Przygotowanie danych projektowych do analityki i wykorzystania AI w zarządzaniu procesowym - moduł 24 h

1. Wprowadzenie do procesowego zarządzania projektami (09:00 – 09:45)

• pojęcie procesu i zarządzania procesowego,

• różnice pomiędzy zarządzaniem zadaniowym, projektowym i procesowym,

• struktura procesu projektowego,

• cykl życia projektu,

• wejścia, działania, rezultaty i odpowiedzialności w procesie,

• zależności pomiędzy procesami biznesowymi a projektami.

 

2. Identyfikacja danych powstających w cyklu życia projektu (09:45 – 10:30)

• dane wejściowe projektu,

• dane dotyczące zakresu, czasu, kosztów i zasobów,

• dane operacyjne powstające podczas realizacji zadań,

• dane referencyjne, słownikowe i transakcyjne,

• dokumenty jako źródło danych projektowych,

• różnica pomiędzy danymi ustrukturyzowanymi i nieustrukturyzowanymi.

 

Przerwa kawowa 15 min

​​

3. Definiowanie projektów, etapów i zadań (10:45 – 11:30)

• budowa struktury podziału pracy WBS,

• definiowanie etapów, pakietów prac i zadań,

• zasady nadawania kodów i identyfikatorów,

• określanie odpowiedzialności i właścicieli danych,

• standaryzacja nazw projektów, etapów i zadań,

• znaczenie jednolitej struktury WBS dla późniejszych analiz.

​​

4. Standaryzacja danych projektowych (11:30 – 12:15)

• znaczenie standardów danych w zarządzaniu procesowym,

• tworzenie słowników organizacyjnych,

• klasyfikowanie projektów, zadań, kompetencji i dokumentów,

• obowiązkowe i opcjonalne pola danych,

• zasady kompletności, aktualności i jednoznaczności danych,

• eliminowanie duplikatów i niespójnych oznaczeń.

 

Przerwa obiadowa 30 min

​​

5. Przygotowanie danych do budowy planu długoterminowego (12:45 – 13:30)

• zakres danych potrzebnych do planowania projektu,

• definiowanie terminów, zależności i kamieni milowych,

• dane dotyczące dostępności zasobów,

• planowanie zapotrzebowania na kompetencje,

• powiązanie harmonogramu z budżetem,

• przygotowanie danych do harmonogramu rzeczowo-finansowego.

​​

6. Dane historyczne jako podstawa planowania (13:30 – 14:15)

• znaczenie danych z zakończonych projektów,

• porównywalność projektów i zadań,

• rejestrowanie czasu planowanego i rzeczywistego,

• rejestrowanie kosztów planowanych i rzeczywistych,

• identyfikowanie przyczyn odchyleń,

• tworzenie bazy wiedzy o wcześniejszych realizacjach.

 

Przerwa kawowa 15 min

​​

7. Dane o zasobach i obciążeniu zespołu (14:30 – 15:15)

• ewidencja kompetencji i dostępności pracowników,

• przypisywanie zasobów do zadań,

• planowane i rzeczywiste obciążenie,

• identyfikowanie przeciążeń i niedoborów zasobów,

• dane potrzebne do analizowania różnych scenariuszy realizacji projektu,

• przygotowanie informacji do wspomagania decyzji zasobowych.

​​

8. Przygotowanie danych do przyszłego wykorzystania AI (15:15 – 16:00)

• jakie dane mogą być wykorzystywane przez systemy AI,

• dlaczego AI nie zastępuje właściwego modelu procesu,

• zależność pomiędzy jakością danych a jakością rekomendacji,

• znaczenie danych historycznych i kontekstu biznesowego,

• przykłady zastosowania danych w prognozowaniu czasu, kosztu i zapotrzebowania na zasoby,

• ograniczenia wynikające z małej liczby, niekompletności lub niespójności danych.

1. Organizacja przepływu informacji w procesie projektowym (09:00 – 09:45)

• kanały komunikacji projektowej,

• przepływ informacji pomiędzy uczestnikami procesu,

• formalne i nieformalne źródła danych,

• odpowiedzialność za wprowadzanie i aktualizowanie informacji,

• znaczenie jednego źródła prawdy,

• ograniczanie rozproszenia danych pomiędzy pocztą, arkuszami, dokumentami i systemami.

