Зачем организациям нужны интеллектуальные прогнозы
Ричард Кордерой
Согласно Оксфордской глобальной базе данных проектов (OGPD), которая содержит данные почти о 12 000 различных проектов, почти каждый сложный крупный проект обречен на более высокую стоимость и более позднее завершение, чем планировалось. Менее одного из десяти мегапроектов выполняются вовремя и в рамках бюджета, а полная реализация всех результатов проекта встречается редко. Причины такого количества отказов часто сами по себе сложны, но аналитики неоднократно подчеркивают важность прогнозирования.
Например, профессор Бент Фливбьерг, исполнительный председатель OGPD, говорит, что ошибки в прогнозировании могут возникать из-за человеческих предубеждений, обвиняя в этом предвзятость уникальности (предположение о том, что ничего подобного раньше не предпринималось, поэтому нельзя извлечь уроки из подобных мегапроектов). в других местах), события черного лебедя (редкие, но разрушительные бедствия — COVID-19, конечно, очень актуальный пример) и сбои связи (ранние предупреждающие знаки игнорируются или не устраняются).
Размер, неопределенность, сложность, срочность и институциональная структура мегапроектов по-разному определялись как факторы неудачи, но ученые из Университетского колледжа Лондона обнаружили, что ни один фактор не может объяснить низкую производительность. Их анализ (см. Журнал управления проектами) выявил шесть тем — поведение при принятии решений; стратегия, управление и закупки; риск и неопределенность; лидерство и способные команды; взаимодействие с заинтересованными сторонами и управление ими; а также интеграция и координация цепочки поставок — все это имело одинаковое значение при анализе того, почему мегапроекты обречены на провал. В обзоре литературы UCL особо подчеркивается, что прогнозирование важно в отношении поведения, связанного с принятием решений. К сожалению, склонность к оптимизму, искажение истины и растущая приверженность (ощущение, что однажды запущенный мегапроект слишком велик, чтобы потерпеть неудачу, и слишком дорого стоит, чтобы его остановить) распространены во многих сложных проектных организациях.
Больше за меньшие деньги с помощью интеллектуального прогнозирования
Поскольку мы с некоторым трепетом смотрим в «новый нормальный» мир после COVID, в котором крупнейшим экономикам придется восстанавливаться после глубокой рецессии, будущее некоторых мегапроектов будет поставлено под сомнение. Тем, кто продолжит работу, возможно, придется предоставлять «больше за меньшие деньги», что подчеркивает необходимость постоянного мониторинга и измерения производительности. Объединение исторических источников и источников информации в режиме реального времени будет иметь решающее значение для обеспечения видимости и контроля над результатами мегапроектов.
В крупномасштабной инфраструктурной программе могут участвовать тысячи людей из сотен организаций; команды могут вносить кратковременный вклад в очень специфические аспекты, что приводит к постоянной текучести людей, систем и информации. Однако одна вещь, которая остается неизменной на протяжении всего жизненного цикла мегапроекта, — это создание и накопление данных: сложные программы — это машины, производящие данные. Эти данные необходимо постоянно сопоставлять, связывать, интегрировать и анализировать.
По мере развития программ менеджеры должны иметь возможность использовать эти данные, понимать прошлые решения, проверять сделанные предположения, а затем работать с последними данными, чтобы обеспечить надежную основу для оценки будущих рисков. Интеллектуальное прогнозирование основывается на исторических данных и данных в реальном времени, определяя информацию и процессы, критически важные для успеха или неудачи программ.
Уроки Network Rail
Oakland Group уже продемонстрировала, как интеллектуальное прогнозирование может помочь инфраструктурным организациям. Компания Network Rail (NR) обратилась к нам, чтобы помочь им извлечь больше пользы из своих данных. Это было нелегкое предприятие. Было много данных, и нам пришлось преодолевать разрозненные отчеты, отдельных лиц, отделы и регионы с разными целями и непоследовательное использование данных (клиент Мюррей Лич, руководитель отдела систем и поддержки инфраструктурных проектов NR, рассказал о нашей работе в LDN больших данных — см. Век информации, ноябрь 2019 г.).
Мы также работали с NR, чтобы применить машинное обучение и методы прогнозирования к их данным. Подача данных была автоматизирована; определены ключевые каналы для использования в различных проектах (например: строительство новой станции, электрификация, новый тоннель, улучшение мостов и т. д.); и мы можем классифицировать их и различать участки с «зелеными» и «коричневыми» полями.
NR извлекла выгоду из полезной информации, улучшенного прогнозирования «в течение года», более целенаправленных мероприятий по обеспечению качества и улучшения соответствия процессов. Спустя три года после начала нашей проверки концепции качество данных было улучшено, а отчетность и прогнозирование больше не зависят от отключенных Excel и Powerpoint — менеджеры могут перейти к источникам данных своих программ.
Как крупный поставщик инфраструктуры в Великобритании, управляющий капитальными работами стоимостью почти 7 миллиардов фунтов стерлингов в год (2018–2019 финансовый год), NR отвечает за поддержание и расширение пропускной способности транспортной инфраструктуры, которая имеет решающее значение для экономики Великобритании. Полагаясь на государственное финансирование Великобритании для большей части своей деятельности, NR должен быть прозрачным в своей деятельности, отчитываясь перед регулирующим органом, Управлением железных дорог и автомобильных дорог. Создание надежной внутренней системы отчетности и интеллектуального прогнозирования помогло NR выполнять свои рабочие программы с большей уверенностью и надежностью.
