Supporto alle decisioni in ambito PPM - PMI-NIC...•Introduzione ai contenuti del webinar...

1 La Trasformazione Digitale del Project Manager

La Trasformazione Digitale del Project Manager

www.pmi-nic.org

https://www.linkedin.com/groups/8584295PVA Branch Group on linkedin

Supporto alle decisioni in ambito PPM

(dagli analytics all’intelligenza artificiale)

Marco Caressa

http://www.pmi-nic.org/

https://www.linkedin.com/groups/8584295


Agenda

• Saluti dal Branch PVA del PMI-NIC

• Introduzione ai contenuti del webinar

• Supporto alle decisioni in ambito PPM –La trasformazione digitale del Project Manager

• Q&A

Giuseppe Trivigno Toni Ciccardi

PMI NIC- PVA


Prima di cominciare

1 PDU TPM per le certificazioni PMP/ PgMP, PMI- ACP, PfMP, PMI-PBA 0,5 PDU TPM per le certificazioni PMI- SP, PMI- RMP

Il materiale sarà reso disponibile nel sito PMI-NIC nella pagine dell’eventohttp://www.pmi-nic.org/eventi/prossimi-eventi/dettaglio-evento/?id=205

per le domande…dal vivo alcune risposte, le altre in post nei canali LinkedInhttps://www.linkedin.com/groups/8584295 PMI-NIC, Branch PVAhttps://www.linkedin.com/groups/64391 PMI-NIC

http://www.pmi-nic.org/eventi/prossimi-eventi/dettaglio-evento/?id=199




Digital Transformation

DigitalSet di strumenti indispensabili e che hanno modificato la nostra vita lavorativa e personaleTransformationL’utilizzo di questi strumenti a livello aziendale, culturale e statale per migliorare i servizi, l’offerta e le possibilità a clienti e dipendenti

Digital Transformation ≠ Technology Transformation

1) Nuovo prodotto e nuova esperienza2) Modalità di operare all’interno dell’organizzazione3) Responsabilizzare


Trasformazione digitale del PM

16 Luglio Il «piccolo mondo» degli Stakeholder

2 Ottobre Supporto alle decisioni in ambito PPM: dagli analyticsall'intelligenza artificiale

13 Giugno Modern Project Management

NovembreFondazione dell’Ordine degli Ingegneri della Provincia di Torinoin partnership con il PMI NIC


Trasformazione digitale del PM

13 Giugno – Modern Project Management

16 Luglio – Il «piccolo mondo» degli Stakeholder

2 Ottobre – Supporto alle decisioni in ambito PPM: dagli analyticsall'intelligenza artificiale


Agenda

• Saluti dal Branch PVA del PMI-NIC

• Introduzione ai contenuti del webinar

• Supporto alle decisioni in ambito PPM (dagli analytics all’intelligenza artificiale) –La trasformazione digitale del Project Manager

• Q&A

Marco CaressaEngineering


Speaker Profile

Marco Caressa, PMI-ACP®, PMP®, PRINCE2® Practitioner, ITIL®, SMC™[email protected]@mcaressahttps://www.linkedin.com/in/marcocaressa/

Papà e MaritoIngegnere NucleareProfessionista IT in Perenne «Beta»Divulgatore di Project Management & AgileFanatico di CodiceAmante di Scienza e TecnologiaMalato di Sport

mailto:[email protected]


Perché questo Webinar

Perché nel percorso sulla trasformazione digitale del Project Manager, iniziato a giugno con un «discorso sul metodo» (#ModernPM) e proseguito a luglio con le potenzialità della «network analysis» (#SmallWorldNetworks)…

…chiudiamo il cerchio con la vera essenza della Digital Transformation…

I dati !!!

