本文作者：陈庆敏

 

近几年来，随着数据和人工智能技术的发展，数据智能类的软件项目也渐渐多起来，为了让新技术更好应用于项目，也为了让具备新技术使用能力的各种专家角色能够更好的协作，达成项目目标，给业务方甚至整个组织带来价值，数据和智能项目的项目管理变得越来越重要。

 

在过去的几年里，我作为数据服务项目的提供方，管理过多个规模不同的数据智能项目，此文是对自己管理经验的总结。

 

数据智能项目有多种分类，每种类型的管理方式各不一样，基于经验，按照不同的维度，可以把数据项目分为四类，这几种维度是，验证想法还是落地执行，专注智能技术还是专注组织赋能。

接下来会从这四类项目的项目特点、挑战以及管理方法三个方面谈谈数据智能类项目的项目管理。

 

数据战略咨询与规划项目

 

这类项目的特点是，始于一个想法或多个想法，是否具有可行性还未知，项目开展的过程也是验证可行性的过程，所以项目中会有很多试错、调整、优化、探索的过程，所以这类项目的本质是咨询。

 

由于不确定性的存在，开展这类项目需要很多信息和上下文输入，既需要来自技术部门的输入，也需要来自业务部门的输入，所以数据战略咨询与规划类的项目是企业内部多个部门不同角色、输入不同的背景和能力、开展协作的过程。

 

协作的过程中，参与者对于初始的想法进行深入的分析和讨论，过程中不同角色的人一起脑洞，发散出各种可能，对每种可能进行评估，结合现实的流程、能力、数据、业务特征等对想法进行深入探索和验证，有的想法在探索的过程中被验证不可行，所以会从重点中移除，有的想法则可能因为注入了更多的信息而成了创新点，成了组织接下来要大力投入进行孵化和培育的项目或者机会。因此，数据战略咨询与规划项目也是一种创新的尝试。

 

在项目开展的过程中，由于会引入一些新的工具、方法、技术，甚至是第三方咨询师，项目的参与者在这个过程中也是学习、实践和吸收的过程，所以这类项目也同时承载着组织赋能的诉求。

 

项目的产出结果，不是一个可用的软件，也不仅是一份报告，而是对于初始想法进行充分验证的思路和可行性分析，是基于组织战略、目标、业务流程、现有系统、数据、痛点等的分析和验证，对于验证过的、服务于战略目标的、具有现实可行性的、高优先级的想法还会进行业务架构设计、数据架构设计甚至平台架构设计，同时也会包括落地执行的蓝图计划和详细的项目规划。

 

这样一个结果，可以指导组织进行立项投资决策，也可以帮助组织快速进入软件开发的环节，把想法变成现实。

这类项目的挑战是，不确定性多，所以风险大；参与角色多，所以干系人管理复杂；想法验证基于组织战略和业务上下文，所以产出结果都是对组织的量身定做。

 

管理这类项目，首先要管理的是干系人的理解和期望，需要拉通干系人对于组织战略目标和项目目标的理解，在此基础之上，协调不同角色的干系人输入信息、提出想法、互相分享、验证结果，过程中管理干系人之间的冲突，促成干系人对优先级达成一致，帮助干系人学习使用新的方法和工具，对于产出结果提出反馈和洞见。

 

其次，项目管理者还需要对出现的难以预估的不确定性做出灵活的反应，比如客户出现新的想法，比如部门的分工导致某些信息获取不到，比如验证某个想法缺少领域专家等等，应对这些挑战，项目管理者除了灵活调整快速反应之外，脑海中要一直装着Plan B，Plan C，Plan N等。

 

最后，也是最重要的一点是，项目管理者需要带领并激励好自己的团队，只有让自己的咨询团队发挥出最大的效能，才能应对上述的挑战，比如各种角色的配合，客户的沟通，技术的研究，报告的编写，高层的汇报，难题的分析与讨论，等等，这些工作需要一个成熟的团队紧密的协作，互相支持共同协作才能完成。

 

