評估、資源管理和關鍵業績指標(KPI)只是機器學習技術和預測分析對項目結果產生積極影響的關鍵方面的一部分。從軟件開發到建設到物流金融，每個公司都有需要進行規劃、管理和監督的項目。
從軟件開發到建設到物流金融，每個公司都有需要進行規劃、管理和監督的項目。但是我們用來做這些工作的工具通常很複雜，是為專家設計使用的，並沒有儘可能地對潛在的問題發出警告。基於人工智能的決策支持系統和自動化是否可以通過降低成本和錯誤，分析風險，提高工作效率或按時按預算完成工作，從而使項目更成功地完成?
以下是人工智能技術、機器學習和預測分析在未來幾年如何影響項目結果的早期研究。
一、考慮風險因素
很好地管理一個項目不僅僅是提前制定一個宏大的計劃並堅持執行。項目中的相互依存關係和外部變化使得項目結果變得不可預測。在最好情況下，評估和多次預測是一種客觀判斷;最糟糕的情況是，進行猜測和掩飾。現代管理技術(如敏捷式和持續交付)旨在通過漸進式工作來減少不確定性，但仍不能保證最終的項目交付。組合管理選擇了可以平衡風險和回報的項目組合(因為如果只是處於安全考慮，很難保持競爭力)，但這意味著可以準確地評估風險，這其實很難。
Aptage公司首席執行官約翰•海因茨(John Heintz)告訴CIO.com：“項目中的風險始終是概率性事件，而人類的思維不擅長進行基於風險的概率管理，特別是當我們面臨許多不同的可能事件時。明確你自己的想法，這很容易，“我得到了我想要的答案，我認同自己的選擇。”
我們還喜歡他所說的“基於希望的計劃”。
“這很自然，我們在一定程度上都是樂觀的。我們都看到了前方光明的途徑，這種途徑是可行的，而且我們沒有證據證明它行不通，所以我們希望事情能按照我們希望的方式去發展，”海因茨說。
Aptage公司使用機器學習技術來預測項目的結果，使用您現有的數據，例如項目各個階段的計劃開始及結束日期(以及如果有這些數據的話，評估一下積壓未完成的工作)，以瞭解團隊所完成的項目比例，並預測項目是否可以準時交付。評估總是不確定的，所以你可以在工作完成時間週期上設置上下限(或者軟件可以用黃金比例來建模)。你還要考慮加入一些有關風險來源的信息：“不要只是責怪那個最後犯錯的人，要弄清楚究竟出了什麼問題，”正如海因茨所說的那樣。
他建議，這是大多數團隊都會有的信息。“沒有嚴格流程的團隊仍然可以使用我們的工具。如果一個團隊在餐巾紙上寫有七件積壓未完成的工作，我們仍然可以給他們提供幫助。如果一個團隊對整個項目有一個完整的最佳/較差的案例分析和工作分解結構，那麼我們可以提供更多的建議，”海因茨說。
Aptage公司使用信心、可行性以及風險隨時間變化升降的可視化效果，來幫助您在海因茨所謂的快速思維和慢速思維之間切換。“我們不得不創建這些視覺效果，因為我們需要將快速思考和直覺聯繫起來，幫助人們可以以一種讓他們做出正確直觀決策的方式來看待事情。如果項目開始出現大量需要緊急處理的工作，那麼本能反應應該會恐慌。也許我們仍然會決定繼續推進該項目，但是我們已經進行過考慮，已經被激發去思考一些正確的事情。‘這可能會很痛苦，但我們會有一個安全保障;如果我們不得不在這個項目上多花費20%的資源，那麼我們仍然有極大的成功可能性;那就讓我們冒險嘗試一下吧。’”
