數據科學專案管理的困難
身為資深數據科學家，我工作的重要一部分是為順利的專案規劃和執行建立流程和環境。專案管理是一項重要的任務。我們嘗試了不同的專案管理框架，但結果仍然不盡如人意。
直到我們研究了數據科學團隊和專案的獨特需求，我們才意識到大多數「已建立」的專案管理框架都用於製造、開發等領域，在這些領域我們可以假設任務具有合理的可見性。
然而，這種假設通常不適用於數據科學專案，這使得這些框架不適合我們面臨的問題。
那麼，數據科學專案管理有哪些獨特的特徵呢？
我會說高 CUA 因素（即Complexity（複雜性）、Uncertainty（不確定性）和 Ambiguity（模糊性））是關鍵特徵。
主要後果是專案規劃效果不佳，因為我們沒有良好的目標設定和時間估算參考，在某些情況下，我們甚至不知道解決方案是否真的存在（考慮到約束條件）。
因此，數據科學專案（尤其是研究專案）依賴於提問、調查、回饋和迭代。這並不自然地符合「規劃-執行」範式。相反，專案控制的關鍵在於「決策」。從規劃到決策的重點轉移使團隊能夠對其發現做出反應，這對於研究專案至關重要。
應用數據科學專案管理框架
在改進決策的想法中，我們最喜歡的是 Heath 和 Heath (2013) 提出的 WRAP 模型。 WRAP 代表 Widen Your Options（擴大您的選擇）、Reality-Test Your Assumptions（現實檢驗您的假設）、Attain Distance Before Deciding（在決策前保持距離）和 Prepare to Be Wrong（準備好犯錯）。
我們實際上根據 WRAP 作為指導原則創建了一個檢查清單，然後在每個檢查點，我們都會執行該檢查清單來做出決策，例如繼續原始想法、更改假設/範圍/方法等，或者如果我們發現繼續不是最佳決策，則將其擱置或停止專案。
有了完善的決策流程，即使沒有嚴格的專案規劃作為控制，各個利害關係人也確信團隊正在處理最佳可能的任務，並且通常比制定導致無處可去的專案計畫更滿意。