La trasformazione digitale è data-driven. Servizi e piattaforme (app, web, social, IoT, wearable…) generano dati (Big Data) da cui ricavare informazioni (analytics) in base alle quali si decide il corso delle azioni, che si tratti di decisori umani o artificiali (Machine Learning, AI)

Baldassarre Tommaso Peruzzi – Atlante


Obiettivo

Dati di Project & Portfolio

Management

ActionableInsights & PPM

Decision MakingRaccolta

Elaborazione, analisi

e modellazi

one

Integrazione e

gestione

Esplorare in modo sintetico (ma rigoroso) come dai dati prodotti dai progetti possano dedursi azioni (e automatismi) di gestione


Con quali strumenti

Analytics di progetto

Modelli statistici

Modelli algebrici

Per il progettoPer il portfolioPer l’organizzazione

Fonte: https://www.winpure.com/blog/what-is-the-difference-between-data-and-information/


Con uno sguardo al futuro…

Ragionando su come servizi cognitivi e intelligenza artificiale potranno cambiare il PPM


Supporto alle decisioni in ambito PPM

Decisioni «informate sui fatti»

Dal Project Management «data informed» a quello «data driven»

Analytics di progetto: Step 1 – Raccolta dei dati, Step 2 – Elaborazione e

analisi dei dati, Step 3 – Decision Making

Modelli statistici di «project analytics»: Montecarlo simulation made simple

Modelli algebrici di «decision making»: applicazione di AHP (Analytic

Hyerarchic Process) alla scelta di un PM (caso d’uso)

PPM & Big Data

PPM & AI

Lesson learned

Domande?


Come prendiamo decisioni?

Ci basiamo sui dati? Di solito no. La prova?

Qualcuno di voi ha paura di prendere l’aereo? E l’automobile?

https://www.telegraph.co.uk/travel/advice/pilots-simple-ways-cope-turbulence-fear-of-flying/ http://overcomefearofdriving.org/83/fear-of-driving-due-to-past-accidents/


Ruolo delle emozioni nel processo decisionale

https://www.feingoldtech.net/en/tech-and-science/diagram-decision-making-process-emotions-vs-rationalization/

Nelle decisioni da prendere sotto pressione c’è una motivazione fisiologica.

Il sistema limbico (amigdala) reagisce più rapidamente della neocorteccia.


Anche nel business…

Un’azienda può decidere di non investire in un progetto per realizzare un nuovo prodotto pur avendone le capacità tecniche e commerciali e nonostante analisi e report mostrino una richiesta da parte del mercato.

Perché mai? Anche le aziende decidono “di pancia” o in base a consuetudini o attitudini culturali ed emotive.

Es. aziende che operano “su commessa” sono riluttanti ad impegnare costi e risorse se non a fronte di un ordine specifico del cliente. Rischiano così di perdere opportunità che l’analisi dei dati a disposizione suggerirebbe invece di cogliere.


Decisioni informate sui fatti

«In God we trust, all others must bring data»(W. Edwards Deming)

Processi di Executing

Processi di Monitoring & Controlling

Monitor & Control Project Work (Integration)

Work Performance Data

Work Performance Information

Work Performance Reports

Perform IntegratedChange Control

(IntegrationProcessi di Progetto

ApprovedChange Request

Comunicazioni di Progetto

Team di Progetto

Stakeholders

Project Management Plan e Project Document Updates

Elaborazione dati fattuali

Centro di decisione

PMBOK 6° Edition


Project Management: uso dei dati a supporto delle decisioni

Processo composto da 3 step

Raccolta di dati grezzi («raw data»

Attraverso metriche di interesse

Step #1

Elaborazione e analisi dei dati

Per ottenere informazioni

Step #2

Utilizzo delle informazioni

Per prendere le decisioni

Step #3

Si scelgono le metriche la cui misurazione sia in grado di rappresentare se e come si stiano raggiungendo gli obiettivi di progetto

Filtrare, aggregare, sintetizzare, presentare e condividere con gli attori del processo decisionale

Sin qui nulla di nuovo. E’ quello che si è sempre fatto misurando tempi, costi e avanzamenti per confrontarli con quelli attesi


