Anforderungen in Data-Science-Projekten und deren genaue Analyse sind für das Gelingen von datengetriebenen Projekten von zentraler Bedeutung. Diese sollten vollständig und widerspruchsfrei sein. Der Umgang mit Anforderungen ist ein wesentlicher Erfolgsfaktor in Projekten. Dieser Text präsentiert Strategien, mit denen sich Anforderungen in Data-Science-Projekten mit Visualisierungsanteil optimal ermitteln lassen.

Je mehr aktive Stakeholder an einem Projekt beteiligt sind, desto größer ist die Herausforderung, alle zufriedenzustellen

Die Stakeholder sind ein wichtiger Faktor, der die Agilität des Projektes beeinflusst und den Projekterfolg damit mitbestimmt. Es kann mitunter anspruchsvoll sein, alle Anforderungen beziehungsweise Wünsche der Stakeholder zu implementieren auf diese einzugehen.

Das ist besonders dann der Fall, wenn viele Stakeholder in einem Projekt beteiligt sind und diese dabei unterschiedliche, eventuell sogar kontroverse Vorstellungen vom Endergebnis haben. Die verschiedenen Strategien, die es dabei gibt, sollen im Folgenden anhand eines Visualisierungsprojektes durchgespielt werden.

Wie kann ein Projektleiter ein Projekt so strukturieren, dass es zum Erfolg wird?

Auf Basis unserer langjährigen Erfahrung aus über 300 Data-Science-Projekten mit Visualisierungsanteil haben sich verschiedene Herausforderungen herausgestellt und wir haben entsprechende Vorgehensweisen bzw. Strategien etabliert, um diesen zu begegnen.

Für solche Entscheidungsprozesse bezüglich der Vorgehensweise haben wir einen Entscheidungsbaum entwickelt, der dabei hilft, die Tasks schnell zu strukturieren und zu steuern. Dieser beginnt mit der ersten Frage bezüglich bereits existierender Dashboards, Reportings oder anderen Visualisierungen, die als Orientierung zur Verfügung gestellt werden können.

I Vor-Nachher-Strategie

Situation: Wenn ein Kunde bereits über eine Visualisierung verfügt – beispielsweise in Form eines Reportings, als PowerPoint oder als Applikation mit den Dashboards in verschiedenen Technologien wie QlikSense, Qlikview, Tableau, Power BI o.ä. integriert sind – muss zunächst geklärt werden, ob diese optimiert oder erweitert werden soll.

Empfehlung: Bei der Optimierung hat sich bei uns folgende Vorgehensweise etabliert: Wir schaffen zunächst ein fachliches Verständnis für Visualisierungen in einem Workshop. Dabei klären wir Zweck und Ziele sowie alle Bestandteile der Diagramme – unter anderem die Bedeutungen der KPIs, Dimensionen und die genaue Fragestellung, die mit der Visualisierung beantwortet werden sollte. Auf Basis dieser Informationen werden die Grafiken methodisch nach etablierte Visualisierungsstandards erarbeitet.

Ergebnispräsentation: Zum Schluss stellen wir den Kunden die Ergebnisse vor, indem wir die vorherige Variante mit der neuen Variante vergleichen. Wir gehen auf die implementierten Verbesserungen ein und präsentieren unseren Vorschlag.

II Opt-In-/Opt-Out-Strategie

Situation: Anders sieht es aus, wenn bereits eine Visualisierung existiert und diese erweitert werden soll. In diesem Fall empfehlen wir die Opt-In-/Opt-Out-Strategie. In erster Linie sammeln wir in einem Workshop die User Storys. Diese spiegeln den Workflow der User wider und geben einen guten Überblick über die wirklichen Kundenbedürfnisse als Basis für die Anforderungen in Data-Science-Projekten.

Empfehlung: Basierend auf den gesammelten Informationen werden die User Storys in Visualisierungen umgewandelt. Zu jeder Visualisierung wird zusätzlich eine Alternative zur Auswahl entwickelt.

Ergebnispräsentation: In einem Zwischenergebnis-Workshop stellen wir den Kunden die entwickelten Grafiken mit Alternativen vor. Wir kommentieren die Vor- und Nachteile jeder Variante und geben unsere Empfehlung ab.

III „Influencer“-Strategie

Situation: Es gibt Fälle, in denen unsere Kunden bei null beginnen und keine Visualisierungsgrundlage haben. Die Anzahl der Meinungsgeber ist dann groß, so dass es nicht leicht ist, auf die Wünsche und die Designvorstellung aller Beteiligten einzugehen.

Empfehlung: Eine mögliche Lösung dafür besteht darin, einen Stakeholder zu finden, dessen Einfluss auf das Projekt entscheidend ist. In den Zwischenabstimmungen sollten sich die visuellen Entwicklungen dann nach dessen Vorstellungen richten. Diese Vorgehensweise ist bei uns als „Influencer“-Strategie bekannt.

Ergebnispräsentation: Die Ergebnisse werden dem kompletten Stakeholder-Kreis vorgestellt und hinsichtlich der gewonnenen Vorteile und Neuerungen besprochen.

IV „Berater“-Strategie

Situation: Es gibt Fälle, in denen es nicht möglich ist, einen Influencer zu finden und dennoch mehrere Stakeholder in einem Projekt zu bedienen sind. Die exakte Definition der Anforderungen in Data-Science-Projekten kann in diesen Situationen viel kostbare Projektzeit kosten. Die Folgen sind ständige Überarbeitung und ressourcen-intensive Prozesse.

Empfehlung: Für diesen Fall ist unsere Empfehlung, die „Berater“-Strategie zu verfolgen. Dabei werden alle Anforderungen in Data-Science-Projekten mit den dazugehörigen Akzeptanzkriterien gesammelt und gemeinsam priorisiert. Die Implementierung wird von den Visualisierungs-Experten durchgeführt und bei einer Zwischenabstimmung das Feedback aufgenommen. Ergebnispräsentation: Wir präsentieren die finale Version der Visualisierungen und kommentieren die zur Erstellung der Visualisierung eingesetzte Methodik.

Backlog-Bearbeitung

Situation: Die letzte und die einfachste Vorgehensweise ist die Backlog-Bearbeitung. Wenn alle Anforderungen in Data-Science-Projekten klar definiert sind, gibt es keine Diskussionen mehr dazu. Somit wird automatisch ein Backlog (unerledigte Aufgaben im Projekt) definiert und mit den Kunden abgestimmt.

Empfehlung: Die bestehenden Tasks sukzessiv in den Sprints abarbeiten.

Ergebnispräsentation: In der finalen Präsentation wird auf die Anforderungen im Data-Science-Projekt zurückgegriffen und deren Umsetzung aufgezeigt. Dies kann dynamisch in einer Software passieren oder statisch in einer PowerPoint geschehen.

Fazit

Unserer Erfahrung nach bieten diese Strategien zur Definition und Umsetzung der Anforderungen in Data-Science-Projekten einen umfassenden Schutz, um den Projekterfolg sicherzustellen. Dabei blicken wir auf zahlreiche Use Cases und entsprechend viele Erfahrungen zurück, aus denen wir lernen konnten.

Insbesondere die Szenarien, bei denen viele Stakeholder eine Rolle spielen, zählen nicht nur zu den häufigsten Fällen, sondern auch zu den anspruchsvollsten. Wer hier mit einer Strategie für die Anforderungen in das Data-Science-Projekt geht, hat schon vor Beginn sehr viel gewonnen.