A gestão de projetos de Big Data

Por Celso Poderoso | 09 de Maio de 2014 às 13h33

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.

Até lá!

Fique por dentro do mundo da tecnologia!

Inscreva-se em nossa newsletter e receba diariamente as notícias por e-mail.