总结一下，数据战略咨询与规划项目，每天的日常充满变化和不确定性，项目管理者需要灵活多变，充分利用团队的力量和能力，协调客户的资源，拉通客户的目标和期望，将想法进行验证并最终产出设计和规划。

 

数据科学与分析

与数据战略咨询与规划项目比起来，数据科学与分析的项目更加聚焦，尽管这种项目也是源于想法，但通常是客户已经有了一个相对成熟的想法，客户期望的是运用智能类的技术快速验证想法的可行性，所以此类型的项目很多时候以POC（概念验证）的形式开展。

 

因为只是验证，所以最后的产出通常是个算法模型，以及基于业务背景对于模型的分析和解读，这种项目不会进入到工程化的阶段，但是由于要产出结果，所以这类项目对数据有极大的依赖，比如模型输入所依赖的数据是否具备，是否容易获取，是否可用，质量是否满足要求等。

 

大多情况下，为了保证模型的效果和质量，数据工程师和数据分析师都需要花大量时间对数据进行清洗和处理，在此基础之上，构建特征工程，进而开发、训练和优化模型，来判断想法是否具有可行性。

管理此类型的项目，挑战在于管理客户期望、数据获取以及开发进度。

 

尽管是个验证型的项目，但是客户既然投入资金和资源来验证，对结果总是会怀有期望，希望想法是创新的，希望技术是强大的，希望结果是超出预期的，但是现实中并不会存在那么多的惊喜，很多时候，模型的结果并不能证明想法可行，甚至因为存在数据数量和质量的约束，许多模型并不能达到最优，客户的期望管理便会成为一个挑战。

 

所以在项目开展的过程中，项目管理者不仅要帮助客户理解模型开发的整个流程和依赖条件，还要捕捉数据准备和模型开发中各种细节和信息以及带来的问题，帮助客户把期望设置在一个合理的范围。

 

此外，很多时候，这类模型所依赖的数据并不在本部门，组织内部由于权限问题，安全问题，甚至分工的问题致使模型开发得不到需要的有价值的数据，此类问题的存在会使模型的结果大打折扣，作为项目管理者，不仅要管理模型开发团队，还需要和关键干系人协作影响并管理资源尤其是数据资源的供给方，为模型的开发提供数据输入上的保证。

 

除了上述工作内容，项目管理者还需要重点关注进度，数据科学与分析的项目持续时间从几周到几个月不等，但由于数据的获取和数据的质量对结果影响很大，所以数据源上看来一个很小的问题，都可能导致模型的开发延后几周，因此管理者需要对进度进行重点关注，而关注进度就要重点关注数据。

 

总结一下，数据科学与分析项目，对数据的依赖很大，项目管理者需要管理客户期望，数据的获取和质量，关注对进度带来影响的因素，模型的开发不仅依赖算法的优化，也来自于原材料也就是数据的质量，只有两个条件同时具备，有洞见的结果才会产生。

 

平台开发和智能应用项目

这两类项目的管理方式很接近软件开发，如果选择使用敏捷的方式进行管理，大部分的敏捷实践都适用，只是使用起来存在一些差别。

 

绝大多数时候，平台开发和智能应用开发的项目启动之初，也会有个咨询和规划的过程，目的是梳理需求，澄清目标和想法，做整体架构设计并且产出实施规划，这些工作能指导软件开发迅速启动。

 

但是，数据类的软件项目开发也和功能应用类的软件开发存在差别，比如交付可见的功能之前，需要接入并处理大量的数据，比如数据的质量会对项目的产出甚至成败起着关键的作用，比如，无论数据的获取还是存储，以及智能模型的开发，都需要使用新技术，所以过程中会经常性的需要对新技术进行探索和方案验证。

 

所以，此种项目的挑战来自这样几个方面。

 

一，结果难以衡量和验证，很多关于数据的工作是底层且对业务不可见的，在数据项目的开发管理过程中，比较难以做到及时的价值衡量，比如，数据接入和治理都是底层工作，需要一定的时间，但又是基础且无法省略的工作，软件开发处于这个过程中，很容易造成组织内部尤其业务部门对项目的结果失去耐心和信心。