Aptage公司使用的算法和模型是為軟件開發而設計的，但也適合構建項目。第一次是與Jira軟件進行(相當基礎性的)整合，海因茨希望把可視化效果放入到項目團隊每天使用的工具中(類似於比如微軟的項目管理軟件、Primavera公司的構建規劃軟件、Trello軟件、甚至是Salesforce公司的軟件或Power BI軟件中的功能路線圖和KPI儀表盤)。“如果我把一個工作任務放到Trello或者ServiceNow軟件中，那麼軟件會預估我何時可以完成，並且預計會有多大的把握，還會給我一個有90%把握完成的日期。”
一般來說，我們的目標是避免在項目的結尾時大吃一驚。“如果你今天就知道這個項目有60%的風險無法完成，以及有60%的風險會順利完成，你會採取什麼不同的做法呢?我們給您指出風險的來源以及給您提供一些應對方案。”
Aptage公司不會去解決存在問題的項目，但它應該就這些問題給予你提醒，海因茨說。“這是合作的能力，應說出‘這是一個高風險的項目，我們正在對其進行妥善管理’，而不是說‘我們不知道風險是什麼;我們只是承諾項目會完成，然後在最後一刻我們可能會說項目無法完成。’”
二、資源管理
微軟雲人工智能團隊負責人蘭斯•奧爾森(Lance Olsen)表示，一些人工智能工具企業已經採用了(如預測性維護的)方法，這可以幫助提高項目的效率和可靠性。“在項目日程和風險方面可能導致項目失敗的最常見問題之一，就是您在項目中依賴的系統出現無法預料的故障。”
總的來說，他認為，“不管是對項目的預測，還是消除項目執行過程中的風險”，人工智能技術都是最有助於消除項目風險的。這將使項目更高效：“存在太多的不確定性，我們現在如何處理它，就是為了之後的工作留有巨大的緩衝餘地，”他說。
New Relic公司平臺產品管理主管納迪亞•杜克•布恩(Nadya Duke Boone)認為，人工智能已經可以幫助跟蹤項目進度和績效，特別是如果您對項目管理有廣泛的瞭解。該公司最近在其績效追蹤工具中增加了所謂的應用智能。“在很多正在執行的項目管理中，沒有人正式擔當這一頭銜或角色，而且還使用一套新的項目管理工具，所以我們就不會有意識這樣想。”
對於遞進式項目，它的成功與否並不總是在其結束時進行確定，而是更有可能取決於在質量和可靠性方面的持續關鍵業績指標(KPI)。“客戶詢問‘他們項目推進是否正常?’時會使用一些指標，比如我可以做多少部署工作?我的部署可靠性如何?我是否存在迴歸誤差?我的績效與預期一致嗎?”布恩說道。“人工智能可以識別在數據流中那些重要但難以發現的緩慢趨勢，或者即使被人看到了，也容易被忽視的趨勢。”
New Relic公司的應用智能包括一個名為雷達的工具，用於查找這些模式和問題，提出一些應對方法，並可從用戶的選擇中進行學習。“這幫助我們發現某些被擱置延誤多個星期的事情，以及由於項目更關注日常的工作，所以我們某些工作的方向錯誤，但並沒有察覺，”她說道。
布恩認為，人工智能可以有助於確保我們能夠注意到壞消息。“我已經發現，在某些情況下，衡量標準已經顯示事情朝著錯誤的方向發展，但人們很難承認這一點。”
人工智能還可有助於工作自動化，讓項目經理有更多的時間去實際管理。“現在任何一個行業中，在很大程度上，人工智能都是去處理那些枯燥乏味的工作，讓人們把注意力放在機器無法完成的工作上。項目管理中的許多工作並不是數據處理，而是去做我們設定了明確目標的工作，讓每個人都朝著同一個方向前進，協調一致。”
例如New Relic公司使用聊天機器人來提醒管理者去管理可資本化時間。布恩還推測，對人們措辭狀態變化的自然語言分析可能有助於明確他們對項目進展的信心。
奧爾森(Olsen)指出：“減少那些單調耗時且價值不一定很高，但在每個項目都會出現的工作”，這不僅僅是為了節省時間，還會減少錯誤。
