Das Projektcontrolling der Zukunft wird durch Echtzeit, Datenqualität, intelligente Prognosen und optimierte Empfehlungen geprägt sein.
Was Sie für die Datenanalyse im Projektgeschäft wissen müssen.
Zunächst einmal geht es darum, wie aussagekräftig Ihre Daten überhaupt sind. Big Data alleine reicht da schon lange nicht mehr aus. Es geht um die Qualität der Daten in Big Data. Daher setzt .flınk auf etablierte Standardprozesse aus dem Controlling. Der Datenberg wird in einem intelligent geführten Planungs- und Forecasting-Prozess strukturiert, neu verplant und bewertet. Die Cost-to-Complete Methode kann dabei genauso zum Einsatz kommen wie wahlweise die Percentage-of-Completion Methode zur Bewertung und Abrechnung von Bauaufträgen nach IAS. Wichtig dabei ist die optimale Unterstützung des Benutzers. Zunächst ist eine schnelle Verfügbarkeit von bereits vorhandenen Ist-Daten relevant. Im Projektgeschäft, beispielsweise im projektorientierten Anlagenbau, kann der traditionelle Monatsrhythmus durchaus noch immer ausreichend sein. Allerdings stellen derzeit viele projektorientierte Unternehmen auf wochen- oder tageweise Übermittlung ihrer Leistungsdaten von den Baustellen um. Dies ist die Basis dafür, dass ein Unternehmen die Möglichkeit erhält, Entwicklungen in Echtzeit zu beobachten.
Sind Daten in Echtzeit ein Muss?
Daten in Echtzeit zu beobachten nennt man Descriptive Analytics. Dabei ist aber durchaus Vorsicht geboten. Die Digitalisierung der Stundenerfassung direkt auf der Baustelle hat im Projektmanagement zwar längst Einzug gehalten, stellen Sie sich aber vor, wenn am Dienstag von 20 Monteuren zwei krankheitsbedingt keine Stunden schreiben und dies nicht allen bekannt ist. Da hilft es wenig, wenn der Controller am Mittwoch früh seinem Vorgesetzten die erfreuliche Nachricht einer Einsparung berichtet. Daten in Echtzeit sind im Projektgeschäft also nicht immer ein absolutes Muss. Im Projektcontrolling braucht es jedenfalls immer eine klar kommunizierte Absprungbasis, zumeist der offizielle Buchungsschluss, bei der das betroffene Team alle Kontextinformationen kennt.
Systeme wie .flınk können Ihre Echtzeit-Daten mit Dokumentations- und Informationsfunktionen intelligent unterstützten und Abweichungen aufzeigen. Gleichzeitig werden Datenlücken, wie die oben beschriebenen krankheitsbedingten Fehlstunden von der Baustelle intelligent interpoliert oder spätestens im von .flınk geführten Kalkulations- und Planungsprozess (Forecasting) aufgedeckt. Im Projektplanungsprozess selbst stellt .flınk ausreichend Informationen für Ist- und Plandaten zur Verfügung und unterstützt den Bearbeiter intelligent bei Kalkulation und Planung. Auf dieser Basis und damit im Bereich Diagnostic Analytics unterstützt .flınk alle Fragen die sich darum drehen, warum es Abweichungen oder Veränderungen gibt. Beispielsweise: Warum haben sich die Montagestunden so und nicht anders entwickelt oder warum ist der Materialeinsatz unter geplantem Niveau.
Traditionelle Planung oder/und künstliche Intelligenz
Bei Predictive Analytics geht es darum Ereignisse zu prognostizieren. Bei Projekten dominiert dabei die Frage, wie geht mein Projekt am Projektende tatsächlich aus und stimmten die Ergebnisse mit meiner Planung überein. .flınk kombiniert mehrere Methoden, Strategien genannt, von der händischen (traditionellen) Verplanung auf Einzelkostenebene bis zur künstlichen Intelligenz.
Mustererkennung bei .flınk mit künstlicher Intelligenz
Wie plant künstliche Intelligenz mein Projekt?
Der KI Algorithmus untersucht die Daten der Projekte nach Muster in unterschiedlicher zeitlicher Gewichtung. Über dieses Trainings-Set wird solange gesucht und optimiert, bis die beste Formel für die zukünftige Entwicklung gefunden ist. Bei .flınk werden diese Ergebnisse zusätzlich mit allen Forecasts der relevanten Projekte aus der Vergangenheit abgeglichen. Einflussfaktoren wie Trends, Szenarien oder Risikoindikatoren, im Projektgeschäft bekanntlich nicht unerheblich, können zusätzlich berücksichtigt werden, um die Ergebnisse iterativ zu verbessern. Ziel ist es, der zukünftigen Realität so weit wie möglich nahe zu kommen. Darüber hinaus wird die händische Verplanung, sofern vorhanden, mit dem KI errechneten Predictive Forecast verglichen. Die sich daraus ergebende Schwankungsbreite wird per Konfidenzintervall angegeben. Aus den so prognostizierten Ergebnissen ermittelt .flınk entsprechende Empfehlungen für den Benutzer. Ein System, das aus Prognosen weiterführende Empfehlungen und Anweisungen gibt, kann dem noch relativ neuen Bereich der Prescriptive Analytics zugeordnet werden.
Mit Predictive Forecasting sind Methoden und Modelle gemeint, welche die Zukunft bestmöglich voraussagen. Predictive Forecasting ist eine Teildisziplin von Predictive Analytics, was wiederum ein Bestandteil von Business Analytics ist.
Das Projektcontrolling der Zukunft wird mit hoher Datenqualität in Echtzeit versorgt. Der automatisierte vollständig integrierte Planungsprozess unterstützt den Nutzer optimal und wird mit den Ergebnissen der KI Planung abgeglichen. Erkenntnisse und Prognosen führen damit letztendlich zu KI gestützten Empfehlungen für qualitativ hochwertige Projektplanungen.