 

作为项目管理者，在这个阶段，需要关注数据开发的进度，及时帮助团队解决数据获取的问题，评估并管理数据问题给项目带来的影响，还有非常关键的一项工作是，赋能业务团队，帮助他们对数据项目从了解，到理解，到认同，到一起协作，一旦产生协作，同理心和认同感就会大大增强，数据开发的阻力也会少很多。

 

二，数据质量差影响项目的产出结果，但对于任何一家企业，尤其是非金融（金融有监管的压力）企业做全面的系统级别的数据治理来提升数据质量是个长期浩大的工程，过程中可能会遇到各种阻力与困难，失败的可能性极大。

 

作为项目管理者，面对这个挑战，需要将数据治理规划进平台开发和智能应用开发的计划里，也就是做应用驱动的数据治理，这是一种轻量级的数据治理，尽可能将治理的结果和价值通过功能展示出来。

 

三，企业对新技术的认知程度不同，会对项目带来不同程度的影响甚至压力。有的企业对新技术和新概念持乐观态度，有的企业则相对保守和谨慎。

 

无论是哪种认识，这样的一些思想可能会存在组织内部各种层级的不同角色之中，作为项目管理者，很多时候承担着或者布道、 或者帮客户建立对技术的正确认知的职责。

 

总结一下，数据开发和智能应用项目， 由于是一种引入了数据和智能技术的软件开发，所以项目管理者既需要擅长用敏捷的方式管理项目，也需要自身对数据和智能技术有深入的理解，从而帮助客户对项目的价值和结果产生客观正确的认识和期望。

 

数据能力评估与赋能项目

提出这种诉求的企业通常已经具备了一定的数据能力，很多企业都拥有独立的数据团队，能独立开发数据平台，也开发出了一些基础的算法模型，有更多的关于智能应用和平台优化、甚至团队和组织优化的诉求。

 

这种类型的诉求落实到项目上，可能是数据成熟度评估，数据中台成熟度评估，或者团队数据能力评估等等。现实中，评估只是优化的第一步，在评估的基础上，此种项目通常还会提供优化建议，甚至带着团队一起去落实评估的建议和策略，所以，这种类型的项目实质上是咨询加赋能，过程中会通过访谈，讨论，培训甚至和客户方团队协作一起来完成。

 

管理此种类型的项目，项目管理者需要关注三个重点。

 

重点一，了解组织或者所要赋能的团队的结构、角色设置、团队/部门间的分工协作机制，在项目启动之前就需要做足功课获取上述信息，因为这些信息能够帮助管理者做出适合评估工作开展的规划，比如如何开展访谈，访谈什么角色，什么时间，访谈什么内容等等。

 

重点二，项目开展过程中保持灵活性，基于现场访谈或者获得的信息及时调整计划，确保无论是信息获取、开展评估，还是方案制定和落地都能和组织的期望保持一致，并且给出的行动建议在组织内部有落地的可行性。

 

重点三，保持计划、行动和协作的透明，这种类型的项目需要客户方紧密的协作，项目管理者在项目开展的过程中尽可能通过各种分享、会议、培训和所有的参与者拉通计划和进度，确保所有人对行动和计划的认识一致，即便如此，开展工作的过程中还需要一遍遍确认和拉通目标，否则要么信息收集比较低效，要么收集到的信息参考性不高。

 

总结一下，数据能力评估与赋能的项目，由于需要和客户紧密协作，项目管理者需要做好充分的准备，认真设计和客户的体验和互动，过程中和客户频繁拉通目标和进度，以此来保证项目的成功。

 

最后

总的来说，数据和智能类的项目管理内容仍然是基于传统软件项目管理所定义的范围和领域，但近年来新概念和新技术的出现给数据和智能类项目的管理带来了新的挑战，所以项目管理者在管理的思路、方法、策略上也存在不同，而且随着新的管理工具、方法的引用，以及管理经验的不断沉淀和总结，这些项目管理的思路和方法也会不断被优化和演进。