Software AG公司開發部門副總裁瑞克•邁克易切恩(Rick McEachern)認為，機器人過程自動化(RPA)幫助項目經理處理了大量瑣碎和重複的工作，比如合併來自不同系統的數據以協調交付及其他物流工作，以及更新項目管理系統。邁克易切恩說：“可以做很多工作，比如在不同系統之間傳輸數據，處理大量電子郵件，製作報表和文件及文檔處理等等。機器人很擅長做這些工作。”
邁克易切恩表示：“你可以讓機器人關注不同的更新內容、狀態報告和數據，如果某個文件應該在某個特定的日期交付，但並未提交，機器人可進行提醒。如果有人沒有提交他們的最新評估報告，你可能會使用一個帶有項目管理系統的機器人來提醒他：'現在離截止日期還有兩天，我將每小時提醒你一次'。而當他們上傳新的時間表後，我可以讓一個機器人來提取我關心的數據，並將其放入主項目時間表中。”
三、預測和試驗
如果您可以定義業務規則或創建可用於評估和報告異常的數據模型，那麼機器人過程自動化(RPA)也可以用於資源優化和項目調度。他說，這對運輸和物流工作可能特別有用。“您可以使用機器學習技術來做很多不同的優化工作，如為最大限度降低燃油成本選擇最低成本路線，或優化裝載量。”
奧爾森說：“你可以使用預測方式來細化調整項目執行工作，並減少失誤。”但是如果你真的想用人工智能來改善項目工作，你必須尋求一些方法進行實驗和改進。“這些做法將在未來五年使一些組織脫穎而出。這些都是智能系統，首席信息官們必須來設計這些系統以提高實驗的速度。”
“這個循環式工作的一部分內容是，‘我們上個月達到了75%的準確率，而另外25%是什麼原因呢?也許天氣也是我們的預測指標，讓我們獲取一些天氣預報信息，並將其添加到模型中，也許我們可達到80%的準確率。’將你的實驗速度和學習速度作為項目成功的關鍵指標。你如何系統地獲取知識，並推進更多的實驗?”奧爾森說。
他警告說，人們很容易認為，可以用機器學習技術來預測哪些項目會成功和哪些會失敗，但是這可能還有很長的路要走。
“我們發現人們目前所關注的是項目內部的組件，即對資源以及基於資源的項目進展，或資源的健康度或表現。隨著時間的推移，合乎邏輯的下一步就是提升一個層次，開始關注整個項目本身的進展如何?我們如何才能提高效率?”他警告說，這意味著要收集大量項目的詳細信息。
“為了進行項目預測，你必須獲取有關項目的數據，並將其提供給模型，並說明成功項目中的異常特徵或共同特徵是什麼?”奧爾森說。
布恩對於如何準確地進行項目預測還做出了提醒，他指出一些項目任務比其他項目更容易預測，因為這些項目有更多的重複性。當她擔任項目經理時，她發現有經驗的電氣工程估算師其工作是非常準確的，這不僅僅是因為建築行業需要有多長時間來積累知識。
“工程和構建軟件之間的區別在於我們不知道工作的衡量標尺。在工程中，我們會說這是一英尺長的管道或這是三英尺長的混凝土，但我們在軟件工作中沒有這樣的衡量尺度。鋪設瀝青工作在何時何地都可以進行，但是即使在數據庫中添加一個列，也可能會有很大的不同，這取決於您在項目中的角色以及操作者是誰。”布恩說。
對於擁有大量人員的大型複雜項目，其最終目標是可重複的，比如建立一個新的數據中心或將應用程序移動到容器平臺。布恩認為，有足夠的數據可以讓機器學習來識別異常值、異常情況或相關性。“這裡我們發現了三個有趣的相關性。你或許想要對其深入研究。這就是把人工智能當做項目經理的合作伙伴，應用其人類水平的智商和情商來工作。”（來源：企業網D1Net）
閱讀更多 中國PMO大會 的文章
