Management Summary

Warum Scrum?

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 immer stärker in den Vordergrund. Hierbei ist insbesondere ein Projektmanagement nach der Scrum-Methode vielerorts 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.

4 Herausforderungen bei der Anwendung von Scrum für Data Science Projekte

Diese Anpassungen beziehen sich allerdings nicht nur auf die Scrum Prozesse, sondern auch auf die Arbeitsweise eines Data Scientists. Im diesem Beitrag werden dabei folgende Bereiche näher betrachtet und Handlungsempfehlungen gegeben:

• Zusammensetzung des Teams
  Ein Entwicklerteam, in dem jeder Einzelne fähig ist, den Gesamtprozess zu verstehen und zu bearbeiten, ist in der Lage, Aufgaben schneller und effizienter zu erledigen.
• Festlegung des Sprintziels
  Um der in den Daten steckenden Ungewissheit gerecht zu werden, sollten Sprintziele auch Erkenntnisse berücksichtigen, die keinen Modellfortschritt liefern, sondern Wissen aufbauen.
• Angepasste Akzeptanz
  Trotz des explorativen und iterativen Charakters von Data Science, sollte eine Spirale der ewigen Optimierung vermieden werden.
• Güte des Codes
  Die Entwicklung neuer Features sollte immer auf Basis von Code stattfinden, der mit wenig Aufwand in Produktion gebracht werden kann.

Wenn Scrum neu auf einem Projekt eingeführt wird, muss bedacht werden, dass es nicht sofort zu einer Verbesserung des Projektfortschritts bzw. der Qualität des Endprodukts kommt. Die Umstellungen, die Scrum in den Projektalltag bringt, werden Zeit brauchen, um ihre Wirkung zu entfalten.

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? Mit dem richtigen Vorgehen bei der Einführung von Scrum kann eine Umgebung geschaffen werden, die zum Erfolg des Projektes beitragen wird. Im Whitepaper „Wie sich Scrum für Data Science Projekte anwenden lässt“ erhalten Sie Lösungsansätze und Best Practices zu diesen und weiteren Fragen zum Thema Scrum für Data Science Projekte.

Laden Sie sich das komplette Whitepaper jetzt kostenfrei herunter!