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!

Gostou dessa matéria?

Inscreva seu email no Canaltech para receber atualizações diárias com as últimas notícias do mundo da tecnologia.