Éviter les écueils et suivre les meilleures pratiques pour la gestion de projets en Data Science

Le principal objectif de tout projet de science des données est de résoudre un problème ou de répondre à une question. Cependant, sans orientation, discipline et contrôle adéquats, ces projets peuvent dévier de leur trajectoire jusqu'à échouer et être considérés comme un échec. L'application de méthodologies de gestion de projet aux projets de science des données garantit leur succès et leur utilité.

Cet article discutera des écueils courants lors du processus de gestion de projet, de certaines meilleures pratiques à suivre et des 3 meilleurs conseils de gestion de projet d'Agilytic.

Cadres de Gestion de Projets en Science des Données

Il existe une multitude de cadres de gestion de projet parmi lesquels choisir. Les équipes de science des données ont adapté certains cadres d'autres industries (comme Kanban), et certains ont gagné une grande popularité au fil des ans (comme Scrum).

Cependant, tous les cadres de gestion de projet ne sont pas bien adaptés à la science des données en raison de leur nature itérative et en constante évolution, avec une approche unique pour chaque nouveau projet, industrie et problème.

Cela rend extrêmement difficile le respect d'un système rigide en science des données. C'est pourquoi vous verrez souvent ces équipes adopter des approches hybrides, en fonction de leurs préférences et de la nature de chaque projet. Ces approches hybrides sont également appliquées de manière assez souple, car il n'est pas possible de suivre un modèle standard pour chaque projet.

Cependant, savoir qu'il existe un cycle de vie ou un flux de travail à haut niveau est utile. Bien que chaque projet puisse être unique dans la solution et l'approche qu'il adopte pour résoudre le problème, avoir un ensemble de listes de contrôle pour les projets est essentiel afin que les étapes critiques du processus ne soient pas négligées ou oubliées.

Un des cadres de gestion de projet les plus utiles pour les équipes de science des données est TDSP (Team Data Science Process), qui forme la base de la gestion de projet chez Agilytic.

TDSP combine les méthodologies Scrum et CRISP-DM dans un cadre qui tire parti des avantages de chacune tout en éliminant certains de leurs inconvénients. Bien sûr, il pourrait être meilleur, mais il fournit un excellent guide de gestion de projet.

TDSP (Source: Microsoft)

Écueils Communs dans la Gestion des Projets de Science des Données

Attentes des Clients

Il existe souvent un écart entre ce qu'un client attend et ce que les scientifiques des données peuvent réellement livrer pour un projet. Comme le dit le vieil adage : « vous ne savez pas ce que vous ne savez pas ». Les clients (ou parties prenantes) viennent à vous avec un problème et peuvent avoir une idée de ce à quoi ils aimeraient que la solution ressemble. Cependant, en tant que scientifique des données, vous êtes l'expert. Vous savez ce que la science des données est capable de faire sur la base des informations et des données dont vous disposez pour le projet. C'est là que la gestion de projet devient vitale pour le succès du projet.

Avant de commencer tout travail, tous les acteurs du projet doivent être clairs sur ce qui sera exactement fait et sur ce que sera le livrable final. Cela se développe conjointement avec le client afin qu'il sache exactement à quoi s'attendre et que l'équipe sache exactement comment elle livrera la solution finale. Au fur et à mesure que le projet progresse, il est encore plus important de vérifier régulièrement avec le client pour que le projet reste sur la bonne voie.

Gérer l'Incertitude

Un des problèmes les plus notoires dans les projets de science des données est que rien n'est garanti. Par exemple, il est impossible de garantir une précision de 100 % dans les modèles d'apprentissage automatique, et une grande partie du travail que les scientifiques des données peuvent faire dépend entièrement de la qualité et de la quantité des données.

Si les volumes de données utilisables sont bien inférieurs à ceux attendus ou si plus de nettoyage et de préparation des données sont nécessaires avant même que le travail puisse commencer, cela aura un impact sévère sur la solution finale, le calendrier et le coût du projet.

Ceci n'est qu'un exemple d'incertitude lors d'un projet de science des données. De nombreux aspects du développement d'une solution peuvent introduire encore plus d'incertitude dans le projet. Cependant, c'est avec une gestion de projet efficace que vous pouvez identifier les risques de manière opportune, définir des actions d'atténuation et communiquer ces risques de manière transparente à l'équipe et au client.

Évolution du Périmètre

Après avoir passé des semaines ou des mois à développer une solution pour un projet, il se peut que vous vous retrouviez dans une situation où le client souhaite quelque chose que vous n'aviez pas convenu au départ. Cela peut être dû au fait que de nouvelles connaissances sont apparues lorsque les scientifiques des données ont exploré les données, ou que le client a changé d'avis sur la direction qu'il souhaitait prendre.

Dans ces situations, il est important d'avoir une certaine flexibilité. Comme nous l'avons déjà dit, nous ne pouvons garantir quoi que ce soit en science des données, et ces projets évoluent constamment. Cependant, la clé ici est de comprendre où tracer la ligne. Par exemple, si les changements affectent considérablement le budget ou la capacité de l'équipe à livrer selon le calendrier convenu, les chefs de projet doivent être honnêtes et transparents à ce sujet.

Communication

La communication est un sujet souvent négligé ou même pas prioritaire dans les projets de science des données. D'habitude, les scientifiques des données veulent se plonger dans ce qui les passionne. Il n'est donc pas étonnant que la communication ne soit pas en tête de leur liste de tâches.

