Anais
Resumo do trabalho
Tecnologia da Informação · Ciências de dados e Inteligência analítica
Título
Desafios para o sucesso na gestão de projetos na área de Ciência de Dados
Palavras-chave
Métodos Ágeis
CRISP-DM
DataOps
Autores
-
Jaqueline Lopes DiasUNIVERSIDADE DE SÃO PAULO (USP)
-
Raquel Silveira Ramos AlmeidaUNIVERSIDADE DE SÃO PAULO (USP)
Resumo
Introdução
A ciência de dados expandiu-se em diversos setores, mas enfrenta desafios técnicos e organizacionais que comprometem o sucesso dos projetos. Estudos apontam que falhas de escopo, comunicação e ausência de metodologias adequadas dificultam sua adoção prática (Martinez; Viles; Olaizola, 2021a; Lahiri; Saltz, 2023). Este trabalho investiga os principais desafios enfrentados em projetos de ciência de dados e analisa como metodologias de gestão podem ser aplicadas para superá-los, contribuindo para sua efetividade e maturidade.
Problema de Pesquisa e Objetivo
A elevada taxa de insucesso em projetos de ciência de dados está ligada à falta de metodologias robustas de gestão, capazes de lidar com desafios técnicos e organizacionais. Este trabalho tem como objetivo investigar tais desafios e analisar como metodologias de gestão de projetos podem ser aplicadas ou adaptadas para superá-los, aumentando a taxa de sucesso por meio de uma revisão teórica e de uma pesquisa exploratória com profissionais da área.
Fundamentação Teórica
A revisão bibliográfica analisou desafios e metodologias na gestão de projetos de ciência de dados, destacando três áreas essenciais: gestão de equipes, do projeto e de dados e informações (Martinez; Viles; Olaizola, 2021a). Foram identificados obstáculos como falta de coordenação, escopo mal definido e baixa qualidade dos dados. Metodologias como Scrum, Kanban, CRISP-DM, DataOps e Agile Data Science foram estudadas como alternativas para mitigar esses desafios e melhorar os resultados dos projetos.
Metodologia
Com base na fundamentação teórica, foi elaborado um questionário para investigar gestão de equipes, projeto e dados em ciência de dados, além das metodologias utilizadas. Aplicado a 22 profissionais via Google Forms, o questionário teve quatro blocos: perfil, desafios, metodologias gerais e específicas. A análise foi feita em Python, com frequências, correlações e análise qualitativa das respostas abertas, servindo de base para os resultados discutidos na próxima seção.
Análise dos Resultados
A pesquisa exploratória com 22 profissionais revelou desafios comuns na gestão de projetos de ciência de dados, como dependência de poucos especialistas, baixa qualidade dos dados e falta de processos claros. Metodologias ágeis, como Scrum e Kanban, foram amplamente utilizadas, mas ainda requerem adaptações. Metodologias específicas como CRISP-DM e DataOps também mostraram contribuição positiva. A análise dos comentários reforçou a importância da flexibilidade, governança e comunicação para o sucesso dos projetos.
Conclusão
O estudo evidenciou desafios recorrentes na gestão de projetos de ciência de dados e a necessidade de adaptar metodologias ágeis ao contexto específico da área. Destaca-se a importância da governança, da gestão do conhecimento e da comunicação estruturada. Recomenda-se um modelo híbrido de gestão, aliado à capacitação contínua das equipes e ao uso de repositórios, como estratégias para elevar a eficiência e a taxa de sucesso dos projetos.
Contribuição / Impacto
Este trabalho contribui para o avanço da gestão de projetos em ciência de dados ao propor um modelo híbrido ajustado à realidade das equipes e desafios enfrentados. A análise teórica e prática evidencia lacunas nas abordagens atuais e recomenda boas práticas que fortalecem a comunicação, a governança e a gestão do conhecimento, impactando positivamente a eficácia e o sucesso de projetos em diversos setores.
Referências Bibliográficas
Martinez, Viles e Olaizola (2021a), citados em diversos trechos como base central dos desafios organizacionais, de equipe e de dados;
Lahiri e Saltz (2023), frequentemente utilizados para reforçar achados empíricos e validar metodologias ágeis;
Saltz et al. (2018) e Saltz (2015), usados para sustentar argumentações sobre estruturas organizacionais, comunicação e frameworks em ciência de dados.
Lahiri e Saltz (2023), frequentemente utilizados para reforçar achados empíricos e validar metodologias ágeis;
Saltz et al. (2018) e Saltz (2015), usados para sustentar argumentações sobre estruturas organizacionais, comunicação e frameworks em ciência de dados.