تاثیر سیستم های پشتیبانی تصمیم گیری در کاهش تاخیر های پروژه مهندسی

چگونه پروژه مهندسی کاهش یافته DSS تاخیر می کند

برنامه ریزی پیشرفته از طریق تجزیه و تحلیل تاریخی

DSS به طراحان پروژه اجازه می دهد تا داده های تاریخی را از پروژه های مشابه قبلی تغذیه کنند.با استفاده از تجزیه و تحلیل رگرسیون و الگوریتم های یادگیری ماشین، سیستم می تواند مدت زمان کار را به طور دقیق تر از شهود انسانی برآورد کند.این خطر برنامه های بیش از حد خوش بینانه را کاهش می دهد، به عنوان مثال، یک DSS ممکن است نشان دهد که زمان های دقیق در شرایط زمستان 40٪ بیشتر از تابستان است، اضافه کردن واقعی.

مدیریت ریسک فعال

ثبت نام های خطر سنتی اسناد استاتیک هستند که تنها در طول بررسی های دوره ای به روز می شوند. یک DSS مدرن به طور مداوم شاخص های خطر مانند عملکرد تحویل دهنده، دسترسی به کار و پیش بینی های آب و هوایی را نظارت می کند.هنگامی که یک آستانه پیش تعریف شده عبور می شود، سیستم به مدیر پروژه هشدار می دهد و اقدامات کاهشی را پیشنهاد می دهد که تیم ها اجازه می دهند تا منابع یا وظایف را قبل از یک تاخیر بحرانی کنند.

نظارت بر پیشرفت واقعی و تشخیص تنوع

با استفاده از داده های سنسور، مدل های BIM و گزارش های پیشرفت روزانه، DSS می تواند معیارهای مدیریت ارزش (EVM) را در زمان واقعی محاسبه کند.یک تفاوت های منفی قابل توجه، هشدار های خودکار را به جای انتظار برای جلسات هفتگی، مدیران می توانند بلافاصله مداخله کنند.

بهینه سازی منبع Allocation

تعارض منابع یک علت اصلی تاخیر پروژه است. DSS کل استخر منابع را در تمام پروژه های فعال مدل می کند.هنگامی که یک درگیری شناسایی می شود، سیستم تکالیف جایگزین را پیشنهاد می کند یا تغییرات برنامه ای را پیشنهاد می کند. برخی از DSS پیشرفته حتی از بهینه سازی محدود برای پیدا کردن حداقل راه حل های مزاحم استفاده می کنند.این تضمین می کند که مهندسان ماهر و تجهیزات بحرانی در صورت نیاز در دسترس هستند.

بهبود ارتباطات و جذب کننده Alignment

داشبورد های متمرکز شده قابل دسترس توسط همه ذینفعان کاهش اطلاعات سیلوها.همه می بینند همان پایه، پیشرفت واقعی، و پیش بینی.این شفافیت به حداقل رساندن ارتباط نادرست و تاخیر در نتیجه از کار مجدد و یا تلاش های تکراری برای تیم های پراکنده جغرافیایی، DSS همچنین می تواند گزارش وضعیت را خودکار کند، از بین بردن تاخیر ناشی از تثبیت دستی.

بهینه سازی تصمیم گیری در عدم قطعیت

هنگامی که وقایع غیرمنتظره رخ می دهد، مدیران پروژه اغلب باید در میان چندین اقدام اصلاحی انتخاب کنند. A DSS می تواند تاثیر پایین هر گزینه را با استفاده از مدل های تصادفی شبیه سازی کند و احتمال تکمیل زمان بر روی هر جایگزین را ارائه دهد.این روش مبتنی بر شواهد جایگزین حدس زدن است و احتمال انتخاب مسیری که در واقع تاخیر را بدتر می کند.

شواهد واقعی جهانی: مطالعات موردی و متریک

چندین سازمان مهندسی بزرگ پس از اتخاذ پروژه بزرگ زیرساخت اروپا که یک مدل سفارشی را به کار گرفته اند، بهبود قابل اندازه گیری را مستند کرده اند، گزارش داده اند که 20 درصد کاهش در برنامه های Overruns در عرض دو سال است.سیستم داده های سنسور یکپارچه از سایت های ساخت و ساز با پیش بینی آب و هوا و زنجیره تامین API، اجازه می دهد برای تنظیمات برنامه پویا.

یک شرکت مهندسی ابزار آمریکای شمالی از یک DSS مبتنی بر داده برای تجزیه و تحلیل استفاده از منابع در سراسر یک نمونه کارها از پروژه های زیر ایستگاه استفاده کرد.با تبدیل مهندسان بر اساس قله های پیش بینی شده، این شرکت زمان تکمیل پروژه را به طور متوسط 12٪ کاهش داد و هزینه های بیش از حد برآورد شده در $4 میلیون دلار در سال حذف شد.

در بخش هوافضا، تولید کننده اجزای هواپیما یک DSS مبتنی بر دانش را اجرا کرد که درس هایی را که از تغییرات طراحی گذشته آموخته شده بود، هنگامی که مهندسان پیشنهاد اصلاح کردند، سیستم پرونده های گذشته مشابه و پیامدهای تاخیر آنها را نقض کرد.این مانع از اشتباهات تکراری و کوتاه کردن چرخه تصمیم گیری تا 30 درصد شد.

این نمونه ها با تحقیقات گسترده تر سازگار هستند. A 2023 متاآنالیز در ] ] [[[[ ] ] [در مقایسه با کسانی که تنها به کنترل پروژه های دستی متکی هستند، تجزیه و تحلیل میانگین زمان بندی شده توسط DSS را تجربه کردند. Project Management Institute منابع [F:3 همچنین نشان می دهد که چگونه کیفیت تصمیم گیری در محیط های ریسک بهبود می یابد.

یک جهت امیدوار کننده دیگر DSS تطبیقی است که از هر پروژه یاد می گیرد، زیرا سیستم نتایج را از توصیه های خود مشاهده می کند، مدل های آن را اصلاح می کند.این یک چرخه فضیلت ایجاد می کند که در آن هر پروژه متوالی از تجربه انباشته شده از همه نشریات قبلی بهره می برد. انتشارات تقویت کننده بالا بررسی می کند که چگونه می تواند برنامه ریزی پروژه را در زمان واقعی بهینه سازی کند، توانایی فشرده سازی بیشتر در محیط های پویا.

قراردادهای هوشمند مبتنی بر بلاک چین همچنین با پرداخت های خودکار و تایید (زمانی که نقاط عطف از طریق داده های IoT تأیید می شوند) با DSS تداخل می یابند و اختلافات عرضه کننده را کاهش می دهد و پروژه ها را در مسیر نگه می دارد.

نتیجه گیری

سیستم های پشتیبانی تصمیم توانایی خود را برای کاهش تاخیر در پروژه مهندسی با تقویت برنامه ریزی، فعال کردن مدیریت ریسک فعال، بهبود استفاده از منابع و ارائه دید زمان واقعی به پیشرفت ثابت کرده اند، در حالی که چالش های پیاده سازی مانند کیفیت داده، آموزش و هزینه باقی مانده، مسیر روشن است.S به سرعت از طریق ادغام با AI، IoT، و یک مدل های یادگیری سازگار که سرمایه گذاری در این سیستم های مدیریت مدرن است، و شواهد استراتژیک در مورد و غیر قابل اطمینان نیست.