Dal Project Management «data informed» a quello «data driven»

La differenza sta nell’esecuzione dello Step 3



Step #3

Mi fermo e convoco una riunione per decidere l’azione da intraprendere

Si avviano automaticamente specifiche azioni di gestione in funzione di «regole» definite a priori

Data Informed

Data Driven


Chiariamo meglio il concetto di «data driven»

Vantaggio #1: rapida reazione al cambiamento, dovuta all’applicazione di una decisione già presa

a priori

Vantaggio #2: maggiore efficacia dell’azione del PM che, svincolato da dettagli operativi, può

concentrarsi meglio sulla visione d’insieme del progetto

Progetto Data Driven Strategia di azione in funzione dei dati disponibili, espressa da «regole» che implementano decisioni già prese

Esempio: Progetto software. «Se e quando» autorizzare il rilascio di funzionalità in ambiente di collaudo in funzione del numero e della tipologia di bug riscontrati

Gestione «data-informed»: misuro i bug e decido se rilasciare le funzionalità al collaudo

Gestione «data-driven»: rilascio automatico di funzionalità al collaudo quando il numero di bug scende al di sotto di una certa soglia (magari diversa per tipologia di errore)


Step 1 «raccolta dei dati» (1/4) – Metriche



Step #1

Criteri di scelta

Esempi

Legame solido con gli obiettivi di progetto

Precedenza a metriche consolidate e «da letteratura»

(don’t reinvent the wheel…)

Earned Value Method

Earned Schedule Method

Metriche di predicibilità (misure di scostamenti)

Numero difetti e andamento nel tempo

Densità di difetti (rapporto tra N. di difetti e

dimensioni del progetto, utile per confronti tra

progetti diversi)

Metriche di qualità (misure di difetti o non conformità)

Età del problema aperto

Tasso di risoluzione (problemi/ticket chiusi in un

periodo di riferimento)

Metriche di responsività (misure di velocità di risposta)

Metriche di efficienza (misure di utilizzo risorse)

Tasso di utilizzazione delle risorse (rapporto tra

effort pianificato e speso sul progetto)

Funzioni rilasciate (es. function

point)

N. difetti trovati/risolti

N. Use case sviluppati/testati

N. linee di codice prodotto

Metriche di produttività (output vs. unità di impegno)

Es. sviluppo software


Step 1 «raccolta dei dati» (2/4) – Il processo di misura



Step #1

Quali strumenti di rilevazione e memorizzazione dei dati utilizzare (es.

timesheet per la rendicontazione delle giornate di lavoro, sistemi di

trouble ticketing per tracciare le difettosità, etc.)

Definizione di un processo di misura…

Con quale frequenza si misurano i dati (es. settimanale per la

rendicontazione delle giornate di lavoro, giornaliera per tracciare le

difettosità, etc.)

Chi ha la responsabilità di ciascuna rilevazione e della presentazione

dei risultati


Step 1 «raccolta dei dati» (3/4) – Metriche agili

La visione agile è product-centered (realizzare ed evolvere un living product in costante evoluzione)

Si allarga lo spettro di misure, con metriche derivabili da diversi componenti e sistemi.

Gestione di task e bug

Gestione del codice e

collaborazione

Generazione build e test run, spostamento codice tra diversi

ambienti

Project tracking systems

Source control systems

Continuous integration e deploymenttools

Strumento

Funzione

Esempi

Metriche

Jira, Trello Github, SVN Jenkins, Ansible

Scenario per progetti di sviluppo software

Total done, Velocity, Bug, Tag, Recidività

Chi sta lavorando su cosa, Accuratezza stime, Produttività Team

Velocità rilasci (cycle time), Consistenza dei rilasci, Qualità del codice


Step 1 «raccolta dei dati» (4/4) – Frequenza misurazione agile

Nello scenario agile le misure sono più frequenti. Il ciclo di raccolta e analisi dei dati viene effettuato a

diversi livelli di loop innestati (nested loops).


