ازآنجاکه حوزه علم داده (Data Science) یک حوزه کاربردی جدید محسوب می‌شود، اجرای پروژه‌های داده معمولاً با عدم قطعیت‌های زیادی همراه است. یکی از شرایطی که ممکن است تیم‌های داده با آن مواجه شوند، وجود ایده‌های مختلف در داخل شرکت برای پیاده‌سازی است.
برای مثال، تیم عملیات پیشنهاد می‌دهد یک مدل ریاضی برای پیش‌بینی تقاضای ماهیانه محصولات شرکت ساخته و پیاده‌سازی شود. یا تیم داده اخیراً متوجه ثبت داده‌های غیرعادی در پایگاه داده می‌شود، لذا پروژه‌ای جهت ارزیابی کیفیت داده پیشنهاد می‌گردد. و یا تیم بازاریابی پیشنهاد پیاده‌سازی یک سامانه را به‌منظور جمع‌آوری و تحلیل داده‌های قیمت‌های محصولات رقیب ارائه می‌کند. هرکدام از این پروژه‌ها منابع محدود تیم داده شرکت را می‌تواند به سمت‌وسوی متفاوتی ببرد.
در شرکت‌های داده‌محور، اغلب پیش می‌آید تیم داده در وضعیتی قرار می‌گیرد که حجم تقاضاهای زیادی را باید پاسخ دهد و مدیر دپارتمان داده باید تصمیم بگیرد چگونه منابع محدود گروه خود را به پروژه‌های مختلف تخصیص دهد. رویکردی که من معمولاً برای قضاوت درباره اولویت‌بندی پروژه‌های داده استفاده می‌کنم، نمره‌دهی بر مبنای مدل ICE است.
مدل ICE یک روش سریع و ساده برای اولویت‌بندی است که بر اساس سه معیار تأثیر (Impact)، اطمینان (Confidence) و سادگی (Ease) به هر پروژه یا ایده یک نمره بین ۱ (کمترین) تا ۱۰ (بیشترین) می‌دهد. این نمرات بر اساس قضاوت افراد تخصیص می‌یابد.
ICE = Impact × Confidence × Ease
تأثیر، نشان می‌دهد در صورت تحقق ایده یا پروژه شاخص‌های کلیدی چقدر بهتر می‌شوند. شاخص‌های کلیدی ممکن است از روش‌های مدیریت پروژه مانند OKRs به دست آمده باشند.
اطمینان، اندازه‌گیری می‌کند چقدر درباره تأثیر آن ایده یا پروژه مطمئن هستید.
سادگی، درباره میزان راحتی پیاده‌سازی ایده و یا پروژه است.
این روش کمک می‌کند مدیر ارشد تیم داده به‌تنهایی یا به همراه سایر ذینفعان در جلسات طوفان فکری (Brainstorming)، ایده‌ها را در سه معیار بالا به‌صورت کمی ارزیابی کنند. درنهایت برای هر ایده این سه عدد در یکدیگر ضرب می‌شوند و حاصل عددی بین ۱ تا ۱۰۰۰ است. به‌این‌ترتیب مدل ICE معیاری به دست می‌دهد که ایده‌ها را باهم مقایسه کنیم و آن‌هایی را که نمره بالاتری دارند در اولویت بیش‌تری برای تخصیص منابع و اجرا قرار دهیم.
من از این روش برای اولویت‌بندی پروژه‌های داده زیاد استفاده می‌کنم. باید توجه کرد مدل ICE درنهایت یک رویکرد قضاوتی است ولی کمک می‌کند شهود و دانش ضمنی خود را درباره ایده‌های محصولات داده‌محور یا پروژه‌های علم داده به شکل روشمندی ارزیابی کنید. همچنین به شما به‌عنوان مدیر تیم داده کمک می‌کند تا دائماً بر اساس این معیارها با تیم خود و یا سایر ذینفعان در شرکت، گفتگو کنید و از آنان بازخورد بگیرید.
درنهایت اینکه چون شما با استفاده از مدل ICE، چارچوب فکری منسجمی برای ارزیابی ایده‌ها پیدا می‌کنید و در سمت دیگر نتایج فعالیت‌های اجرایی‌تان را می‌بینید، به مرور زمان در شما یادگیری دوحلقه‌ای ایجاد می‌شود و فرد خبره‌تری در ارزیابی ایده‌ها بر اساس این معیارها می‌شوید.
پیشنهاد مطالعه:
ساختار شکست کار (WBS) و کاربرد آن در پروژه‌های داده چیست؟
ماتریس واگذاری مسئولیت (RACI) و اهمیت آن در پروژه‌های داده چیست؟