​​

2. Przekształcanie komunikacji projektowej w uporządkowane dane (09:45 – 10:30)

• protokoły spotkań jako źródło danych,

• rejestrowanie decyzji, ustaleń i zobowiązań,

• identyfikowanie właściciela zadania i terminu realizacji,

• ewidencjonowanie problemów i działań naprawczych,

• tworzenie rejestru decyzji projektowych,

• zasady porządkowania treści nieustrukturyzowanych.

 

Przerwa kawowa 15 min

​​

3. Bieżące raportowanie realizacji zadań (10:45 – 11:15)

• dane o statusie zadania,

• procent zaawansowania i kryteria jego określania,

• czas planowany i rzeczywisty,

• terminy rozpoczęcia i zakończenia,

• przyczyny opóźnień,

• rejestrowanie blokad i zależności,

• częstotliwość aktualizacji danych.

​​

4. Dane jakościowe w projekcie (11:15 – 11:45)

• definiowanie kryteriów jakości,

• procedury kontrolne i checklisty jakościowe,

• rejestrowanie błędów, uwag i niezgodności,

• klasyfikacja rodzajów błędów,

• identyfikowanie miejsca i etapu powstania błędu,

• ewidencja poprawek oraz ponownej pracy,

• budowa danych umożliwiających analizę przyczyn źródłowych.

​​

5. Dane dotyczące ryzyka projektowego (11:45 – 12:15)

• budowa rejestru ryzyk,

• opis ryzyka, prawdopodobieństwa i skutku,

• przypisywanie odpowiedzialności,

• działania zapobiegawcze i korygujące,

• monitorowanie zmian poziomu ryzyka,

• powiązanie ryzyka z zadaniami, kosztami i terminami,

• wykorzystanie danych historycznych do oceny podobnych zagrożeń.

 

Przerwa obiadowa 30 min

​

6. Zarządzanie zmianą i dane o zmianach projektowych (12:45 – 13:30)

• definiowanie zmiany projektowej,

• rejestrowanie źródła i przyczyny zmiany,

• określanie zakresu zmiany,

• wpływ zmiany na harmonogram, budżet i zasoby,

• proces zatwierdzania zmiany,

• wersjonowanie danych i dokumentów,

• zachowanie historii decyzji.

​​

7. Jakość i wiarygodność danych (13:30 – 14:15)

• kompletność danych,

• poprawność i spójność zapisów,

• aktualność informacji,

• jednoznaczność definicji,

• walidacja danych podczas ich wprowadzania,

• identyfikowanie braków i wartości odstających,

• odpowiedzialność użytkowników za jakość danych.

 

Przerwa kawowa 15 min

​

8. Zarządzanie danymi i bezpieczeństwo informacji (14:30 – 15:15)

• właściciel danych i administrator procesu,

• role i uprawnienia użytkowników,

• zakres dostępu do informacji projektowych,

• dane poufne i dane osobowe,

• retencja i archiwizacja danych,

• ślad audytowy oraz historia zmian,

• zasady bezpiecznego przygotowania danych do wykorzystania przez AI.

​​

9. Możliwości wykorzystania AI w przetwarzaniu informacji projektowej (15:15 – 16:00)

• automatyczne klasyfikowanie dokumentów i komunikatów,

• wyszukiwanie informacji w dokumentacji projektowej,

• porządkowanie notatek i protokołów,

• identyfikowanie brakujących informacji,

• wspieranie analizy błędów, ryzyk i zmian,

• warunki konieczne do uzyskania wiarygodnych wyników,

• konieczność kontroli i walidacji rezultatów przez człowieka.

1. Monitorowanie realizacji projektu (09:00 – 09:45)

• dane potrzebne do kontroli realizacji,

• plan bazowy i dane rzeczywiste,

• pomiar postępu projektu,

• odchylenia terminowe i kosztowe,

• wykorzystanie zasobów,

• identyfikowanie zadań zagrożonych,

• budowanie cyklicznego procesu raportowania.

