Utilice los datos para revolucionar la planificación de proyectos
Resumen.
La planificación precisa de los proyectos es notoriamente difícil. Según el estudio «Pulse of the Profession» de 2018 realizado por el Instituto de Gestión de Proyectos, entre 2011 y 2018 solo el 50% de los proyectos se completaron a tiempo y el 55% se ajustaron al presupuesto. Aunque las empresas han estado invirtiendo en técnicas de gestión de proyectos desde la década de 1970, la precisión de sus planes de proyecto no ha mejorado mucho. Las previsiones inexactas de la duración, los costos, los recursos y los beneficios de los proyectos son una fuente importante de riesgo y pueden afectar las carreras de los líderes, así como las oportunidades de crecimiento de las organizaciones y la salud de la economía en general. Sin embargo, hoy en día, la predicción basada en datos y la toma de decisiones ofrecen oportunidades sin precedentes en el campo de la planificación de proyectos. Utilizando datos históricos sobre las fechas iniciales de finalización previstas de los proyectos y los costes totales, entre otras medidas, se pueden establecer estimaciones de exactitud. Estas estimaciones de exactitud se pueden utilizar para prever y establecer los objetivos de los nuevos proyectos.
El tren bala de California entre San Diego y San Francisco. Programa Joint Strike Fighter de Lockheed Martin. Aeropuerto de Brandeburgo de Berlín. Base de carga inalámbrica AirPower de Apple. Estos son solo algunos ejemplos de proyectos que sufrieron retrasos severos en el cronograma y sobrecostos, o que no pudieron cumplir con el alcance prometido.
Planificar proyectos con precisión es notoriamente difícil, ya sea que se financien con fondos públicos o privados, o en ámbitos como la construcción, la tecnología, la industria farmacéutica o la infraestructura. Según el Estudio «Pulso de la profesión» 2018 llevada a cabo por el Instituto de Gestión de Proyectos, entre 2011 y 2018 solo alrededor del 50% de los proyectos se completaron a tiempo y aproximadamente el 55% se encontraban dentro del presupuesto. Aunque las empresas han estado invirtiendo en técnicas de gestión de proyectos desde la década de 1970, la precisión de los planes de proyecto no ha mejorado mucho.
Los pronósticos inexactos que incluyen duraciones, costos, recursos y beneficios son claramente la principal fuente de riesgo para las carreras profesionales de los líderes y las oportunidades de crecimiento de las organizaciones. Por ejemplo, las firmas desperdiciar un promedio de 119 millones de dólares por cada 1.000 millones de dólares gastados (11,9%) en proyectos debido al bajo rendimiento de los proyectos. Los proyectos tardíos o costosos también pueden afectar a la salud de la economía en general. Las contribuciones del producto interno bruto (PIB) de las industrias orientadas a proyectos son se prevé que alcance los 20,2 billones de dólares en 2027; los errores importantes tienen el potencial de eliminar este número.
Hace cuarenta años, el psicólogo y ganador del premio Nobel Daniel Kahneman, junto con su colaborador a largo plazo Amos Tversky, señalaron que los seres humanos tienden a sufrir falacia de planificación: prometen demasiado y ofrecen previsiones poco realistas de los objetivos de los proyectos. Kahneman y Tversky sugirieron usar un o vista exterior desarrollar planes de proyecto más realistas. Propusieron utilizar una técnica de previsión llamada previsión de clases de referencia, mediante el cual se pronostican las duraciones o los costes de los proyectos comparando un proyecto de interés con un conjunto de proyectos similares anteriores. Por ejemplo, la vista exterior contrasta con la vista interior que se toma con mayor frecuencia, donde el proyecto se planifica sin tener en cuenta el rendimiento histórico y su capacidad para cumplir los objetivos establecidos.
En la actualidad, las actitudes cambiantes hacia la recopilación de datos, la predicción basada en datos y la toma de decisiones ofrecen oportunidades sin precedentes en el campo de la planificación de proyectos. Con los datos, las empresas ahora pueden poner en práctica las ideas de Kahneman y Tversky, yendo más allá de su visión original. Utilizando datos históricos sobre las fechas iniciales de finalización previstas y los costos totales de los proyectos, además de los gastos y duraciones reales o realizados, se pueden establecer estimaciones de precisión. Estas estimaciones se pueden utilizar para prever y establecer los objetivos de los nuevos proyectos. Estos son algunos ejemplos de lugares en los que se están produciendo predicciones basadas en datos, así como algunos recursos disponibles públicamente que puedes usar.
