如今，将数据科学融入企业对于从数据中获得有价值的见解并做出明智的业务决策至关重要。在 adesso，我们深入研究了数据科学项目中敏捷方法的使用。
在当前的研究中，对于敏捷数据科学项目仍有很大的进一步研究和见解的空间。专家访谈中最重要的发现总结如下，并在当前研究状况的帮助下进行补充。
专家访谈及结果
总共对来自 adesso 各个业务领域（例如数据和分析、健康或保险）的专家进行了 14 次采访。我们能够获得重要的见解。在专家访谈中，讨论了数据科学背景下敏捷方法的机遇和挑战，并参考了数据科学过程模型。
专家访谈的目的是得出最佳实践。在专家访谈中，强调了不同的观点，这些观点一方面源于不同的项目背景，另一方面源于专家的不同活动领域。在当前的研究状态中可以找到许多陈述。然而，也获得了研究中尚未充分 医疗保健电子邮件列表 解决的新见解。尽管如此，数据科学背景下的研究中有一些敏捷方法在专家访谈中没有讨论，因为它们尚未在实践中使用。
那么现在等待着作为读者的你的是什么呢？从现在开始，我们并没有一条让每个数据科学项目都取得成功的黄金之路。因此，不会有任何模板可以轻松应用并直接导致成功。尽管如此，可以说可以从访谈中制定行动建议，这些建议可以在您自己的团队内轻松讨论并变得透明。也许有些人将能够更快、更高效地到达目的地。
“敏捷”是敏捷数据科学项目的先决条件
为了有利地使用敏捷方法和程序，内化敏捷原则和价值观至关重要。敏捷性应该被理解和实践。不仅在研究中，而且在专家访谈中，缺乏敏捷理解都被视为敏捷数据科学项目的主要挑战。许多专家报告了在“非敏捷”环境中进行敏捷工作的失败尝试，并强调需要提高对敏捷方法的认识和理解以及对敏捷性的信任。了解敏捷方法不仅对利益相关者很重要，对开发人员也很重要。
敏捷价值观和原则的内化（“敏捷”）构成了正确和成功应用敏捷程序（“敏捷实施”）的基础。
利益相关者管理
在专家访谈中多次提到，客户不了解探索性数据科学工作流程，他们的背景知识不足以理解数据科学家或机器学习工程师的工作方式。这是一个挑战，因为客户有不切实际的期望。
在实践中，数据科学通常等同于软件开发，这就是为什么冲刺评审中期望出现“产品”的原因。然而，在数据科学项目中，大多数情况下都有不同的用例和不同的“产品”。无法提前对数据或可能的结果做出任何假设。