Im nächsten Schritt wird ein Projektplan entworfen, in dem dargestellt wird, wie lange die Schritte zur Erreichung der definierten Ziele brauchen sollen. Dabei hängt die Dauer der einzelnen Schritte vom Status Quo ab. Stehen die Daten bereits strukturiert zur Verfügung und sind die Details des zu automatisierenden Prozesses dokumentiert, dauert die Vorbereitung, die oft einen Großteil der Projektdauer in Anspruch nimmt, weniger lang. Hat der Data Scientist einen kurzen Dienstweg zu den operativen Mitarbeitern, verkürzt sich diese Zeit nochmal, da offene Fragen schnell geklärt und Roadblocks beiseite geschafft werden können. Typischerweise werden Projektpläne nach jeder Phase re-evaluiert und an den Projektfortschritt angepasst. Dabei werden sowohl Werkzeuge (z. B. Tabellenkalkulation, SPSS, R, Python) und Methoden ausgewählt als auch Meilensteine für jede Phase sowie Abstimmungstermine festgelegt.
Die Abschätzung eines Projektplans anhand eines klaren Projektauftrags hilft in der Kommunikation und in der Initiierung der Arbeit. Der Plan und das verfeinerte Zielbild müssen aufgrund der vielen Abhängigkeiten und Komplexitäten des zu automatisierenden Prozesses jedoch gemeinsam iterativ überarbeitet werden.
In dem vorliegenden Beispielprojekt hatte die klare Kommunikation der Phasen und Inhalte gekoppelt mit der Etablierung eines gemeinsamen Vokabulars zusätzlich einen positiven Effekt auf die Veränderungsbereitschaft aller Beteiligten. Das hier generierte Wissen über das Projektvorgehen und die Arbeit mit Small Data hatte bereits vor dem Start der Arbeit mit Daten dazu geführt, dass weitere Use Cases besprochen wurden, die mit einer ähnlichen Methodik umgesetzt werden könnten.
Das ist nur ein Ausschnitt aus dem Produkt Controlling Office. Sie wollen mehr?
Jetzt kostenlos 4 Wochen testen
Anmelden und Beitrag in meinem Produkt lesen