Step 2 «elaborazione e analisi dei dati» (1/2)

Elaborazione e analisi dei dati

Per ottenere informazioni

Step #2Filtrare

AggregareElaborare Presentare

Per comprendere la situazione

corrente di progetto (analysis)Per individuare tendenze, pattern

e sviluppare modelli predittivi di

eventi o comportamenti (data

analytics)


Step3 «uso delle informazioni e decision making» (1/2)



Step #3

Realizzare il data-driven attraverso «automatismi gestionali» è un problema complesso

da affrontare con gradualità

Le azioni di Project Management che, in base ai dati, si possono modellare in anticipo

con più facilità sono quelle di comunicazione

Per veicolare in modo rapido e puntuale le informazioni ad un livello di decisione

strategico, necessariamente «umano» e (per ora…) non eliminabile


Step3 «uso delle informazioni e decision making» (2/2)

Project Health Status Dashboard

Metriche di predicibilità

Drill-down sulla WBS sino ai

Workpackage

Esempio di decisione anticipata data-drivenimplementabile: Comunicazione push di messaggi e allarmi multicanale alle figure di responsabilità del progetto o agli owner di singole aree/attività quando i valori di specifiche metriche superino soglie determinate (verso l’alto o verso il basso)


Project Management Analytics

Modelli statistici di elaborazione dei dati di progetto

Modelli algebrici di elaborazione dei dati di progetto


Modelli statistici di «project analytics»

PRESUPPOSTO: nel lungo periodo c’è una certa probabilità di «ricorrenza» di analoghe misure

quantitative all’interno dei processi di Project Management

Gli analytics di tipo statistico:

Consentono di affrontare il tema dell’incertezza

Comprendono strumenti e tecniche per interpretare specifici pattern nei processi di Project

Management o fare previsioni su andamenti futuri

Si basano su «funzioni di distribuzione di probabilità» per le quali il Project Management offre

diversi scenari di utilizzo


Distribuzioni di probabilità

Gaussiana (normale): copre molti processi di PM perché coinvolge i cosiddetti «eventi normali», come i criteri di

punteggio per la selezione di progetti in un portfolio, le opinioni degli stakeholder, la durata di task, la probabilità

associata ad un rischio etc.

Poisson: risultato di processi di conteggio di eventi discreti e indipendenti, come il numero di risorse umane acquisito

in un progetto in un determinato periodo di tempo, il numero di milestone completate in 1 mese, il numero di change

request completate in una settimana, etc.

Triangolare: basata su 3 valori sottostanti (three-point-estimation: massimo,minimo e valore di picco), usata nella

stima di costi e durate di attività considerando i valori più probabile, ottimistico e pessimistico.

Beta: come la triangolare, consente di modellare eventi che occorrono in un intervallo limitato da 2 valori minimo e

massimo, usata nel metodo PERT attraverso una three-point-estimation [ µ = ( α + 4m + β) / 6 ; σ = (β – α) / 6 ]


Montecarlo simulation made simple (1/4): scenario

Progetto con 3 sole attività per le quali produco una three-point estimation (best case, worst case, most likely)

Scenario semplicissimo: sequenza con dipendenze Finish-to-Start senza «lead» o «lag»

Scenario poco realistico. E’ poco probabile che tutte e tre le attività vengano completate

contemporaneamente secondo il best case, il worstcase o lo scenario most likely. Più probabilmente, un’attività verrà completata prima del previsto e un’altra accumulerà un po’ di ritardo e così via.


