- Внедрение анализа данных в управление проектами: преимущества и недостатки
Поскольку природа проекта неопределенна и сложна, роль аналитики становится тривиальной, чем когда-либо, в управлении и исполнении, особенно с расцветом больших данных. Аналитику можно разделить на три типа: описательная, предсказательная и предписывающая. Каждая категория приносит определенные преимущества для управления проектом на каждом его этапе (Ахмед и др., 2017). Описательная аналитика предоставляет информацию о производительности проекта, и на ее основе могут быть предприняты ответные/превентивные действия для мониторинга и контроля. С другой стороны, предиктивная аналитика обеспечивает предсказание результатов на основе исторических и текущих ситуаций. Эти идеи предвидят результаты различных альтернатив и объясняют лучшие возможности и угрозы в каждом подходе. Наконец, предписывающая аналитика с поддержкой имитационного моделирования, экспертизы и системы поддержки принятия решений может предложить оптимальный вариант, позволяющий принимать рациональные и объективные решения.
С другой стороны, необходимо упомянуть о недостатках использования аналитики в ситуации злоупотреблений, как случайных, так и целенаправленных. Также в некоторых определениях аналитики может быть опущен качественный аспект, что препятствует сквозному подходу к решению. Результат может быть нежелательным или даже негативным для организации (McDonald 2015) (Alexander 2017).
2. Различия между аналитикой и анализом и их использование в управлении проектами
Согласно Сингху (2016), анализ и аналитика могут различаться в различных аспектах, хотя оба они дают свои результаты в виде понимания вопроса на основе собранных данных. Во-первых, анализ определяется как процесс, а аналитика — это метод, который следует использовать на основе результатов анализа. Поэтому анализ и аналитика предназначены для разных целей. Анализ фокусируется на представлении исторической/текущей точки зрения, и примерами его деятельности являются разработка бизнес-кейсов, выявление требований, оценка рисков и т. д. С другой стороны, роль аналитики заключается в прогнозировании будущих результатов. Некоторым примером аналитической деятельности является распознавание закономерностей, разработка прогностических моделей и так далее. Поддерживаемые наборы инструментов различаются для каждого из них, чтобы выполнять свои задачи: инструменты аналитики больше предназначены для алгоритмического и сложного прогнозирования, а инструменты анализа больше предназначены для извлечения / запроса данных и представления.
По сравнению с разъяснением в 1, цель анализа пересекается с описательной аналитикой, и в результате комбинация имеет те же преимущества и недостатки, что и описанные выше.
3. Важность числового и статистического подхода в управлении проектами
Количественный подход является важной частью аналитики, и их роль в управлении проектами неоспорима. Из-за сопутствующих рисков не все проекты одинаковы, и на этапе планирования команда проекта должна прийти к одному из них с наилучшей оценкой результатов каждого действия. Однако при повторении процессов и действий в течение долгого времени в определенных условиях формируются некоторые паттерны. Благодаря способности обнаруживать закономерности и рассчитывать вероятности для каждой альтернативы наборы статистических инструментов становятся полезными при работе с неопределенной средой как характером проектов. Внедрение больших данных вместе с передовыми аналитическими методами, такими как искусственная сеть, обеспечивает более широкие возможности для сбора огромного количества параметров окружающей среды и, следовательно, более точного прогнозирования результатов (Костантино и др., 2015 г.).
4. Отличие дистрибутивов, используемых в управлении проектами
Сингх (2016) представил 5 распределений в качестве иллюстрации того, как различные статистические распределения используются в управлении проектами. Они включают нормальное распределение, распределение Пуассона, равномерное распределение, треугольное распределение и бета-распределение.
Нормальное распределение, то есть непрерывное распределение, является результатом процесса накопления. Значения сгруппированы вокруг среднего значения, и значения могут достигать бесконечности. Натуральное нормальное распределение определяется его средним значением и отклонением. Поскольку 99,99% значений находятся в пределах шести стандартных отклонений, это хорошо известно для набора инструментов улучшения процессов, шесть сигм. Руководители проектов также могут использовать этот инструмент для измерения выполнения графика (PERT, CPM…),
Распределение Пуассона, которое является дискретным распределением, является результатом процесса подсчета. Значения дискретны и начинаются с 0. Натуральное определяется средним значением. Распределение Пуассона заключается в вычислении вероятности наблюдения событий в течение определенного периода с учетом его скорости. В управлении проектами этот метод полезен для расчета, например, количества завершенных/просроченных задач, завершенных/просроченных вех, поступающих запросов на изменение и т. д. Однако, поскольку характер распределения определяется только одним параметром, который предполагается примерно постоянным с течением времени, результат следует использовать с осторожностью.
