На нашей вечеринке по случаю запуска Mastt 14 ноября 2019 года я представил нашей аудитории путь Matt в трансформационном контексте того, что мы делаем Сейчас, Скоро. и в будущем.

В этом посте я не буду касаться автоматизации или нашей роли в построении экосистемы будущего. Мы сохраним это для серии блогов. Сегодня настоящее для Matt во многом связано с данными, поскольку мы начинаем раскрывать ценность данных, которые ранее оставались бездействующими в электронных таблицах и документах Excel.

Прочитайте нашу первую статью "Электронные таблицы подвергают риску управление вашим проектом и портфелем"

Разблокировка этих данных обеспечивает новые, ранее невозможные уровни проектной информации, что позволяет во многих отношениях преобразовывать капитальные проекты. Возможность анализировать структурированные и неструктурированные данные внутри и между проектами для выявления тенденций, прогнозирования результатов и улучшения процесса принятия решений в портфеле приводит к полному переосмыслению бизнес-моделей капитальных проектов и портфелей, которые мы рассмотрим в этой статье.

До сих пор эти данные были недоступны и их невозможно было осмыслить. Работа в системной среде без документов и электронных таблиц дает организациям преимущества, заключающиеся в возможности использовать эти данные для управления в режиме реального времени;

  • Визуализация — креативная, динамическая и интерактивная информация.
  • Аналитика — осмысление результатов проекта с помощью ответов, основанных на данных.
  • Обнаружение аномалий — при наличии достаточного количества данных временных рядов можно предвидеть проблемы до их возникновения с помощью приложений машинного обучения.

Однако за всеми этими модными словечками стоит ключевой фактор, позволяющий использовать огромные объемы доступных данных и фактически извлекать полезную информацию, что позволяет снизить затраты, повысить эффективность и выявить риски и проблемы до того, как они возникнут.

Мышление: относитесь к данным проекта как к активу

Поддержание данных как актива требует, чтобы организации не только отказались от печатных копий, документов и электронных таблиц как можно скорее и перешли на цифровую систему управления проектами и портфелями, но также в первую очередь рассмотрели возможностьсбора данных. система.

….«ключевым фактором во всем этом является возможность использовать огромные объемы доступных данных и фактически извлекать полезную информацию»….

Принимая во внимание наш ключевой фактор, указанный выше, недальновидные организации рассмотрят возможность внедрения SharePoint или старой системы программного обеспечения для управления своим портфелем, однако важно понимать, где эти варианты не соответствуют требованиям и не обладают необходимыми возможностями сбора данных. Просто не существует простого способа оставаться в курсе этих наборов данных без новой технологии управления проектом и передовой системы сбора данных. Независимо от того, насколько опытна ваша внутренняя команда, они не смогут хранить, анализировать и интерпретировать тысячи статистических данных в секунду.

Мощное решение для машинного обучения 🤖 может (которое мы рассмотрим позже), поэтому важно выбрать систему, которая может централизовать информацию о проекте по всей организации в одном доступном месте (я не имею в виду ваш локальный диск или учетную запись O365 😳).

Понимание данных с помощью динамических интерактивных визуализаций данных

С вашей системой сбора данных, настроенной с помощью технологии управления проектом, такой как Matt, построенной на новейших продуктах и ​​​​услугах Microsoft Azure, у менеджеров есть инфраструктура для быстрой сортировки миллионов точек данных для поиска ответов. Несмотря на то, что Power BI и другие системы построения диаграмм великолепны, последние разработки в области визуализации данных с использованием диаграмм d3 предоставляют организациям невероятно расширенное представление информации, предоставляя им значительно больше возможностей для обработки своих данных — возможность, которая у них никогда не было раньше.

Посмотрите на этот замечательный пример диаграммы d3 с разделением финансовых показателей

С помощью этой новой расширенной возможности компании могут сравнивать влияние сотен факторов производительности на результаты проекта или бизнеса. Они также могут определить препятствия, которые увеличивают затраты и увеличивают сроки. В некоторых областях расширенная аналитика может дать экономию до 25 процентов. Подразделение капитальных проектов крупного государственного ведомства в Австралии использовало расширенную аналитику для выявления движущих сил эффективности капитала, изучения данных и оценки других возможностей вернуть правительству миллионы долларов для реинвестирования в новые сферы.

