数据科学项目管理困难
作为高级数据科学家，我的工作很大一部分是创建流程和环境，以便于项目规划和执行顺利进行。项目管理是一个非平凡的任务。我们尝试了不同的项目管理框架，但结果仍然不尽如人意。
直到我们深入了解数据科学团队和项目的独特需求，我们才意识到大多数“既定”的项目管理框架都应用于制造业、开发等领域，在这些领域我们可以假设任务具有合理的可见性。
然而，这种假设通常不适用于数据科学项目，这使得框架不适合我们面临的问题。
那么数据科学项目管理有哪些独特特征呢？
我认为高 CUA 因素（即 Complexity，复杂性；Uncertainty，不确定性；Ambiguity，模糊性）是关键特征。
主要后果是项目规划不太顺利，因为我们没有好的目标设定和时间估算的参考，在某些情况下，我们甚至不知道解决方案是否真的存在（给定约束条件）。
因此，数据科学项目（尤其是研究项目）依赖于提问、调查、反馈和迭代。这并不自然地符合“计划-执行”范式。相反，项目控制的关键在于“决策”。从规划到决策的转变使团队能够对其发现做出反应，这对于研究项目至关重要。
应用数据科学项目管理框架
在众多提高决策能力的方案中，我们最喜欢的就是Heath和Heath（2013年）提出的WRAP模型。WRAP代表的是：拓宽你的选项、检验你的假设、在决策前保持距离，以及准备好接受错误。
实际上，我们已经创建了一个清单，以WRAP作为指导原则，然后在每个检查点，我们将运行清单以做出决策，例如继续原始想法、更改假设/范围/方法论等，或者如果发现继续不是最佳决策，则将其搁置或停止项目。
在建立了稳健的决策流程后，即使没有严格的项目规划作为控制，各种利益相关者也相信团队正在执行最佳任务，通常比有计划但无法达成的项目规划更满意。