Comment exploiter efficacement vos données de projet pour anticiper et corriger les dérives par Yannick Meriguet

Le « Machine Learning » au service de vos projets

Une recherche incessante de performance des projets

aider les personnes à élever leur niveauPour améliorer en continu la performance des projets, les organisations s’orientent vers :

  • La montée en compétence des chefs de projet via les certifications, comme le PMP® du PMI®
  • L’alignement ou création des processus «management de projet » avec les « bonnes pratiques » comme celles exposées dans le PMBOK Guide® du PMI®
  • La création de structures de support appelées souvent PMO (Project Management Office)
  • La gestion de portefeuilles de projet pour faciliter la priorisation et l’allocation des ressources rares
Partenaire de DantotsuPM
Partenaire de DantotsuPM

Toutes ces solutions structurent le management de projet, produisent de l’information en continu mais aucune d’elles ne peut prédire dynamiquement le taux de dérive d’un projet et proposer rapidement les corrections appropriées pour le remettre sur les rails.

Une nouvelle approche prédictive : le « machine learning »

Le « machine learning » ou « apprentissage automatique » en français permet de développer des modèles informatiques intelligents et adaptatifs (en auto-apprentissage), exploitant un nombre important de données. Ce sont des modèles prédictifs qui cherchent des corrélations significatives de données historiques et transactionnelles afin d’identifier risques et opportunités.

ArtificialFictionBrainLes applications du «machine learning » sont surtout connues chez les entreprises du web, notamment intégrées dans les systèmes de recommandation des sites marchands ou des jeux en ligne, le filtrage anti-spam, l’optimisation des stocks, la segmentation et le ciblage des clients. Mais de nouvelles applications commencent à apparaitre dans le monde industriel.

Selon certains journaux spécialisés, le machine learning va être une source de gain énorme pour les entreprises  qui pourront multiplier leur performance marketing par 10, la qualité de leur maintenance par 8 et réduire leurs risques financiers par 5, d’ici 2030.

Dans ce courant, nous avons développé un cadre pour intégrer le « machine learning » dans des modèles prédictifs permettant d’anticiper, éviter et/ou corriger les dérives des projets.

Mieux exploiter les données des projets pour anticiper…

Image courtesy of Phanlop88 / FreeDigitalPhotos.net
Image courtesy of Phanlop88 / FreeDigitalPhotos.net

Notre objectif est d’amener l’organisation à exploiter efficacement toutes les données « projet » dont elle dispose afin de créer des agents «intelligents » qui accompagneront la gouvernance des projets dans les prises de décision nécessaires au succès des projets en cours.

Ce modèle d’analyse prédictive peut être utilisé aux étapes majeures du cycle de vie des projets comme les passages de Gate (débuts ou fins de phases), les revues de pilotage mensuel ou encore les jalons contractuels.

Le processus propose 3 capacités de prédiction :
  1. Un diagnostic: quelle est la probabilité de succès du projet à l’instant « t » ?
  2. Un relevé de points de vigilance: quels sont les domaines ou les axes à corriger ?
  3. Des propositions d’amélioration continue: quelles sont les actions correctives les plus pertinentes à mener en fonction de l’environnement actuel ?

Ces capacités reposent sur une base de données historiques des projets comme représentée ci-dessous :

bd historique des projetsL’interaction entre le modèle et le chef de projet ou l’instance de gouvernance est permanente ce qui permet des cycles courts et itératifs d’entrées-sorties. A chaque cycle, le modèle s’ajuste et apprend pour restituer de nouvelles informations améliorant la prise de décision.

Notre modèle est basé sur les technologies éprouvées telles que le « support vector machine [SVM], fast messy genetic algorithms [fmGA], matrix factorization », ou encore les réseaux de neurones.

Une solide méthodologie basée sur les principes du « lean management » est intégrée au modèle afin que seules les connaissances pertinentes et utiles soient réintégrées au cœur du système.

La mise au point du processus complet adapté aux besoins de l’organisation se réalise sur 3 à 6 semaines.

Campana & Schott est partenaire de DantotsuPM
Campana & Schott est partenaire de DantotsuPM

Que faut-il pour utiliser ce modèle prédictif dans mes projets ?

Pour bénéficier de cette approche, les organisations doivent disposer au préalable d’un certain niveau de maturité en gestion de projet :

  • Avoir un historique de 20 à 50 projets avec les données suivantes : rapports d’avancement, demandes de modification, retours d’expérience, registres de problèmes (issue log), etc.
  • Chefs de projet séniors (formés et/ou certifiés)
  • Utilisation de processus de management de projet
  • Une Direction de projets (PMO, Comité de Pilotage, Gestion de Portefeuille…)

Tous les secteurs industriels sont concernés: sociétés d’engineering, de construction, fournisseurs de solutions logicielles d’entreprise, sociétés de services, industrie de fabrication, R&D, etc..

Il existe un modèle pour chaque environnement, nous sommes à l’écoute de vos besoins !

Lisez un article complet sur cette approche ou contactez Yannick Meriguet – Beagle Consulting : ymeriguet@beagle-net.com

MPM est Partenaire de DantotsuPM
MPM est Partenaire de DantotsuPM

Une réflexion sur “Comment exploiter efficacement vos données de projet pour anticiper et corriger les dérives par Yannick Meriguet

n'hésitez pas à commenter les billets et à partager vos idées.

Entrez vos coordonnées ci-dessous ou cliquez sur une icône pour vous connecter:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion /  Changer )

Photo Google

Vous commentez à l'aide de votre compte Google. Déconnexion /  Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion /  Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion /  Changer )

Connexion à %s

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur la façon dont les données de vos commentaires sont traitées.