От визуализации к интеллекту с помощью машин

Учитывая количество данных, которыми управляют портфели капитальных работ, требуется новый метод прогнозирования, а не реагирования на изменения в данных. Попытка сделать это только с помощью ручного анализа привела бы к вялым решениям, основанным на немедленно устаревшей информации, и, хотя визуализация данных — это круто, она по-прежнему требует структурированных данных и организаций, знающих, что искать.

«... требуется новый метод предсказания, а не реагирования на изменения данных»

Чтобы преодолеть это, Matt разработала первый глобальный проект Anomaly Detector, который позволяет организациям автоматизировать выявление рисков и проблем и предвидеть проблемы до того, как они возникнут. Да, вы не ослышались, до того, как они произойдут. Это служба искусственного интеллекта, которая собирает временные ряды данных всех проектов вашей организации и с помощью машинного обучения выбирает наиболее подходящую модель обнаружения для ваших данных, чтобы обеспечить максимальную точность. Если вам интересно, как это работает 🤓 с технической точки зрения, ознакомьтесь с этой статьей.

Проще говоря, механизм машинного обучения получает данные о проектах и ​​пользователях, исчисляемые миллионами, и идентифицирует шаблоны и контрольные показатели для того, что механизм определил как успешный проект.

Насколько строго или расслабленно мы настроим механизм машинного обучения, зависит от организации, однако мы будем называть шаблоны в целом «наилучшей практикой».

«Это служба искусственного интеллекта, которая получает данные временных рядов всех проектов вашей организации».

Когда ваши данные используются в системе сбора данных, мы можем в режиме реального времени отслеживать и сравнивать текущий проект с лучшими практиками. Если тенденция текущего проекта выходит за границы, мы определили опережающий индикатор проблемы в проекте или у пользователя. Как правило, аномальные данные могут быть связаны с каким-либо событием, которое затем мы можем довести до сведения проекта или пользователя в качестве опережающего индикатора проблем или рисков. Благодаря Обнаружению аномалий в тот момент, когда тенденция или новая закономерность в вашем проекте не распознаются системой, вы узнаете об этом.

Существует бесконечное количество шаблонов данных, которые могут быть идентифицированы в проекте, однако в качестве примера, используя некоторые фиктивные демонстрационные данные, посмотрите видео нашего детектора аномалий Matt в действии здесь.

Быстро развивающаяся технология

Anomaly Detection — это мощная служба искусственного интеллекта, которая поможет портфелям капитальных работ быстро анализировать весь объем организационной информации в режиме реального времени. Однако на данном этапе еще предстоит пройти долгий путь для обнаружения аномалий и применения Matt в этом пространстве. Однако платформы машинного обучения еще не достигли своего предела, и наряду с Matt обе технологии быстро развиваются. Потенциал долгосрочного обучения этих систем ставит их в постоянное состояние эволюции, и чем больше опыта мы приобретаем в этом пространстве, тем более мощными они становятся.

Более того, эти типы систем на основе ИИ, которые появляются в других отраслях, таких как банковское дело, начинают предоставлять более простые интерфейсы, которые позволяют людям, не занимающимся данными, работать с аномалиями, точно настраивать, чтобы свести к минимуму ложные срабатывания и ложные отрицательные значения, и иным образом управлять своим бизнесом с помощью улучшенная точность. В следующей статье мы рассмотрим, чему портфели капитальных вложений могут научиться у других отраслей. Однако на данный момент можно с уверенностью сказать, что в будущем ни один портфель не будет работать без обнаружения аномалий. Будь то Matt или другие, это неизбежно.

Зачем это нужно нашей отрасли?

Растущая популярность платформ данных и ИИ сводится к эффективности. Невозможно управлять данными, которые вы не можете интерпретировать или понять по запросу, используя стандартные методы визуализации данных.

В частности, портфели капитальных работ должны быть в состоянии реагировать на быстрые изменения в данных по первому требованию, чтобы как можно скорее остановить резкое увеличение затрат или временные задержки. Немедленное реагирование особенно важно для портфельных менеджеров, которым не хватает времени, которые отвечают за сложные портфели работ и получают обновления статуса своих проектов через 30–60 дней после того, как произошло событие.

Платформы обнаружения аномалий могут углубляться в мельчайшие детали данных, чтобы точно определить более мелкие аномалии, которые не будут замечены пользователем-человеком, отслеживающим набор данных на панели инструментов. В результате, единственный способ получить оперативность в режиме реального времени и стать настоящим портфелем капитальных работ, основанным на данных, — это использовать платформу машинного обучения.

Если вы хотите больше поговорить с нами на эту тему или хотите настроить систему сбора данных для своей организации, свяжитесь со мной по адресу [email protected]