Montecarlo simulation made simple (2/4): risultati

Analisi Montecarlo: produce un modello predittivo della durata di progetto

Simulazione basata su N iterazioni di calcolo dove ogni volta viene attribuita alle 3 attività una durata randomica

compresa nel range [best case, worst case]

Risultato di simulazione con 1000 iterazioni su Excel. La riga del totale non somma i valori delle colonne. Il totale viene calcoltao ad ogni iterazione in base alle variazioni

random delle 3 attività

La stessa attività avrà durata più lunga in alcune iterazioni, più breve in altre, combinandosi con le variazioni delle altre due attività. In sostanza, vi interessa il valore minimo e massimo della durata dell’intero progetto quando accadono eventi casuali che impattano su una o più attività (simulazione di rischio), più o meno come accade in qualsiasi progetto reale.


Montecarlo simulation made simple (3/4): il valore del modello

Il valore di un modello predittivo non è solo nei valori finali ma anche nell’esame dei dati parziali e di dettaglio

La simulazione registra i calcoli intermedi e consente di derivare la distribuzione di probabilità

50% di probabilità di terminare in 50 gg (most likely)




Montecarlo simulation made simple (4/4): altre applicazioni

Posso applicare il modello predittivo Montecarlo anche ai costi o ad altre grandezze…

…in relazione al progetto nel suo insieme o a parti di esso, a singole attività o gruppi di attività o a specifici

deliverable…

…per rispondere a domande come queste:

Qual è la probabilità che il costo di progetto sia entro un budget predeterminato?

Quale costo ci garantisce la probabilità del 90% di completare il progetto?

Qual è la probabilità che un deliverable, a cui fanno capo N attività, venga rilasciato una certa data?

… … …


Modelli algebrici di «decision making»

OBIETTIVO: decision making in scenari complessi multicriterio, dove le scelte dipendono da fattori

sia tangibili che intangibili

Esempi di scenari multicriterio per il Project Management:

Scelta del Project Manager per la gestione di un progetto

Prioritizzazione e selezione di progetti in ambito PPM

Identificazione e assessment di rischi

Selezione di fornitori in ambito procurement

Ottimizzazione nell’allocazione delle risorse

Valutazione di qualità


AHP Analytic Hierarchy Process

Determinare i criteri (e sottocriteri) di

decisione

Sviluppare la gerarchia di decisione (goal, criteri, sottocriteri, alternative)

Analisi (matrici di decisione).

Confronti «a coppie» di alternative e criteri.

Sintesi delle priorità e definizione del ranking

Make the decision !!

Fonte: Project Management Analytics (J. Singh)

1 2

3

4

5


Scelta del PM per un progetto: decision goal1

OBIETTIVO: Scelta del Project Manager per un importante progetto IT di sviluppo di un software

collaborativo di PPM (Project & Portfolio Management) per le PMI (Piccole e Medie Imprese) italiane

Il committente è la «PM Solutions S.p.A»

Si tratta di un progetto di complessità elevata a cui corrisponde un investimento di 2 milioni di euro

in 2 anni per il primo rilascio sul mercato e le successive evoluzioni

La «PM Solution» intende affidare il progetto ad un Manager esterno con uno screening il più

oggettivo possibile in funzione dei criteri di valutazione ritenuti più significativi

Si vuole adottare il metodo AHP per una decisione «data-driven» e non più basata, come in passato,

su intuito e fattori di valutazione troppo soggettivi

E’ stata ingaggiata una società di recruiting che ha operato una prima selezione individuando 4

candidati, tra i quali dovrà essere scelto il futuro PM di progetto.


Scelta del PM per un progetto: criteri di valutazione e alternative

Esperienza

Studi

PMP

Soft skills

Stefano Cinzia Mauro Loredana

Criteri

Laurea MagistraleMBA in Marketing

Laurea MagistraleMBA in Project Mngmt

PhD in InformaticaMaster PM Universitario

Laurea in Economia

Si Si Si No

Amministra da 15 anni una sua azienda di consulenza e gestisce progetti IT

Assistente universitario da 10 anni, 12 anni di esperienza in progetti IT medio-piccoli

20 anni di esperienza nel settore IT in progetti da medi a molto grandi

Ex-ufficiale aeronautica riqualificato come PM. 10 anni di solida esperienza in progetti IT medio-grandi.

