讓數據驅動專案規畫大變革

Use Data to Revolutionize Project Planning
雅爾.谷許卡–卡肯恩 Yael Grushka–Cockayne
瀏覽人數:1131
為了克服你常常過度承諾,卻無法完全兌現的問題,可以利用有關專案最初預測的完成日期和總成本的歷史數據,以及已實現或實際的支出和執行時間,就能建立準確度的估計值。之後,企業便可以使用這些估計值,來預測和設定新專案的目標。而且,如果能結合充足的數據和專用的人工智慧功能,將會讓專案規畫產生「巨大轉變」。

美國聖地牙哥和舊金山之間的加州子彈列車。洛克希德馬丁公司(Lockheed Martin)的「聯合攻擊戰機」計畫。柏林的布蘭登堡機場(Brandenburg Airport)。蘋果公司(Apple)的AirPower無線充電板。有些專案的進度嚴重延誤、成本超支,或無法兌現原本承諾的目標,前述這些只是這類專案的少數幾個例子。

準確規畫專案是極為困難的,無論專案經費來自公共資金或私人資金,也無論專案領域是建築、技術、製藥或基礎設施,都是如此。美國專案管理學會(Project Management Institute)進行的2018年「專業脈搏」(Pulse of the Profession)研究指出,2011年到2018年之間,只有大約50%的專案能準時完成,大約55%的專案沒有超出預算。即使企業從1970年代開始,就持續投資在專案管理技術上,但專案計畫的準確度並沒有太多改善。

有關專案持續時間、成本、資源和效益的預測不準確,顯然是領導人職涯和組織成長機會的主要風險來源。舉例來說,由於專案績效不彰,企業在專案上每投入十億美元,平均就會浪費1.19億美元(占11.9%)。另外,進度延遲或所費不貲的專案也會影響整體經濟的健康。到2027年時,以專案為導向的產業對美國國內生產毛額(GDP)的貢獻,預計將達到20.2兆美元;重大失誤可能會讓這個數字減少。

四十年前,心理學家暨諾貝爾獎得主丹尼爾.康納曼(Daniel Kahneman)與長期合作對象阿莫斯.特弗斯基(Amos Tversky)指出,人類往往會受到「規畫謬誤」(planning fallacy)的影響:人們對專案目標提出不切實際的預測,因而過度承諾,卻又無法完全兌現。康納曼和特弗斯基建議運用「外部觀點」來發展更符合現實的專案計畫。他們建議使用一項稱為「參考類別預測」(reference class forecasting)的預測技術,將目標專案與過往一組類似的專案進行比較,以便預測目標專案的持續時間或成本。這樣的外部觀點與更常使用的內部觀點形成對比,採用內部觀點來規畫專案時,很少考慮到過往的績效和達成既定目標的能力。

目前,企業對數據蒐集、數據驅動的預測和決策的態度正在改變,這為專案規畫領域提供了前所未有的機會。有了數據之後,企業現在可以實際執行康納曼和特弗斯基的想法,超越它們最初的願景。利用有關專案最初預測的完成日期和總成本的歷史數據,以及已實現或實際的支出和執行時間,就能建立準確度的估計值。之後,企業就可以使用這些估計值,來預測和設定新專案的目標。下列例子是關於一些根據數據來進行預測的領域,以及你可以使用的一些公共資源。

如今,英國已經蒐集了超過十年的專案績效數據。英國財政部的《綠皮書》(Green Book)提供指引,說明在投入重大公共資金之前,應如何評估專案的提案。這項評估程序包括考慮到系統性的樂觀態度,而進行明確的調整;系統性樂觀態度有時被稱為「樂觀偏誤」(optimism bias),也就是高估效益且低估執行期間和成本。

這些針對樂觀偏誤所做的調整,使用了「參考類別預測」,並根據相關歷史數據以實證方式建立。我和倫敦大學學院(University College London)、鹿特丹伊拉斯謨斯大學(Erasmus University Rotterdam)和華威商學院(Warwick Business School)的研究人員為英國交通部進行一項研究,我們發現鐵路基礎建設專案需要進行的樂觀調整範圍,從64%(針對初期定義階段的專案)到4%(已經完成詳細設計的專案)。我們分析了數千個過往專案的數據之後,才決定這些調整幅度。

《綠皮書》中有關樂觀偏誤和必要調整的指引,大多是受到牛津大學(Oxford)教授班特.傅萊傑格(Bent Flyvbjerg)的研究所啟發。傅萊傑格教授蒐集了數百個大型專案的數據,大多數是基礎建設、營造和資訊科技領域的專案。評估新計畫時,這個數據集裡面的一些專案子集可作為相關的參考點。

在美國,《計畫管理改善責任法案》(Program Management Improvement Accountability Act)於2016年12月14日經簽署成為法律。這項法案的目標,是改善聯邦政府內部的計畫和專案管理實務,提供初步指南,說明如何用協調良好的政府整體做法,來加強專案管理實務。針對聯邦機構,目標是改善政府績效,包括「使用成本和進度數據來支持決策」。未來,這項法案可望成為重要的催化劑,協助建立數據蒐集的資源。政府採取這個步驟,可能也有助於建立專案相關數據蒐集的新規範。

在這兩個例子裡,參考類別中考慮的那一組專案,都是透過人工判斷來確認。如果人工智慧(artificial intelligence)可以協助扮演這個角色,情況會如何?數據可取用性和數據驅動人工智慧演算法的運用,有助於將參考類別預測提升到更高層次,進而徹底改變專案的規畫方式及目標的設定方式。

要怎麼做呢?使用專案計畫層次的詳細數據,搭配各個任務的資訊、深度學習(deep learning)和人工智慧,就能辨識出專案任務、階層結構和先前專案關係之間的相似模式。倫敦一家新創公司nPlan目前就正在這麼做。這家公司使用數萬個營建專案的數據,其中涵蓋數百萬項工作任務,並結合自然語言處理技術,來預測專案的持續時間和延遲情況。nPlan結合了豐富數據和專有的人工智慧能力,得以針對專案完成日期(包括延遲風險的相關資訊),做出非常準確和有用的預測。在這方面,人工智慧演算法學習到哪些模式對預測專案進度延遲最有用,如此就不太需要事先宣布一個參考類別。

有些人認為,運用數據和人工智慧技術,將會對專案規畫帶來「巨大轉變」。我們希望,這項轉變最後也能讓我們克服規畫謬誤。

(蘇偉信譯)



雅爾.谷許卡–卡肯恩 Yael Grushka–Cockayne

哈佛商學院科技與營運管理副教授,她的研究和教學活動重點為數據科學、預測、專案管理和行為決策。2014年,她獲評為數據科學領域的「21位思想領袖教授(Thought–Leader Professor)」之一。


本篇文章主題數據資料