Die Umstellung auf Agile Data Analytics hat die Umsetzungsgeschwindigkeit in unseren Projekten mehr als verdoppelt. Bei weitem kein Einzelfall, aber nur, wenn man es richtig macht.
Data Analytics Projekte in der Automobilbranche sind weder klassische Softwareentwicklungs- noch Fahrzeugfunktionsentwicklungsprojekte. Flottenauswertung in Echtzeit für hunderttausende Fahrzeuge und die Entwicklung entsprechender Big Data Analytics Lösungen ist Neuland. Unternehmen müssen den richtige Modus Operandi erst noch finden. Die meisten Data Analytics Projekte beginnen klassisch mit den Schritten Planung – Definition von Anforderungen - Umsetzung und Absicherung, und oft liegt jede Phase in den Händen einer/eines anderen Verantwortlichen, oft sogar bei anderen Gewerken. Dieses Vorgehen ist aber fast immer zu langsam. Wer erst Jahre später datenbasierte Erkenntnisse für die Fahrzeugentwicklung oder neue digitale Geschäftsmodelle nutzen kann, kommt oft zu spät. Die Konkurrenz, auch die aus dem Valley, schläft nicht.
Um die maximale Geschwindigkeit aufzunehmen, muss man alte Denkweisen ablegen und auch Data Analytics Projekte agil gestalten. Dabei reicht es bei weitem nicht, einfach nur Jira einzuführen, Aufgaben in Form von Tickets zu formulieren und über Sprints zu sprechen . Denn auch mit modernsten Tools und sexy Begriffen kann die Arbeitsweise trotzdem alt und langsam bleiben.
In unseren Projekten haben diese vier Säulen zu wahrer Agilität verholfen:
Säule 1: Anforderungen abschaffen
Eine Data Analytics Lösung ist final fertiggestellt und getestet. Dann folgt der „moment of truth“ und es wird festgestellt, dass die initialen Anforderungen inzwischen nicht mehr gelten – kommt dir das bekannt vor? Ein erster Schritt hin zur Agilität ist es komplett auf schriftliche Anforderung zu verzichten. Dazu kommuniziert das Umsetzungsteam direkt und intensiv mit der auftraggebenden Fachabteilung. Die Datenanalysten verstehen den Schmerz der Auftraggeberinnen und Auftraggeber, sie sehen die Zusammenhänge mit den Daten und entwickeln nicht etwa die vorgeschriebene Lösung, sondern die beste Lösung. So umgeht man die sogenannte stille Post und eventuelle Informationsverluste. Das „Warum?“ zu verstehen ermöglicht es den Entwicklerinnen und Entwicklern bei jedem Schritt aktiv mitzudenken und das Ziel immer vor Augen zu haben.
Säule 2: Fokus auf Serienreife
Agile Data Analytics Projekte müssen anders als reguläre Projekte aufgeteilt sein, um die erste Säule zu erfüllen. Ein Scrum-Team kann nur wenige Use Cases abarbeiten - idealerweise immer nur einen ohne weitere parallel laufende Use Cases . Der große Vorteil – statt 20 zu 70% abgeschlossene Use Cases erhält man schnell eine komplett fertig gestellte Lösung. Ein erstes Auto hat sozusagen das Fließband verlassen und ist verkaufsbereit. Ab jetzt fließt nicht nur erstmals Geld, sondern auch die ersten Erfahrungen mit der Data Analytics Lösung werden an dieser Stelle gemacht. Und genau diese Erfahrungen bewirken, dass jeder nachfolgende Use Case erfolgreicher wird. Man hat das komplette Labyrinth schon einmal durchlaufen und beim nächsten Mal wird man besser und schneller. Natürlich besteht auch die Möglichkeit, dass mehrere Scrum-Teams parallel Use Cases adressieren, wenn man ausreichend erfahrene Data Scientists hat.
Säule 3: Fehlerkultur einführen
Innovation und Forschung haben einen großen Anteil in Data Analytics Projekten. Das hat zur Folge, dass Teams sich irren, in Sackgassen laufen und Umwege gehen müssen, um an ihr Ziel zu kommen – ermögliche es ihnen genau dies auch zu tun ! Sie verrichten hier schließlich Pionierarbeit. Funktioniert ein Ansatz nicht gleich beim ersten Anlauf, ist das nicht dramatisch, denn man hat Wertvolles gelernt. Alle im Team fühlen sich durch eine gelebte Fehlerkultur freier, nicht vom Druck gelähmt, wodurch ein Nährboden für Innovationen , kreative Lösungen und kontinuierliche Verbesserungen entsteht.
Säule 4: Fail fast
Um die Umwege kurz und das Verirren in Sackgassen risikoarm zu halten, sind häufige Iterationsschleifen nötig. Genau deswegen empfinden wir tägliche Stand-Ups und wöchentliche Fortschrittsmeetings mit den relevanten Stakeholdern als gut und an der richtigen Stelle investierte Zeit.
Was sind deine Herausforderungen?
Für unser aktuelles Projekt jedenfalls war die Umstellung ein absoluter Glücksgriff. Es zeigt sich tagtäglich, dass sich True Agile auch in komplexen Data Analytics Projekten lohnt, und dass ein externes Team für mehr Agilität und Geschwindigkeit sorgen kann. Wenn du vor ähnlichen Herausforderungen stehst, komm gerne auf mich zu – jederzeit.