CIO
Desde el desarrollo de software, la construcción, hasta la logística y las finanzas, cada empresa tiene proyectos que necesitan planificación, administración y monitoreo. Pero las herramientas que se usan actualmente para hacer eso a menudo son complejas, están diseñadas para especialistas y no hacen tanto como podrían para advertir sobre posibles problemas.
¿Podrían los sistemas de soporte de decisión y automatización impulsados por Inteligencia Artificial (IA) hacer más exitosos los planes al reducir costos y errores, evaluar riesgos, efectuar las cosas más eficientes o mantener todo a tiempo y dentro del presupuesto?
Conozca a continuación una visión preliminar de cómo la IA, el aprendizaje automático y el análisis predictivo podrían afectar los resultados del proyecto en los años venideros.
Pensando en riesgos
Administrar bien un objetivo requiere más que solo hacer un gran plan por adelantado y apegarse a él. Las interdependencias dentro de su proyecto y los cambios externos hacen que los resultados sean impredecibles. Las estimaciones y muchos pronósticos son en el mejor de los casos intuición; en el peor, conjeturas y movimientos manuales.
Las técnicas de gestión modernas, como la entrega ágil y continua, apuntan a reducir la incertidumbre al trabajar de forma incremental, pero eso aún no garantiza la concesión final. La gestión de cartera selecciona una combinación de ideas que equilibran el riesgo y la recompensa (porque es difícil seguir siendo competitivo si solo se juega de manera segura), pero eso significa medir el riesgo con precisión, lo cual es difícil.
“El riesgo en un proyecto siempre es probabilístico y la mente humana no es buena para hacer una gestión de probabilidad basada en él, especialmente cuando combinamos muchas probabilidades diferentes. Recibí la respuesta que esperaba, y estoy de acuerdo conmigo mismo”, dijo John Heintz, CEO de Aptage.
Es fácil confirmar sus propias opiniones
“Es natural, hasta cierto punto somos optimistas; todos vemos el camino positivo hacia adelante, la forma en que esto podría funcionar, y no tenemos evidencia para demostrar que no puede funcionar, por lo que esperamos que vaya a ir de la manera que queremos”, comentó Heintz.
Aptage utiliza el aprendizaje automático para predecir los resultados de los proyectos utilizando los datos que ya tiene, como la fecha de inicio y finalización planificada de varias fases del planeamiento (y, si los tiene, las estimaciones sobre los atrasos) para conocer la tasa de culminación del objetivo.
Las estimaciones son siempre inciertas, por lo que puede poner límites superiores e inferiores a la duración de las tareas (o el software puede modelarlo utilizando la proporción áurea). También debe incluir información sobre la fuente de los riesgos.
“Los equipos que no tienen un proceso tremendamente riguroso aún pueden usar nuestra herramienta de inmediato. Si un equipo tiene un retraso acumulado en el que hay siete cosas escritas en una servilleta, aún podemos ayudarlo. Si un equipo tiene un mejor caso / peor caso de análisis y una estructura de desglose del trabajo para todo el proyecto, podemos dar aún más consejos”, explicó Heintz.
Aptage emplea visualizaciones de confianza, viabilidad y si la inseguridad aumenta o disminuye con el tiempo para ayudarlo a cambiar entre lo que Heintz llamó: “pensar rápido y lo lento”.
“Tuvimos que crear estos elementos visuales porque necesitamos conectarnos con la mente intuitiva y de pensamiento rápido para ayudar a las personas a ver las cosas de una manera que les permita tomar buenas decisiones intuitivas. Si el proyecto comienza a ponerse mucho más rojo, el cerebro del lagarto debería tener cierto temor. Tal vez todavía decidamos seguir adelante con esa idea, pero lo hemos pensado y nos hemos visto obligados a meditar sobre las cosas correctas”, indicó Heintz.
Los algoritmos y modelos de los usos de Aptage se diseñaron para el desarrollo de software pero también para planes de construcción ajustados.
La primera integración (más bien básica) es con Jira y con el tiempo Heintz espera poner las visualizaciones dentro de las herramientas que los equipos de proyectos usan a diario como Microsoft Project, planificación de la construcción Primavera, Trello o incluso mapas de ruta y KPI en Salesforce o Power. BI.
“Si pongo una tarea en Trello o ServiceNow, ¿cuándo podría esperar y con qué nivel de confianza es la estimación? Dame la fecha de confianza del 90 por ciento”, señaló Heintz.
Generalmente, el objetivo es evitar llegar al final de un proyecto y sorprenderse. “Si supieras hoy que el proyecto tenía un riesgo del 60 por ciento de que no se hiciera y se hiciera bien, ¿qué harías de manera diferente? Le señalamos la fuente del riesgo y lo que podría hacer al respecto”, aseguró Heintz.
Aptage no solucionará los esquemas problemáticos, pero debería advertirle sobre ellos. “Es la capacidad de colaborar y hablar sobre ‘Este es un proyecto de alto riesgo y lo estamos gestionando bien’ frente a ‘No sabemos cuál es el riesgo; solo vamos a prometer que se va a hacer y en el último momento podríamos decir que no’”, agregó Heintz.
Administración de recursos
Algunas de las empresas de herramientas de IA que ya están adoptando, como el mantenimiento predictivo, pueden ayudar a que los proyectos sean más eficientes y confiables.
