Während meiner Tätigkeit als Lehrbeauftragter für den Kurs Projektmanagement und Kommunikation an der Hochschule Darmstadt, fiel mir auf, wie oft die Frage aufkam, ob Data-Science-Projekte eine spezielle Art von Projektmanagement erfordern. Eine nicht-repräsentative LinkedIn-Umfrage bestätigte diesen Trend:
Die Mehrheit der Befragten scheint zu glauben, dass das traditionelle Projektmanagement für Data-Science-Projekte nicht ausreichend ist.
Warum ist das so?
Warum Scrum nicht immer die beste Wahl für Data-Science-Projekte ist
Das Agile Manifest hat die Grundlagen für moderne Softwareentwicklungsmethoden geschaffen, und Scrum hat sich als de-facto Standard für agiles Projektmanagement etabliert. Manager erhoffen sich von Scrum eine erhöhte Planungssicherheit, bessere Qualität und ein gestärktes Verantwortungsbewusstsein im Team. Doch gerade in Data-Science-Projekten kann Scrum zu unrealistischen Erwartungen und damit zu Enttäuschungen führen.
7 Missverständnisse über Scrum im Data-Science-Kontext
- Schätzgenauigkeit von User Stories: In der klassischen Softwareentwicklung sind Erfahrungswerte für die Schätzung oft verfügbar. Im Data-Science-Kontext sind solche Vergleiche jedoch selten möglich, was die Schätzung zu einem Ratespiel macht.
- Zuweisung von User Stories: Während in der Softwareentwicklung Aufgaben oft einzeln bearbeitet werden können, erfordert die Komplexität von Data-Science-Problemen häufig eine kollaborative Herangehensweise.
- Rolle des Scrum Masters: Im Data-Science-Umfeld sind die technologischen und fachlichen Anforderungen oft komplexer. Ein Scrum Master sollte daher über tiefgehendes technologisches Verständnis verfügen.
- Akzeptanzkriterien: Die Leistungsanforderungen an ein Modell können oft nicht im Voraus genau festgelegt werden, was die Definition von done erschwert.
- Verständnis von User Stories: Aufgrund der vielschichtigen Fachgebiete in Data-Science-Projekten ist es unrealistisch zu erwarten, dass jedes Teammitglied alle User Stories in vollem Umfang versteht.
- Bedeutung von Spikes: In Scrum sind Spikes zeitlich begrenzte Untersuchungen. In Data-Science-Projekten ist jedoch oft mehr explorative Zeit erforderlich, wodurch der Sprint-Charakter verloren gehen kann.
- Vergleichbarkeit von Sprints Die Verschiebung der Schwerpunkte im Projektverlauf macht es schwierig, Sprints miteinander zu vergleichen und die Planungsgenauigkeit zu bewahren.
Alternativen zu Scrum in Data-Science-Projekten
Data-Science-Projekte sind oft explorativ und iterativ. Hier könnten Scrumban und Kanban nützliche Alternativen zu Scrum sein:
- Bessere Visualisierung: Beide Ansätze verwenden ein Board zur Veranschaulichung des Arbeitsflusses.
- Mehr Flexibilität: Sowohl Scrumban als auch Kanban sind anpassungsfähiger und erlauben kurzfristige Änderungen.
- Geringerer Overhead: Im Vergleich zu Scrum benötigen diese Methoden weniger Meetings, was den administrativen Aufwand reduziert.* Kontinuierliche Lieferung: Die kontinuierliche Auslieferung von Ergebnissen ist ein zentrales Element, das den Projektstress verringern kann.
- Fokus auf Engpässe: Kanban legt großen Wert auf die Identifizierung und Reduzierung von Engpässen, was eine effizientere Ressourcenplanung ermöglicht.
Dennoch ist es wichtig, das am besten geeignete Framework je nach den spezifischen Anforderungen des Projekts, des Teams und der Stakeholder auszuwählen.