Cependant, les projets de science des données réussis dépendent fortement d'une bonne communication. Il est presque impossible de développer une solution si vous n'avez aucune idée de ce que le client veut ou si le client ne sait pas comment votre solution lui apporte quelque chose de utile ou de précieux.

Nous pouvons résoudre tout cela avec quelques bonnes pratiques de communication qui constituent le cœur de toute approche de gestion de projet. De plus, il est judicieux d'avoir un chef de projet distinct suivant et appliquant ces pratiques pour que vos équipes de science des données puissent rester concentrées sur leur fonction principale.

Meilleures Pratiques de Gestion de Projets en Science des Données

Créer une Liste de Contrôle

Bien que les détails exacts et la nature de chaque projet de science des données soient différents, il y a certains éléments communs. Par exemple, chaque projet devrait commencer par une phase de planification où les propositions et les documents de périmètre sont rédigés et envoyés au client. Après cela, les scientifiques des données commencent leur travail en extrayant et en explorant les données - développant une bonne compréhension des données, recherchant les anomalies qu'ils doivent nettoyer et résoudre, etc.

Il est utile de créer une liste de contrôle des éléments communs à la plupart des projets traités par votre équipe. Cette liste servira de guide pour ne jamais rater une étape en cours de route. Bien sûr, vous ne suivrez pas toujours cette liste de contrôle à la lettre, mais elle peut offrir quelques orientations et servir de base pour ne pas démarrer chaque projet entièrement à zéro.

Décider des Livrables en Premier

Chaque projet devrait commencer par une phase de planification. C'est à ce stade que l'équipe de science des données et le client comprennent le problème ou la question abordée et la solution qui sera développée.

Cependant, l'élément le plus critique de la solution est le livrable exact du projet. Qu'est-ce que le client reçoit à la fin du projet et comment ce livrable aide-t-il le client à aller de l'avant? Par exemple, s'agit-il d'une API qui est intégrée dans leur produit, améliorant l'efficacité ou les ventes? Ou facilite-t-elle la prise de décision afin que le client puisse faire le pas suivant dans un cheminement vers un autre projet?

Etre très précis sur ce livrable et le résultat attendu dès le début du projet aidera l'équipe et le client à comprendre précisément où sont les objectifs et ce qu'il faudra pour y parvenir.

Établir un Rituel de Communication

Comme nous l'avons déjà discuté, la communication est le pilier de chaque projet de science des données réussi. Il n'est donc pas surprenant que presque chaque cadre de gestion de projet ait ses propres règles ou processus pour aborder cette composante. Cependant, chaque cadre a en commun un processus de communication régulier et cohérent.

Établissez un rituel de communication que votre équipe et le client peuvent respecter régulièrement et conserver de manière cohérente. Vous devriez au moins rencontrer le client une fois par semaine. De plus, une mise à jour écrite sur les progrès du projet à tous les intervenants viendra compléter la communication orale.

En plus de donner aux clients des mises à jour régulières, il est également bénéfique d'avoir des réunions d'équipe internes récurrentes. Celles-ci sont généralement appelées dans la méthodologie classique 'scrum' comme des ‘stand-ups’ avec le format suivant : ce que vous avez fait hier, ce que vous allez faire aujourd'hui et quels risques ou problèmes vous avez rencontrés.

Ces 'stand-ups' permettent à chacun de se tenir au courant des progrès de chacun. C'est aussi un excellent moment pour échanger de nouvelles idées et découvrir quelque chose de significatif ou perspicace pour faire avancer le projet. Cela doit aussi être un espace sûr pour les membres de l'équipe afin de soulever les problèmes qui pourraient avoir un impact significatif sur le projet.

Ces sessions de brainstorming ne doivent pas seulement avoir lieu pendant le 'stand-up'. Il peut également être utile de prendre un recul à tout moment de la journée et d'échanger des idées avec l'équipe. N'oubliez pas de considérer la puissance et la valeur de la connaissance partagée.

Être Transparent

Chaque fois que vous rencontrez un problème ou identifiez un risque potentiel à tout moment pendant le projet, la meilleure pratique est d'en discuter et de le porter à l'attention du client dès que possible.

Cacher des risques ou problèmes potentiels au client affecte négativement la capacité de l'équipe à livrer la solution finale et laisse un goût amer à tout le monde. Par conséquent, la transparence devrait être un ethos central dans la gestion de projet.

Cette pratique s'applique également à tout changement qu'un client souhaite apporter et qui dévie du périmètre initial du projet. Si un client demande des changements, il est bon de communiquer clairement ce que vous allez (et n'allez pas) atteindre en raison du changement.

Les 3 Meilleurs Conseils de Gestion de Projet d'Agilytic

• Les projets prennent toujours plus de temps et de ressources que vous ne le pensez. Supposer toujours que des incertitudes et des difficultés surgiront et planifier en conséquence.

• Prévoir des marges dans votre calendrier. Ajouter de petites poches de temps entre les réunions vous permet de décompresser ou de prendre les prochaines mesures rapidement sur un projet juste après la réunion.

• En cas de doute, souvenez-vous pourquoi vous êtes ici. Prenez régulièrement un recul sur ce que vous faites pour échanger des idées avec votre équipe ou pour vous réaligner sur les objectifs et la direction du projet. Cela est particulièrement bénéfique pour les tâches très complexes ou intensives. Il est facile de s'embourber dans un gouffre sans fin pour se rendre compte que vous alliez dans la mauvaise direction tout ce temps.