Si vous êtes impliqué(e) dans un projet data, vous devez sans doute connaître l’importance de l’organisation du business, la gestion des étapes de développement, la répartition de tâches, etc. Toutes les études le montrent : presque 20 % du travail dans un projet data est dédié à l’organisation et documentation. N’attendez plus pour bien choisir vos outils de management. Cet article vous montre pourquoi un bon management est important, quelles sont les approches les plus utilisées d’un projet data ainsi que les outils informatiques correspondants.
Pourquoi le management d’un projet peut-il tout changer ?
Imaginez la situation suivante : deux sociétés de même taille reçoivent un projet d’un potentiel client qui doit être fini en deux semaines. La première société arrive à le finir et le rendre dans les deux semaines, alors que la deuxième n’y arrive pas. Il se peut que la première entreprise compte des profils plus compétents mais, sans aucun doute, quand on prend la peine d’analyser, le fait d’utiliser un bon outil de management fait une différence remarquable.
Ainsi, il y a plusieurs raisons pour lesquelles vous devriez bien réfléchir à la méthodologie et aux outils de management, surtout si vous lancez une startup :
- Ça vous permet de trouver les éléments sur lesquels vous devez vous focaliser, d’identifier les parties critiques ou problématiques.
- Ça vous permet d’optimiser votre temps, car vous pourrez établir des priorités et des dépendances entre les différentes tâches.
- Ça vous permet d’établir une dynamique dans l’équipe pour pouvoir vous adapter en fonction des imprévus et des disponibilités, et de détecter des points de blocage tout au long du développement.
- Vous pourrez mieux anticiper les besoins techniques.
Choisir sa méthodologie et ses outils de management pour la data science
Tout d’abord, vous pourrez choisir entre des méthodologies dites « traditionnelles » comme Waterfall ou CRISP-DM (Cross-Industry Standard Process for Data Mining, créée par IBM), ou bien celles plus récentes et largement plus utilisées comme Scrum ou Kanban dans une perspective Agile.
Actuellement 90 % des projets suivent une méthodologie Agile, notamment grâce à la flexibilité que cette approche permet. Mais d’autres approches comme CRISP-DM ont été créées spécialement pour les projets data. Néanmoins, seule les méthodes Agile permettent d’intégrer tous les aspects des projets data et pas uniquement le côté technique, là où CRISP-DM se focalise uniquement sur le développement software.
Si vous voulez utiliser Scrum, le meilleur choix d’outil est JIRA. C’est l’un des outils le plus populaire, largement utilisé dans le domaine de la data science. Il permet d’intégrer naturellement les aspects clefs de Scrum, c’est-à-dire les sprints, les feedbacks de clients, les dailys, weekly, etc. Un des points négatifs de Scrum est la difficulté d’estimation du temps de développement, qui est en même temps un point positif car cela permet une plus grande flexibilité. JIRA permet de pallier en partie ce problème car il gère parfaitement les backlogs, sprints, etc. de manière visuelle et intuitive. Il peut être utilisé peu importe la taille de l’équipe et du projet, par contre vous aurez besoin d’un peu de temps pour vous familiariser avec son interface et pouvoir être pleinement opératif(ve).
Concernant Kanban, traditionnellement il s’agit d’un travail avec trois colonnes : « Fait », « En Cours » et « À faire ». En fonction des projets, d’autres colonnes peuvent s’ajouter : « Tests », « Retours », etc. Il y a beaucoup de choses en commun avec Scrum. Néanmoins en Kanban le suivi des développements est bien plus important que les rôles et les dates, ce qui est plutôt bien adapté aux projets de data science.
Pour bien profiter des caractéristiques de cette approche, le meilleur choix est Trello. Cet outil de gestion est très simple et facile à comprendre. La prise en main ne devrait pas poser beaucoup de problèmes, et vous apercevrez rapidement une meilleure efficacité dans votre équipe.
Étant donné la complexité d’un projet data, à certains moments vous aurez des difficultés à choisir l’outil qui s’ajusterait le mieux. Vous pouvez choisir de combiner plusieurs approches en fonction de l’étape dans laquelle vous vous situez. Par exemple, certains aspects n’auront pas une deadline précise définie, d’autres auront moins besoin d’un suivi technique, etc.
Les suites logicielles pour le management
Outre les outils un peu plus classiques décrits ci-dessus, ces dernières années beaucoup de plateformes ont été créées pour le management dans un environnement data science. Il y a beaucoup d’options de configuration qui peuvent rendre difficile la prise en main, mais vous aurez un outil adapté parfaitement, et ce peu importe l’approche de management que vous utilisez.
Si vous gérez une équipe importante (plus de 15 personnes), vous pouvez essayer du côté de « Hive », une plateforme de gestion de projet, parfaitement adaptée aux projets collaboratifs, qui est utilisée par des compagnies comme IBM. Elle vous permettra de faire des analyses de prévisions basées sur l’intelligence artificielle, d’intégrer d’autres outils, et de modifier totalement l’interface visuelle de votre gestion.
Si vous voulez opter pour un outil complet mais plus simple, vous pouvez jeter un œil à « Asana ». Vous aurez également beaucoup d’options, notamment des notifications automatiques, l’opportunité de créer différentes tâches et de les assigner à différents membres de l’équipe, etc.
Enfin, si vous n’avez pas encore trouvé un outil adapté, essayez Redmine. Il est parfait si vous aimez les outils Open Source et Basecamp, et si vous êtes familier(e) avec les interfaces issues de réseaux sociaux ou Backlog, basées sur le cloud et fortement liées à SVN et Git.
Il existe beaucoup d’outils de management. L’important est que vous vous appropriez du style de chacun, les options proposées et la philosophie de travail proposée. D’abord, concentrez-vous sur l’approche utilisée (Scrum, Kaban ou d’autres plus classiques) et ensuite choisissez un outil approprié pour gérer toutes ces sources de données.