​​

2. Projektowanie systemu wskaźników (09:45 – 10:30)

• różnica pomiędzy danymi, miernikami i wskaźnikami KPI,

• wskaźniki wyprzedzające i opóźnione,

• wskaźniki terminowości,

• wskaźniki kosztowe,

• wskaźniki jakościowe,

• wskaźniki wykorzystania zasobów,

• zasady doboru wskaźników do celów procesu.

 

Przerwa kawowa 15 min

​

3. Dashboard kierownika projektu (10:45 – 11:15)

• określenie odbiorców informacji,

• dobór danych do dashboardu,

• sposób prezentowania stanu projektu,

• identyfikowanie odchyleń i wyjątków,

• poziomy agregacji danych,

• przechodzenie od danych portfelowych do szczegółów zadania,

• unikanie nadmiaru i błędnej interpretacji wskaźników.

​​

4. Metoda wartości wypracowanej — Earned Value Management (11:15 – 11:45)

• wartość planowana,

• wartość wypracowana,

• koszt rzeczywisty,

• odchylenia kosztowe i harmonogramowe,

• wskaźniki CPI i SPI,

• prognozowanie kosztu końcowego,

• wymagania dotyczące jakości danych wejściowych,

• ograniczenia analizy przy nieaktualnych lub niespójnych danych.

​​

5. Analiza trendów i odchyleń (11:45 – 12:15)

• porównywanie planu z realizacją,

• analiza zmian wskaźników w czasie,

• identyfikowanie powtarzających się problemów,

• analiza przyczyn opóźnień i przekroczeń budżetu,

• porównywanie projektów i zespołów,

• budowa benchmarków wewnętrznych,

• wykorzystanie danych do ciągłego doskonalenia procesów.

 

Przerwa obiadowa 30 min

​

6. Przygotowanie zbiorów danych do analityki i AI (12:45 – 13:15)

• określenie celu analizy,

• wybór odpowiednich danych,

• łączenie danych z różnych źródeł,

• czyszczenie i uzupełnianie danych,

• anonimizacja i pseudonimizacja,

• oznaczanie danych i budowanie kategorii,

• podział danych na zbiory uczące, testowe i walidacyjne,

• dokumentowanie pochodzenia danych.

​​

7. Koncepcje wykorzystania danych przez systemy AI (13:15 – 13:45)

• klasyfikacja danych projektowych,

• prognozowanie czasu realizacji zadań,

• prognozowanie kosztów i opóźnień,

• identyfikowanie nietypowych zdarzeń,

• analiza ryzyka i prawdopodobieństwa problemów,

• rekomendowanie wariantów planu,

• wyszukiwanie podobnych projektów i przypadków historycznych,

• wspomaganie decyzji zamiast automatycznego zastępowania decydenta.

​​

8. Ograniczenia i ryzyka związane z wykorzystaniem AI (13:45 – 14:15)

• zależność wyników od jakości danych,

• błędy i uprzedzenia występujące w danych historycznych,

• brak reprezentatywności zbioru danych,

• możliwość generowania nieprawidłowych rekomendacji,

• problem wyjaśnialności wyników,

• bezpieczeństwo informacji,

• odpowiedzialność za decyzje,

• konieczność nadzoru człowieka.

 

Przerwa kawowa 15 min.

​

9. Ocena gotowości organizacji do wykorzystania danych i AI (14:30 – 15:15)

• poziom standaryzacji procesów,

• dostępność i kompletność danych,

• jakość danych historycznych,

• integracja systemów informatycznych,

• kompetencje pracowników,

• odpowiedzialność za procesy i dane,

• gotowość organizacyjna i technologiczna,

• identyfikacja najważniejszych luk.

​​

10. Opracowanie mapy drogowej wdrożenia (15:15 – 16:00)

• określenie problemu biznesowego,

• wybór procesu pilotażowego,

• identyfikacja niezbędnych danych,

• zdefiniowanie standardów i właścicieli danych,

• przygotowanie mierników sukcesu,

• przeprowadzenie projektu pilotażowego,

• walidacja wyników przez ekspertów,

• stopniowe rozwijanie analityki i rozwiązań AI.

​​