Fonte: Canaltech
Hoje vamos deixar a parte técnica um pouco de lado para tratarmos de
um assunto extremamente importante para Big Data: a gestão de projetos.
Entende-se
por gestão (ou gerência) de projetos a aplicação de conhecimentos,
técnicas e habilidades para atingir um objetivo por meio de atividades
relacionadas com uso de recursos humanos e técnicos, atendendo às
necessidades de prazo, custo e qualidade. Esta definição pode ser
utilizada para os dois grandes grupos de gestão de projetos atuais:
tradicional ou ágil.
Em uma abordagem tradicional, todos os elementos citados na definição precisam ser conhecidos, analisados e combinados a priori.
O plano para efetivar o projeto deve ser muito bem elaborado e, uma vez
definido, não deve sofrer grandes mudanças. Na realidade, as mudanças
podem acontecer, mas certamente irão interferir no tripé custo, prazo e
escopo. Em outras palavras, mudanças modificam o plano e exigem que
novas estimativas sejam feitas para atender à nova demanda.
Já na
abordagem ágil, o plano para efetivar o projeto vai sendo desenvolvido,
aprimorado, modificado e até mesmo compreendido ao longo do tempo. Sou
daqueles profissionais que entendem que é necessário ter escopo, custo e
prazo definidos mesmo para gerir projetos com a metodologia ágil, mas o
ciclo em que isso é feito difere muito da abordagem tradicional. Não é
necessário ter todos os requisitos definidos antecipadamente para depois
elaborar um escopo fechado e, desta forma, assumir compromissos com
prazo e custo. Ao invés disso, planos menores são desenvolvidos em uma
frequência maior. Ao invés de definir um escopo de todo o projeto,
escopos menores são definidos, desenvolvidos e implementados. Mas
entendo que é necessário estabelecer os mesmos passos de um projeto
tradicional.
Em resumo, a abordagem ágil prevê a criação de
backlogs ou lista de tarefas que precisam ser cumpridas ao longo do
projeto. Estas tarefas são programadas para serem executadas em prazos
que variam de uma a três semanas, os sprints. Um ou mais sprints geram
uma entrega de artefato, a release. Uma release é avaliada pelo usuário
que aceita, melhora ou rejeita o artefato. E todo ciclo começa novamente
até que o produto esteja completo. O grande desafio aqui é não perder a
visão do “todo”, ou seja, das relações e dependências entre as pequenas
entregas e o projeto inteiro.
Ambas as abordagens possuem pontos
positivos e negativos. É possível adotar uma ou outra abordagem
dependendo do tipo de projeto que será desenvolvido. E, algumas vezes, o
melhor é fazer um mix das duas abordagens. Tudo em favor de uma entrega
de projeto que efetivamente agregue valor ao negócio do cliente.
Desde
que surgiu, a primeira metodologia ágil de que eu tive conhecimento
sempre foi direcionada para projetos com maior grau de incerteza, menor
conhecimento técnico e maior necessidade de interferência ou apoio dos
usuários de negócio. Já a tradicional sempre foi mais direcionada para
projetos em que há um maior conhecimento do assunto e a possibilidade de
estruturação é maior.
Um projeto de Big Data, pelo menos por
enquanto, parece-me ter um encaixe maior com a abordagem ágil. Mesmo
havendo vários profissionais de TI com boa experiência em Big Data e
alguns usuários de negócio sabendo exatamente o que extrair da montanha
de dados que temos disponível, Big Data ainda é um assunto muito novo
para adotarmos uma abordagem tradicional. As ferramentas de Big Data
disponíveis estão em franca evolução. As possibilidades de análise estão
apenas sendo vislumbradas pelos profissionais de negócio e os
cientistas de dados são ainda figuras raras no mundo corporativo.
Alguns
pontos importantes na gestão de projetos de Big Data, porém, precisam
ser definidos. E isso vai além da simples escolha da abordagem. É
necessário entendermos a gestão de riscos, pessoas (especialmente do
cientista de dados), patrocínio para o projeto, adequação de valor ao
negócio, retorno sobre o investimento (ROI) e, de uma forma muito
especial, a gestão do entusiasmo. Como este é um assunto novo, é comum
falharmos em um ou mais destes aspectos e com isso jogarmos fora
iniciativas que podem determinar o sucesso ou não de novas iniciativas.
Portanto,
se por um lado a abordagem ágil parece ser a melhor para gerir um
projeto de Big Data, por si só ela é insuficiente para garantir, ainda
que minimamente, o sucesso do projeto. Nos próximos posts vou abordar os
demais aspectos igualmente importantes para os projetos de Big Data.
0 comentários:
Postar um comentário