Leadership. Orientamento al data-driven decision making. Ottimo comunicatore, capace di comunicare visione e scopo.

Manager-by-example, usa un approccio data-driven. Ottima ispiratrice e motivatrice. Orientata ai dettagli.

Grande facilitatore. Decisore con approccio «consensus-based» e delegante. Orientato alla visione complessiva.

Approccio orientato al risultato e alla stretta supervisione del team. Motiva sia attraverso premi che punizioni.

1

Alternative


Scelta del PM per un progetto: sviluppare la gerarchia di decisione

Scegliere un Project Manager

Studi PMP

Goal

Criteri di Valutazione

Alternative

Cinzia Mauro

2


Scelta del PM per un progetto: analisi dei dati di «esperienza»

OBIETTIVO: determinare la priorità delle alternative («forza» relativa dei candidati) rispetto al

criterio di esperienza

Candidato 1 Peso Candidato 2 Peso Motivo

Stefano 1 Cinzia 5 Cinzia ha diverse e maggiori esperienze

Stefano 3 Mauro 1 L’esperienza di Stefano è più rilevante per il progetto

Stefano 4 Loredana 1 L’esperienza di Stefano è più rilevante per il progetto

Cinzia 5 Mauro 1 Cinzia ha diverse e maggiori esperienze

Cinzia 5 Loredana 1 Cinzia ha diverse e maggiori esperienze

Mauro 1 Loredana 3 L’esperienza di Loredana è più rilevante per il progetto

ESPERIENZA STEFANO CINZIA MAURO LOREDANA

Stefano 1 1/5 3 4

Cinzia 5 1 5 5

Mauro 1/3 1/5 1 1/3

Loredana 1/4 1/5 3 1

TOT. 6,58 1,6 12 10,33

Matrice di decisione «Esperienza»


Stefano 0,150 0,125 0,250 0,387

Cinzia 0,760 0,625 0,417 0,484

Mauro 0,050 0,125 0,083 0,032

Loredana 0,040 0,125 0,250 0,097

Matrice di decisione normalizzata

Media dei valori

0,228

0,572

0,072

0,128

Priority «Eigen Vector»

3


Scelta del PM per un progetto: analisi dei dati di «studio»


criterio di studi effettuati


Stefano 1 Cinzia 4 Cinzia ha MBA in Project Management

Stefano 1 Mauro 3 Mauro ha più qualifiche accademiche e di PM

Stefano 4 Loredana 1 Stefano ha un grado di istruzione più alto (MBA)

Cinzia 1 Mauro 1 Cinzia e Mauro hanno qualifiche comparabili

Cinzia 3 Loredana 1 Cinzia ha un grado di istruzione più alto (MBA)

Mauro 4 Loredana 1 Mauro ha più qualifiche accademiche


Stefano 1 1/ 4 1/3 4

Cinzia 4 1 1 3

Mauro 3 1 1 4

Loredana 1/4 1/3 1/ 4 1

TOT. 8,25 2,58 2,58 12



Stefano 0,121 0,097 0,129 0,333

Cinzia 0,484 0,388 0,388 0,250

Mauro 0,365 0,388 0,388 0,333

Loredana 0,030 0,129 0,097 0,083


Media dei valori

0,170

0,378

0,369

0,085


3


Scelta del PM per un progetto: analisi dei dati di «PMP»


criterio di possesso credenziale PMP


Stefano 1 Cinzia 1 Sono entrambi PMP

Stefano 1 Mauro 1 Sono entrambi PMP

Stefano 9 Loredana 1 Loredana non è PMP

Cinzia 1 Mauro 1 Sono entrambi PMP

Cinzia 9 Loredana 1 Loredana non è PMP

Mauro 9 Loredana 1 Loredana non è PMP


Stefano 1 1 1 9

Cinzia 1 1 1 9

Mauro 1 1 1 9

Loredana 1/9 1/9 1/9 1

TOT. 3,11 3,11 3,11 28



Stefano 0,321 0,321 0,321 0,321

Cinzia 0,321 0,321 0,321 0,321

Mauro 0,321 0,321 0,321 0,321

Loredana 0,036 0,036 0,036 0,036


Media dei valori

0,321

0,321

0,321

0,036


3


Scelta del PM per un progetto: analisi dei dati di «Soft Skill»


