Una delle sfide più significative presenti nella gestione dei progetti è la varietà di modi in cui un progetto può essere gestito e gestito. Con team diversi, potrebbe essere necessario adottare diverse metodologie per ottenere il risultato più efficiente per il tuo team.
Quando le aziende contemporanee sono sempre più guidate dai dati, i project manager devono capire come può avvenire l’intersezione tra i membri del team, i dati e le strategie. A volte si presume che il ruolo della scienza dei dati e della gestione dei progetti sia più o meno lo stesso: sebbene i dati possano aiutare a prendere decisioni, non è in genere un campo che gestisce esclusivamente progetti.
Indipendentemente dal fatto che tu sia un data scientist esperto o uno studente che sta completando un corso di laurea Maestro di gestione dei progetti, le differenze tra scienza dei dati e gestione dei progetti devono essere ben comprese prima di intraprendere qualsiasi progetto importante. Prendiamoci un momento per esplorare come i dati possono integrare le metodologie di progetto contemporanee per ottenere il miglior risultato pratico da un progetto con i dati disponibili.
Processo decisionale basato sui dati – Trasformare i progetti
L’introduzione della moderna raccolta dati attraverso sistemi digitali ha trasformato sempre più il modo in cui i dati possono essere utilizzati per informare il processo decisionale. Prendiamo, ad esempio, il Censimento, un’indagine demografica nazionale condotta ogni cinque anni dall’Ufficio australiano di statistica. Inizialmente tabulato utilizzando attrezzature meccaniche, si è evoluto con l’introduzione di tecnologia informatica nel 1966 alla crescente partecipazione al censimento online nell’era attuale.
Il modo in cui i dati vengono raccolti, archiviati e analizzati può aiutare a trasformare il modo in cui i progetti vengono pianificati e implementati. Invece di aspettare diversi anni per elaborare un piano, i team esperti di data science utilizzano le proprie conoscenze per fornire approfondimenti rapidi, significativi e utili ai project manager, aiutando ad allineare le priorità con i dati disponibili e conosciuti.

Fasi chiave del ciclo di vita della scienza dei dati
Esistono diverse fasi essenziali per il ciclo di vita di qualsiasi progetto di data science. Dopotutto, sebbene i dati siano utili, è importante che il significato venga estratto dai dati grezzi immessi. Con una stima 120 miliardi di terabyte di dati generati annualmente, secondo gli ultimi rapporti, è importante capire che i dati grezzi, di per sé, non sono particolarmente utili senza una qualche forma di analisi.
Tre fasi chiave del ciclo di vita della scienza dei dati includono data mining, pulizia ed esplorazione. Questi processi sono vitali per qualsiasi progetto di data science e saltare uno qualsiasi di questi passaggi può essere potenzialmente pericoloso quando si intraprendono progetti sui dati.
In primo luogo, il data mining richiede la comprensione dei requisiti operativi per scavare in potenziali fonti di dati. Ad esempio, un progetto che cerca di comprendere le prestazioni relative di un programma di spedizione può cercare di raccogliere informazioni sulla posta restituita, sui pagamenti dei clienti contattati, nonché informazioni finanziarie, come il costo per spedire o restituire un volantino.
La pulizia dei dati è un’altra fase cruciale del ciclo di vita della scienza dei dati. I dati di per sé possono essere grezzi e disordinati: ad esempio, un’origine dati con indirizzi può includere dati strutturati in formati diversi o storici, il che significa che qualsiasi esplorazione condotta senza prima pulire la struttura dei dati potrebbe essere potenzialmente fuorviante o sbagliata.
Una volta intraprese l’estrazione e la pulizia dei dati, è necessario eseguire un’esplorazione completa dei dati. I risultati basati sui dati non si ottengono immediatamente: a volte possono essere necessari giorni o addirittura settimane di analisi dei dati per capire come i dati sono collegati tra loro. I risultati ottenuti in questa fase di scoperta possono quindi essere utilizzati per informare ulteriori indagini e integrare la fase di progettazione della consegna del progetto.

Metodologie comuni di gestione dei progetti
Esistono molte metodologie diverse di gestione dei progetti. I metodi tradizionali come il metodo a cascata sono ben noti. Tuttavia, metodologie più recenti come il metodo agile hanno guadagnato importanza negli ultimi anni come un modo per evolvere il modo in cui i progetti vengono gestiti, in linea con una migliore disponibilità dei dati.
Una metodologia di sviluppo comune nei progetti è nota come metodologia a cascata. Questa strategia ortodossa, comune nello sviluppo del software, prevede un processo in cinque fasi (Requisiti, Progettazione, Implementazione, Test, Distribuzione) in cui i passaggi vengono eseguiti in sequenza. Sebbene ciò possa essere utile per alcuni progetti, a volte è considerato difficile da gestire quando si lavora con progetti supportati da dati.
Una metodologia contemporanea che appare comunemente quando si lavora con dati in rapida evoluzione è nota come metodologia agile. Questo metodo consente un rapido riposizionamento man mano che cambiano i requisiti aziendali ed è generalmente considerato la migliore pratica quando si lavora su progetti che richiedono una rotazione o un aggiustamento costante per gestire le esigenze aziendali.
L’intersezione tra Project Management e Data Science
La gestione dei progetti e la scienza dei dati possono intersecarsi in modi interessanti: proprio come Ouroboros, la relazione sempre più simbiotica tra la gestione dei progetti e la scienza dei dati può portare a chiedersi quale sia stato il primo.
Per l’esperto leader di progetto, essere in grado di capire quale combinazione di metodologia di progetto e strategia di data science è la migliore può contribuire notevolmente a informare il processo decisionale strategico. Ciò, a sua volta, può aiutare ad allineare gli obiettivi del progetto attuali o futuri, trasformando la gestione del progetto da una dipendenza esclusivamente dai requisiti aziendali a qualcosa di molto più fluido e versatile. Con la gestione dei dati e dei progetti così strettamente intrecciata, è emozionante immaginare cosa questi due ruoli uniranno negli anni a venire.
Credito immagine in primo piano: kjpargeter/Freepik.