“Una de las cosas más comunes que pueden echar a perder un plan en términos de su calendario y riesgo, es una falla imprevista en los sistemas en los que confía en el proyecto”, afirmó Lance Olsen, director del equipo Cloud AI de Microsoft.
Para Olsen la IA será más útil al eliminar la inseguridad en los planeamientos, ya sea en la predicción inicial o en la ejecución. Eso hará que sean más eficientes. También puede ayudar a rastrear el progreso y el rendimiento, especialmente si se tiene un panorama amplio de la gestión de ideas.
“Se está llevando a cabo una gran cantidad de administración de proyectos donde no hay nadie que oficialmente tenga ese título o rol, y hay un nuevo conjunto de herramientas de administración de proyectos que no pensamos conscientemente de esa manera”, expresó Nadya Duke Boone, directora de gestión de productos para plataforma en New Relic.
Con los propósitos incrementales, el éxito no siempre se determina al final de un objetivo; es más probable que se trate de KPI continuos en cuanto a calidad y confiabilidad.
“Los clientes que preguntan ‘¿Estamos en buen camino?’ Están utilizando métricas como ¿cuántas implementaciones puedo hacer? ¿Qué tan confiables son mis implementaciones? ¿Tengo errores de regresión? ¿Es mi actuación donde quiero que sea? “, detalló Boone.
“IA podría identificar tendencias de ralentización en esa corriente de datos que son significativos pero difíciles de ver — o que los humanos pueden ignorar fácilmente, incluso si los ven”.
New Relic Applied Intelligence incluye una herramienta llamada Radar que busca estos patrones y problemas, sugiere acciones y aprende de lo que los usuarios recogen.
La IA también puede ayudar con la automatización, dejando a los gerentes de proyecto más tiempo para administrar realmente. “En este momento, gran parte de la labor de esta tecnología en cualquier industria es eliminar el trabajo que es tedioso y dejar que los humanos se concentren en la parte que las máquinas no hacen bien. Tantas tareas en la gestión de planeamientos no es una cuestión de números; se trata de si tenemos objetivos claros, todos se mueven en la misma dirección y se coordina su trabajo”, dijo Boone.
New Relic, por ejemplo, usa un chatbot para recordarle a los gerentes que administren horas capitalizables. Boone también especuló que el análisis del lenguaje natural de cómo las personas expresan las actualizaciones de estado puede ayudar a determinar qué tan seguros están del progreso.
Rick McEachern, vicepresidente de negocios de desarrollo de Software AG, consideró que la automatización de procesos robóticos (RPA) se hace cargo de muchas de las tareas mundanas, repetitivas y de gran volumen de los directores de proyectos, como fusionar datos de diferentes sistemas para coordinar entregas y otras prácticas logísticas, además de actualizar los sistemas de gestión de casos.
“Hay mucho trabajo que se puede hacer en cuanto a transferir datos, moverlos entre diferentes sistemas, manejar correos electrónicos masivos, hacer informes y procesar archivos y documentos. Los robots son geniales en ese tipo de actividad”, sugirió McEachern.
“Podría hacer que las máquinas revisen las diferentes actualizaciones y los informes de estado y datos, y alertar si se supone que un archivo debe estar aquí en una fecha determinada y no llegó. Si alguien no ha enviado su último estimado, puede usar un robot con el sistema de administración de casos para hacerles un ping y decir: ‘Falta dos días para el plazo y le enviaré un recordatorio por hora’. Y cuando cargan el nuevo horario, puedo invocar a un robot para extraer los datos que me interesan y ponerlos en el cronograma del proyecto principal”.
Prediciendo y experimentando
RPA también podría ser útil para la mejora y programación de recursos, si puede definir reglas comerciales o crear modelos de datos que se puedan usar para evaluar e informar excepciones. Eso podría ser particularmente conveniente para el transporte y la logística.
Es tentador pensar que se podría usar el aprendizaje automático para hacer predicciones sobre qué proyectos tendrán éxito y cuáles no, pero eso podría estar muy lejos.
No olvide ver: ¿Quién dijo que planificar proyectos era fácil?
“En lo que vemos que las personas se están enfocando hoy en día son componentes dentro del proyecto; los recursos y el progreso en contra de los recursos, o la salud o el rendimiento de los recursos. A medida que eso madure, un siguiente paso lógico es subir un nivel y ¿qué hay de todo el proyecto en sí mismo? ¿Cómo podemos hacerlo más eficiente?” Eso significará reunir información detallada sobre muchos proyectos, advirtió Olsen.
“Para obtener predicciones sobre los planes, debe capturar datos sobre la idea en sí y alimentarlo con un modelo y decir cuáles fueron las anomalías o los rasgos comunes en el proyecto que lo hicieron exitoso”, garantizó Olsen.
Boone también hace un llamado sobre cuán precisos pueden ser los pronósticos y que algunas tareas de proyectos son más fáciles de estimar que otras, porque son más repetitivas.
Para proyectos grandes y complejos con mucho personal donde el objetivo final es algo reincidente, como configurar un nuevo centro de datos o mover aplicaciones a una plataforma de contenedores, Boone consideró que podría haber suficientes datos para el aprendizaje automático para identificar valores atípicos, anomalías o correlaciones .
“Aquí hay tres correlaciones interesantes que hemos encontrado; es posible que desee profundizar en ellos. Eso es tratar a AI como un socio del gerente de proyecto y permitirles aplicar su inteligencia emocional y de nivel humano”, concluyó la experta.