criterio di possesso di soft skill


Stefano 1 Cinzia 2 Stefano leggermente migliore di Cinzia

Stefano 1 Mauro 1 Stefano e Mauro sono comparabili

Stefano 4 Loredana 1 Loredana orientata al micro-management

Cinzia 3 Mauro 1 Cinzia leggermente migliore di Mauro

Cinzia 4 Loredana 1 Loredana orientata al micro-management

Mauro 4 Loredana 1 Loredana orientata al micro-management


Stefano 1 1/ 2 1 4

Cinzia 2 1 3 4

Mauro 1 1/ 3 1 4

Loredana 1/ 4 1/ 4 1/ 4 1

TOT. 4,25 2,08 5,25 13



Stefano 0,235 0,240 0,190 0,308

Cinzia 0,471 0,480 0,571 0,308

Mauro 0,235 0,160 0,190 0,308

Loredana 0,059 0,120 0,048 0,077


Media dei valori

0,243

0,457

0,223

0,076


3


Scelta del PM per un progetto: priorità dei criteri di valutazione

3OBIETTIVO: determinare le priorità relative dei criteri di valutazione

Criterio 1 Peso Criterio 2 Peso Motivo

Esperienza 5 Studi 1 Esperienza considerata più importante per dimensione e complessità del progetto

Esperienza 4 PMP 1 Esperienza considerata più importante per dimensione e complessità del progetto

Esperienza 6 Soft skill 1 Esperienza considerata più importante per dimensione e complessità del progetto

Studi 1 PMP 1 Considerati ugualmente importanti

Studi 1 Soft skill 2 Soft skill considerate più importanti degli studi

PMP 1 Soft skill 1 Considerati ugualmente importanti

CRITERI ESPERIENZA STUDI PMP SOFT SKILL

Esperienza 1 5 4 6

Studi 1/ 5 1 1 2

PMP 1/ 4 1 1 1

Soft skill 1/ 6 1/ 2 1 1

TOT. 1,62 7,50 7 10

Matrice di decisione «Criteri»

CRITERI ESPERIENZA STUDI PMP SOFT SKILL

Esperienza 0,619 0,667 0,571 0,600

Studi 0,124 0,133 0,143 0,200

PMP 0,155 0,133 0,143 0,100

Soft Skill 0,103 0,067 0,143 0,100


Media dei valori

0,614

0,150

0,133

0,103



Scelta del PM per un progetto: sintesi dei dati e ranking4

Candidato Criterio Priorità Criteri-Candidati (ACP)

Priorità Criteri-Goal (CGP)

Priorità totale (ACP x CGP)

Priorità totale dei candidati (somma priorità totali)

Stefano Esperienza 0,228 0,614 0,140 0,233

Stefano Studi 0,170 0,150 0,026

Stefano PMP 0,321 0,133 0,043

Stefano Soft skill 0,243 0,103 0,025

Cinzia Esperienza 0,572 0,614 0,351 0,498Cinzia Studi 0,378 0,150 0,057

Cinzia PMP 0,321 0,133 0,043

Cinzia Soft skill 0,457 0,103 0,047

Mauro Esperienza 0,072 0,614 0,079 0,165

Mauro Studi 0,369 0,150 0,055

Mauro PMP 0,321 0,133 0,043

Mauro Soft skill 0,233 0,103 0,023

Loredana Esperienza 0,128 0,614 0,079 0,104

Loredana Studi 0,085 0,150 0,013

Loredana PMP 0,036 0,133 0,005

Loredana Soft skill 0,076 0,103 0,008

5


Altro caso studio di applicazione AHP (sviluppatelo voi…)

