Natürlich gibt es an Projektmanagement für Softwareprojekte andere Anforderungen als bei klassisschen Projekten, wie etwa bei einem Hausbau. Wie sieht es aber mit Projektmanagement für Data Science-Projekte aus?
Seit letztem Semester gebe ich an der Hochschule Darmstadt die Vorlesung Projektmanagement und Kommunikation für den Studiengang Data Science.
Ziel der Vorlesung ist es Projektmanagement speziell für Data Science-Projekte zu behandeln.
In der Vorlesung habe ich die Studierenden gefragt, ob es überhaupt spezifisches Data Science Projektmanagement als eigene Form des Projektmanagements im Softwarebereich gibt.
25% haben zugestimmt, während 25% die Meinung vertreten haben, dass Data Science-Projektmanagement sich nicht fundamental von agilem Projektmanagement unterscheiden.
Die andere Hälfte der Studierenden waren unentschieden.
Auf LinkedIn—auch nicht representativ—sah es anders aus: 56% stimmen zu, dass es spezielles Projektmanagement für Data Science gibt.
Ich bin mir selbst unsicher und die Frage hat mich in den letzten Wochen nicht losgelassen.
Methodiken und Kultur
Die Methodiken der agilen Softwareentwicklung mit kurzen Iterationszyklen, enger Zusammenarbeit mit Kund:innen und schneller Reaktion auf Veränderungen sind klassische Prinzipien des agilen Manifesto. Sie bilden den Kern des agilen Projektmanagement und sind gleichermaßen für Data Science als auch klassische Softwareentwicklung einsetzbar. Die Methodiken aus Scrum und Kanban kann man in diesem Zusammenhang als Best Practices verstehen und abhängig von den Projektbedarfen einsetzen.
Data Science ist Softwareentwicklung mit einem Extra
Wer reicht das Rad?
Solche Fragen zu stellen ist nicht einfach und nicht in jeder Organisation ist das Reflektieren einfach. Dabei denke ich immer gerne an einen Comic, in dem vor lauter Eile keine Zeit besteht die platten Räder zu wechseln. Es gibt verschiedene Varianten des Comicas, aber in jedem wird ein Rad zum Wechseln angeboten. Die Kernfrage für mich ist jedoch, von wem wird das Rad in Data Science-Projekten angeboten?
Ideal wäre es sicherlich, wenn die Data Scientists selber ein Rad bauen würden. In der Scrum-Methodik gibt es dafür sogenannte Spikes, in der in zeitbegrenzten Stories Rechercheaufgabe oder Optimierungen vorgenommen werden können. Je nachdem wen man fragt, werden wohl auch Product Owner oder Agility Masters genannt. Generell sollte die Organisation fördern, die eigene Arbeit zu hinterfragen und Prozesse zu automatisieren. Das hat sicher auch zu der Popularität von Organisationsstrukturen mit Squads, Tribes, Chapters und Guilds geführt. Der Austausch wird gefördert und es ergeben sich mehr Möglichkeiten, im Projekt die Räder zu wechseln. Das ist für mich der Kern von Data Science Projektmanagement.
Servant Leadership als Option für Data Science Projektmanagement
Eine Organisation zu transformieren ist keine kurzfristige Lösung. Je nach Größe der Organisation kann dieser Prozess sich über Jahre ziehen. Sinnvoller ist es, die Führungskultur zu verändern. Hier verfolgt insbesondere Servant Leadership die Idee, den Mitarbeitenden die Gelegenheit zu geben, selber die Räder zu wechseln.
