Quiz sobre Cultura Ágil no RH

Analise os dados apresentados: 206 pessoas de 19 países participaram da pesquisa sobre RH Ágil. O que isso sugere sobre a abrangência e relevância do estudo?

• O estudo tem abrangência internacional e reflete diferentes realidades do setor de RH.

• O estudo é restrito apenas ao Brasil e não tem relevância global.

• O estudo foi realizado apenas com empresas de tecnologia.

• O estudo não considerou opiniões de profissionais de RH.

De acordo com Isabel Sanz, qual é uma das principais dificuldades enfrentadas pela liderança ao tentar adotar métodos ágeis em projetos?

• A liderança sente dificuldade em aceitar a fluidez do escopo e a possibilidade de mudanças durante o projeto.

• A liderança não consegue definir prazos para os projetos.

• A liderança prefere não planejar etapas detalhadas.

• A liderança não se preocupa com a tranquilidade da equipe.

Como as equipes de Data Science podem gerar valor para uma empresa, de acordo com o texto?

• Apenas refinando produtos ou serviços.

• Gerando valor em diversas áreas, como insights, oportunidades de negócio, otimização de portfólios e aumento de produtividade.

• Focando exclusivamente na redução de custos operacionais.

• Limitando-se à análise de dados históricos.

Por que a validação de hipóteses e testes de modelos de machine learning são feitos em produção em projetos de Data Science?

• Porque é mais barato do que testar em ambientes separados.

• Porque é necessário avaliar a performance com dados reais e atuais.

• Porque não existem dados históricos disponíveis.

• Porque o time não tem conhecimento técnico suficiente.

Explique por que as entregas em projetos de Data Science podem exigir mudanças de direção durante o desenvolvimento.

• Porque as entregas são sempre bem definidas desde o início.

• Porque as estratégias e formas de trabalho escolhidas podem não gerar os resultados necessários, exigindo ajustes.

• Porque não há necessidade de medir performance.

• Porque o time nunca comete erros.

Qual é o principal objetivo do framework CRISP-DM em projetos de dados?

• Garantir apenas a coleta de dados

• Proporcionar um processo estruturado para projetos de ciência de dados

• Focar exclusivamente em modelagem estatística

• Substituir metodologias ágeis por completo

Analise as etapas do CRISP-DM e identifique qual delas está mais relacionada à transformação dos dados brutos em um formato adequado para análise.

• Compreensão do negócio

• Preparação dos dados

• Avaliação

• Desenvolvimento/Implantação

Analise o impacto do modelo Waterfall na entrega de valor em projetos que utilizam o CRISP-DM. Qual é uma consequência direta desse modelo?

• A entrega de valor ocorre de forma contínua e incremental

• O projeto permite adaptações rápidas a mudanças de requisitos

• A entrega de valor é mais demorada devido à necessidade de completar cada etapa antes de avançar

• O modelo incentiva entregas parciais frequentes

Analise por que o fluxo contínuo de trabalho pode ser mais adequado do que sprints padronizados para equipes de Data Science, segundo o texto.

• Porque as tarefas em Data Science têm alta imprevisibilidade e estimativas de tempo complexas

• Porque o fluxo contínuo é mais fácil de gerenciar do que sprints

• Porque os sprints não são permitidos em Data Science

• Porque o fluxo contínuo elimina a necessidade de reuniões

Quais são alguns dos pontos positivos do método Kanban mencionados no texto?

• Simples; Gestão visual; Gera pouca resistência e embates; Muito adaptável ao fluxo de trabalho.

• Permite ao time definir regras rígidas; Não possui gestão visual; Pouco adaptável ao fluxo de trabalho; Gera muita resistência.

• Simples; Não adaptável ao fluxo de trabalho; Gera resistência; Não facilita a coordenação.

• Gestão visual; Não permite definir políticas; Limita a adaptação; Não facilita a coordenação.