OBIETTIVO: Prioritizzazione di progetti all’interno di un Portfolio per decidere quale sia più

conveniente avviare per primo

Ranking di priorità portfolio Goal

Allineamento strategico

Costo FinancialAspetti generali

Criteri

Breve termine

Persone NPV Complessità Sottocriteri

AlternativeProgetto 1 Progetto 2 Progetto 3 Progetto 4 Progetto 5

Lungo termine

Materiali Payback ROITime to market

Progetto 6


PPM e Big Data

https://www.researchgate.net/figure/5-Vs-of-Big-Data_fig1_318761128/

Il contesto di PPM può produrre Big Data?

Si, rispetto a tutte le 6 V dei Big Data, soprattutto considerando l’utilizzo sempre più spinto di piattaforme digitali collaborative per il PPM

I dati non sono più solo quelli strutturati (metriche viste in precedenza) ma quelli non strutturati delle conversazioni dei team virtuali

In un portfolio i volumi di dati possono essere molto consistenti

Quantità

Qualità

Benefici

Di generazione

Complessità

Connettibilità


Comincia da oggi a raccogliere dati sui tuoi progetti

Dai dati si traggono informazioni…

Con le informazioni si decide meglio…

Non importa se oggi non sai come trasformare ed elaborare i tuoi dati…

Domani lo saprai o saranno disponibili strumenti a basso costo per farlo ma senza dati saranno come un veicolo senza carburante


PPM e AI

La AI si «nutre» di dati

Esempio «ipersemplificato» di progetto di Deep Learning da usare come base per una WBS.


PPMBot (The artificial Project & Portfolio Manager)

Il PPMbot analizza diversi scenari in tempo reale o quasi-reale e suggerisce il miglior piano di mitigazione dei rischi in base a priorità e best practice di contesto.

Simula l’impatto dei rischi e invia l’esito dell’analisi sul tuo smartphone, mentre ti rechi alla riunione di pianificazione col tuo team.

Il tuo ruolo di «Human Project Manager» cambierà. Parzialmente liberato dal PPMbot, ti concentrerai sui task non automatizzabili, come comunicazione con stakeholder e team. Insomma, quelle cose dove creatività, intuito e la tua esperienza di Project Manager sono ancora insostituibili.


• Le decisioni di management dovrebbero essere basate il più possibile su informazioni ricavate dai dati, passando progressivamente da un approccio «data informed» ad uno «data-driven»

• Lo stesso PMBOK, attraverso la catena «work performance data» – «work performance informations» – «work performance reports» stimola questa trasformazione

• Si predispone un processo in 3 step: raccolta dei dati, elaborazione ed analisi per ottenere informazioni, utilizzo delle informazioni a supporto delle decisioni

• Possiamo applicare, per lo step di elaborazione e analisi, modelli predittivi statistici come le simulazioni Montecarlo

• Possiamo applicare, per lo step di «decision making», modelli algebrici come AHP o, in prospettiva, soluzioni di ML e AI

• Il PPM interseca sia i sentieri dei Big Data (aumenta la capacità dei progetti di produrre dati) che della AI, che si nutre dei dati per abilitare soluzioni sempre più automatizzate e intelligenti di gestione, da workflow automatizzati a bot sino a sistemi di «autonomous project management»

Lesson learned


Domande, curiosità, approfondimenti e feedback

Inoltre, per domande e informazioni

[email protected], [email protected]

https://www.linkedin.com/groups/8584295 PMI-NIC, Branch PVA

https://tinyurl.com/SupportoDecisioniProPPM




https://tinyurl.com/SupportoDecisioniProPPM

Date post:	20-May-2020
Category:	Documents
Upload:	others
View:	1 times
Download:	0 times

Supporto alle decisioni in ambito PPM - PMI-NIC...•Introduzione ai contenuti del webinar...

Documents