Равномерное распределение имеет все значения случайной величины, равномерно распределенные в пределах диапазона. Натуральное определяется нижним и верхним значениями. Это простой метод в управлении проектами для преобразования субъективной оценки в распределение, когда дается очень мало информации, и для управления рисками, когда риски имеют одинаковую вероятность возникновения.
Треугольное распределение — это непрерывное распределение, при котором вероятности всех значений случайной величины распределены неравномерно. Однако случайные значения могут принимать значения только в пределах диапазона. Натуральное определяется нижним, верхним и наиболее вероятным значениями. Точно так же бета-распределение является непрерывным распределением, где значения могут находиться только в диапазоне от 0 до 1. Природа определяется двумя параметрами формы, альфа и бета. Как и треугольное распределение, бета-распределение хорошо известно в управлении проектами благодаря его применению для расчета стоимости проекта и планирования (PERT, CPM…)
5. Внедрение больших данных в управление проектами, приложения и задачи
В статье «Большие данные: следующая большая вещь в управлении проектами» показаны различные аспекты внедрения больших данных в управление проектами (Ортон-Джонс, 2016 г.).
Утверждается, что область управления проектами поздно приняла тенденцию больших данных, отставая от других отраслей. Чтобы объяснить ситуацию, исследование Accenture в 2004 году выявило несколько проблем, включая безопасность, ресурсы, компетентность, техническую интеграцию, поставщиков и готовность. Кроме того, из тематического исследования Centrica видно, что неготовность инфраструктуры, архитектуры и иллюзия сложности приобретения аналитических навыков у руководителей проектов мешают внедрению.
Однако успешное преобразование и внедрение больших данных в тематическом исследовании показало возможность использования больших данных в управлении проектами. С нуля компания приобрела знания для своего преобразования из консалтинга. Видя фрагментацию данных, озеро данных развернуто, чтобы разрушить бункеры, и благодаря этому каждому предоставляется универсальный и простой доступ для экспериментов со своими идеями. Пользователям не нужно приобретать глубокие знания, но в целом они должны уметь использовать данные и извлекать из них пользу.
Некоторые приложения больших данных можно сразу увидеть, например, использование машинного обучения на исторических данных для построения моделей риска, определение флагов и тенденций, данные как часть результатов проекта для максимизации результатов проекта.
6. Аналитика становится одной из основных компетенций руководителя проекта
Учитывая все преимущества аналитики, аналитика станет одной из основных компетенций, которыми должен овладеть руководитель проекта. Извлекая пользу из данных, реализация проекта может быть более уверенной за счет устранения рисков и лучшего реагирования. Кроме того, менеджер проекта может сэкономить время и силы на повторяющихся задачах, которые теперь могут быть автоматизированы/сгенерированы приложением для работы с большими данными. Как человек, ответственный за проект, менеджер проекта должен лучше понимать ценности, которые аналитика привносит в проект, чем кто-либо другой, приобретая определенный уровень компетентности.
Однако, как упоминалось в статье, это может привести к обратным результатам, если слишком углубиться в область проблемы интеллектуальной предвзятости. Проект сам по себе сложен и распространяется на различные области, такие как инженерия, бизнес, финансы, человеческие ресурсы и т. д., поэтому соответствие только одной экспертизе дает узкий взгляд и имеет высокий риск упущенных возможностей. Поэтому, несмотря на то, что менеджеру проекта необходимо приобрести навыки аналитики, необходимо изучить уровень мастерства и направленность.
Ссылки
Ахмед Э., Якуб И., Хашем И., Хан И., Ахмед А., Имран М. и Василакос А. (2017). Роль аналитики больших данных в Интернете вещей. Компьютерные сети. https://doi.org/10.1016/j.comnet.2017.06.013
Макдональд, Д.Д. (2015, 21 октября). Понимание проблем управления проектами больших данных: Данные должны течь. http://www.ddmcd.com/managing-technology/understanding-the-challenges-of-big-data-project-management-1.html
Александр М. (20 марта 2017 г.) Как использовать аналитику данных для улучшения результатов проекта. https://www.cio.com/article/3182352/how-to-use-data-analytics-to-improve-project-outcomes.html
Сингх, Х. (2016). Аналитика управления проектами: основанный на данных подход к принятию рациональных и эффективных проектных решений. Олд Таппан, Нью-Джерси: Pearson FT Press. Получено с http://search.ebscohost.com.proxy.uwasa.fi/login.aspx?direct=true&db=nlebk&AN=1601553&site=ehost-live
Костантино Ф., Ди Гравио Г., Нонино Ф. (2015). Выбор проекта в управлении портфелем проектов: модель искусственной нейронной сети, основанная на критических факторах успеха. https://doi.org/10.1016/j.ijproman.2015.07.003
Ортон-Джонс, К. (2016, 22 мая). Большие данные: следующая большая вещь в управлении проектами. https://www.raconteur.net/business-innovation/big-data-the-next-big-thing-in-project-management