En el Reino Unido, los datos sobre el desempeño de los proyectos se han recopilado durante más de una década. Libro Verde del Tesoro de HM proporciona orientación sobre cómo deben evaluarse las propuestas de proyectos antes de que se comprometan fondos públicos importantes. El procedimiento de evaluación incluye un ajuste explícito para tener en cuenta el optimismo sistemático, a veces denominado «sesgo del optimismo», que es la exageración de los beneficios y la subestimación de las duraciones y los costos.
Estos ajustes de optimismo utilizan previsiones de clase de referencia y se construyen empíricamente sobre la base de datos históricos considerados relevantes. En un estudio Dirijo para el Departamento de Transporte del Reino Unido, junto con investigadores del University College de Londres, la Universidad Erasmus de Rotterdam y la Warwick Business School, descubrimos que los proyectos de infraestructura ferroviaria requieren un ajuste optimista del 64% (para proyectos en etapas tempranas de definición) a un 4% ajuste (para proyectos que ya han completado diseños detallados). Estos ajustes se determinaron mediante un análisis de datos de miles de proyectos históricos.
Gran parte de las orientaciones del Libro Verde sobre el sesgo del optimismo y los ajustes necesarios se han inspirado en el trabajo realizado por el profesor de Oxford Bent Flyvbjerg. El profesor Flyvbjerg ha recopilado datos sobre cientos de proyectos a gran escala, principalmente en las esferas de infraestructura, construcción y tecnología de la información. Los subconjuntos de proyectos de este conjunto de datos sirven como puntos de referencia relevantes a la hora de evaluar nuevas iniciativas.
En los Estados Unidos, el Ley de responsabilidad de mejora de la gestión de programas se convirtió en ley el 14 de diciembre de 2016. La Ley, cuyo objetivo es mejorar las prácticas de gestión de programas y proyectos dentro del Gobierno Federal, establece una orientación inicial para enfoques coordinados y gubernamentales para fortalecer las prácticas de gestión de proyectos. Dirigido a las agencias federales, el objetivo es mejorar el desempeño del gobierno, incluido el «uso de datos de costos y cronogramas para apoyar la toma de decisiones». En el futuro, se espera que esta ley sirva como un catalizador significativo para ayudar a establecer recursos para la recopilación de datos. El hecho de que el gobierno haya dado este paso también podría ayudar a establecer nuevas normas en la recopilación de datos relacionados con los proyectos.
En ambos ejemplos, el conjunto de proyectos que se consideran en la clase de referencia se identifica mediante el juicio humano. ¿Qué pasaría si la inteligencia artificial pudiera ayudar a desempeñar este papel? La disponibilidad de datos y el acceso a algoritmos inteligentes artificiales basados en datos pueden ayudar a llevar la previsión de clases de referencia al siguiente nivel, revolucionando la forma en que se planifican los proyectos y se establecen los objetivos.
¿Cómo? Mediante el uso de datos detallados a nivel de plan de proyecto con información sobre tareas individuales, el aprendizaje profundo y la inteligencia artificial pueden identificar patrones de similitud entre las tareas del proyecto, las jerarquías y las relaciones precedentes. nPlan, una startup con sede en Londres, lo está haciendo ahora. La empresa utiliza datos de decenas de miles de proyectos de construcción que implican millones de tareas combinadas con técnicas de procesamiento del lenguaje natural para predecir la duración y los retrasos de los proyectos. La combinación de datos enriquecidos y capacidades patentadas de IA permite a nPlan generar previsiones muy precisas y útiles para las fechas de finalización de proyectos, incluida información sobre los riesgos de retraso. Aquí, los algoritmos de IA aprenden qué patrones son más útiles para predecir retrasos, lo que reduce la necesidad de declarar una clase de referencia por adelantado.
Ha habido quienes sugieren que la disponibilidad de datos y tecnologías de IA introducirá un «cambio sísmico» en la planificación de proyectos. Esperemos que este cambio también nos permita superar la falacia de la planificación.
— Escrito por Yael Grushka-Cockayne
