodologie die vaak voorkomt bij het werken met snel evoluerende gegevens staat bekend als de agile methodiek. Deze methode maakt een snelle herpositionering mogelijk naarmate de bedrijfsvereisten veranderen – en wordt doorgaans beschouwd als de beste praktijk bij het werken aan projecten die voortdurend moeten worden aangepast of aangepast om de bedrijfsbehoeften te beheren.
Het kruispunt van projectmanagement en datawetenschap
Projectmanagement en datawetenschap kunnen elkaar op interessante manieren kruisen. Net als bij Ouroboros kan de steeds symbiotische relatie tussen projectmanagement en datawetenschap je doen afvragen wat er eerst was.
Voor de ervaren projectleider kan het begrijpen van welke combinatie van projectmethodologie en datawetenschapsstrategie het beste is, een grote bijdrage leveren aan de strategische besluitvorming. Dit kan op zijn beurt helpen de huidige en toekomstige projectdoelen op één lijn te brengen, waardoor projectmanagement wordt getransformeerd van een louter afhankelijk zijn van zakelijke vereisten naar iets dat veel vloeiender en veelzijdiger is. Nu data- en projectmanagement zo nauw met elkaar verweven zijn, is het spannend om je voor te stellen wat deze twee rollen de komende jaren samen zullen brengen.
Uitgelicht beeldtegoed: kjpargeter/Freepik.
