در دنیایی که روز به روز بیشتر و بیشتر تحت سلطه دیتا در میآید، چه تعداد از سازمانها حقیقتا مفهوم علم تجزیه و تحلیل را درک کردهاند؟
در مدیریت برنامه، مثل مدیریت کسب و کار، هر بار که یک پروژه از مرحلهای به مرحله دیگر مدیریت میشود، دیتاهای زیادی مانند زمان بندی، ثبت ریسک، بودجه و عبرتهای آموخته تولید و بایگانی میشوند. ولی این دیتاها به ندرت بار دیگر مورد استفاده قرار میگیرند. چه در سطح همان پروژه و چه در سطح کلیتر بخش و یا کسب و کار.
تصور کنید که اگر این دادههای ذخیره شده به کار گرفته شوند، چه قدر در برآورد تحویلهای آینده مفید خواهند بود. نحوه نزدیک شدن به پروژهها و برنامهها ممکن است کاملا متحول شده و امکانات جدیدی کشف گردد.
با این که علم تجزیه و تحلیل مفهوم جدیدی نیست، به وضوح میتوان دید که تکامل این علم از روند رشد سریع حجم دیتای قابل دسترس کاملا عقب افتاده است. این امر منجر به این شده که کسب و کارها روی معادن طلایی بنشینند که مشکلگشای چالشهایی است که از صاحبان و کارکنان این کسب و کارها سلب آسایش کرده است.
استاندارد کردن ابزارها
با توسعه یافتن ابزارها و سیستمهای خانگی و غیر استاندارد، این دیتاها بدون کدها و شاخصهایی ثبت میشوند که برای استخراج و ارائه اطلاعات به منظور تجزیه و تحلیل، ضروری میباشد. به همین خاطر، انرژی زیادی تنها برای استخراج و پاک سازی دیتا صرف میشود تا آماده بهره برداری برای تجزیه و تحلیل گردد.
با به کارگیری ابزارهای استاندارد، شما میتوانید این انرژی را صرف استخراج مقادیر و روندهای در حال شکل گیری از دیتای خود بنمایید.
اعتماد به دیتا
برای اتکا به یافتههای دیتا، مدیران پروژه ابتدا میبایست به مجموعه دادههای خود اطمینان داشته و خروجی آن را قبول داشته باشند.
برای استخراج و تحلیل مقادیر از دادهها، شما نه تنها به برنامه نویسان متخصص احتیاج خواهید داشت، بلکه به “مترجمانی” نیازمندید که قادر به تلفیق توانایی نرم افزاری و دیتایی خود با صنعت و تخصص کاریردی، باشند.
دیتایی که جمع آوری، تحلیل و ارائه میشود باید شفاف و روشن باشد تا رهبران و مدیران سازمانها را مجاب کند. به خصوص اگر این دیتاها بر خلاف “حس ششم” مدیر شما سخن بگویند!
به تصویر کشیدن دیتا امری است اساسی. با رشد روز افزون حجم دیتا و پیچیدهتر شدن آن، توانایی تبدیل این مفاهیم پیچیده به مفهومی قابل هضم برای رهبران پروژه و مشتریان، بسیار حیاتی است.
مبارزه با رویکرد تهاجمی
در سطح پروژهها، دیتای آنی و نیمه آنی (Real-Time و Near Real-Time)، بیشتر و بیشتر معمول میشود.
ولی برنامههای فوق پیچیده، به خصوص برنامههای زیرساختی با مقیاس بزرگ، آن چنان حجم عظیمی از دیتا را تولید میکنند که رویکرد تهاجمی نسبت به گزارش گیری و تحلیل این دیتاها بسیار باب شده است. اما بدیهی است که این رویکرد، اشکالات خاص خودش را نیز دارد.
رسیدن به برداشتی چند سطحی ولی درست بر اساس تحلیل یک سطحی، امری است بسیار دشوار. همچنین، مقدار دیتای بیش از حد ناچیز که از متغیرهای بیش از حد کم به دست آمده، این خطر را به همراه دارد که شما از روابط در مقیاس کوچک، تحلیلهایی در مقیاس بزرگ انجام دهید که به همان اندازه بی فایده است.
بهتر آن است که برای مجموعه دیتاهای خود سلسله مراتب تعریف کنید تا تحلیل شما در شلوغی داده گمراه نشود.
بر اساس گزارش “عصر تجزیه و تحلیل: رقابت در جهانی دیتا محور” موسسه جهانی مک کینز در سال 2016، پروسه تصمیم گیری در انسانها، پروسهای است بسیار ناشفاف و گل آلود، همراه با قضاوت و یا محدود به ناتوانایی ما در هنگام پردازش حجم بالای اطلاعات.
دیتا و تجیزه و تحلیل آن، با آوردن نقاط داده بیشتر از مراجع جدید، شکست اطلاعات نا متقارن و اضافه کردن الگوریتمهای خودکار، این پروسه را آنی کرده و همه چیز را عوض میکند. با رشد دیتا و غنیتر و متنوعتر شدن آن، راههای بسیاری وجود دارد تا از دیدی که با این پروسه به دست میآوریم، برای تصمیمگیری سریعتر، دقیقتر، یکپارچهتر و شفافتر استفاده کنیم.
ارتباط بین دیتا و موفقیت پروژه انکار ناپذیر است. حجم همیشه در حال رشد دیتا میتواند مانند یک تخته پرش، فعالیت تحلیلگران و سازمانها را بهبود بخشد. ولی این توانایی ما در مدیریت دیتاست که با تشخیص دیتای مفید از دیتای غیر مفید و تبدیل دیتای مفید به سرفصلهای قابل فهم و آگاه کننده، عصری جدید از مدیریت پروژه را به ارمغان می آورد.
منبع:
https://www.macegroup.com/perspectives/what-is-the-key-to-effective-project-management