Felhasználási eset: PMO Kockázati jelentés - Iparág: PMO Risk Reporting: Eszközök: PMI (iparági kockázatvállalás): Autóipar - Eszközök: LeapLytics kockázati mátrix + Traffic Light for Power BI
A probléma: Minden PMO-vezető az autóiparban ismeri ezt a találkozót
Csütörtök délután van. Az irányítóbizottság 90 perc múlva ülésezik. Valahol az asztalán ott van egy kockázati nyilvántartás három különböző változata - egy a platformmérnökségtől, egy a beszállítói integrációtól, egy pedig a programirodától -, mindegyik másképp van formázva, mindegyik saját színkonvenciókkal, és egyik sem aktuális. Ön 45 percet tölt azzal, hogy összevonja őket egy diaképbe, amely már a bemutatás előtt elavul. A bizottság megkérdezi, mely kockázatok eszkalálódtak a múlt hónap óta. Ön becslése szerint. Megkérdezik, hogy mely projekt munkafolyamatok jelenleg borostyánszínűek és melyek pirosak. Visszapörgeted a diákat. A teremben senkinek sincs világos képe az általános kockázati helyzetről. Az értekezlet a "kockázati definíciók összehangolására" vonatkozó cselekvési pontokkal zárul - ismét. Ez nem adatprobléma. Ez egy vizualizációs és munkafolyamat-probléma, és az autóipari PMO-csapatoknak több időbe és hitelességbe kerül, mint amennyit a legtöbb szervezet hivatalosan nyomon követ.
Miért nem elégségesek a szabványos eszközök a PMO kockázati jelentésekhez?
A legtöbb autóipari PMO-csapat az Excel vagy a Power BI natív vizuális eszközeihez nyúl, amikor kockázati jelentéseket készít. Mindkettő ésszerű kiindulópont - és mindkettő ugyanazokba a strukturális korlátokba ütközik, amint a kockázati kommunikációnak túl kell lépnie egyetlen projekten vagy egyetlen elemzőn.
1. Nincs kockázati trend története
A szabványos Power BI vizuális eszközök és az Excel-alapú kockázati nyilvántartások megmutatják, hol vannak kockázatok. most. Nem mutatják meg, hogy hol álltak a múlt hónapban, milyen gyorsan mozognak, vagy hogy mely kockázatok eszkalálódtak folyamatosan több jelentési cikluson keresztül. A PMO vezetője számára, aki egy irányítóbizottság előtt tart előadást, a "romlott-e ez a kockázat?" kérdés gyakran fontosabb, mint a "mennyi az aktuális pontszám?". - és a natív eszközök nem tudnak erre választ adni jelentős kézi munka nélkül. Egy három hónappal ezelőtt közepes, most pedig magas kockázat alapvetően különbözik egy olyan kockázattól, amely mindvégig magas volt. A trendek láthatósága nélkül ez a két kockázat azonosnak tűnik egy szabványos jelentésben.
2. Nincs kvadráns nézet - és nincs mélyebb fúrás is
A kockázatkezelés legkritikusabb felismerése a kockázat valószínűsége és lehetséges hatása közötti kapcsolat. A natív Power BI vizuális eszközök - szórásdiagramok, oszlopdiagramok, táblázatok - nem képesek ezt megfelelő kockázati mátrix kvadránsként ábrázolni. Megközelíthetik, de a vizuális nyelvezet rossz: a szórásdiagram nem kockázati hőtérkép, és az elemzői képzettséggel nem rendelkező érdekeltek nem fogják helyesen olvasni. Ami még ennél is fontosabb, hogy még ha közelítő képet is készít, nem tud rákattintani egy kvadránsra, és nem tud mélyebbre ásni az egyes kockázatokba, amelyek azon belül helyezkednek el. Nincs interaktivitás a kockázati áttekintés és a mögöttes kockázati részletek között - ami azt jelenti, hogy minden további kérdés továbbra is kézi szűrést vagy új diát igényel.
3. Nincs egységes státuszréteg a projektek között
Az autóipari programok jellemzően több tucat párhuzamos munkafolyamatot foglalnak magukban - platformfejlesztés, beszállítói minősítés, homologizáció, szoftverintegráció, gyártás felfuttatása. Minden munkafolyamat saját kockázati és állapotadatokat generál. A natív Power BI nem kínál célzott vizuális megjelenítést a RAG (piros-sárga-zöld) állapot olyan módon történő megjelenítésére, amely egyszerre több projektre is kiterjed, és egy pillantással olvasható marad. Strukturált közlekedési lámpa vizualizáció, a PMO-csapatok feltételes formázási trükkökhöz vagy színkódolt táblázatokhoz folyamodnak, amelyek minden adatmodell-változásnál megszakadnak, és minden jelentési ciklusban kézi karbantartást igényelnek.
A LeapLytics megközelítés: .
Az autóipari PMO-csapatok jellemzően így hajtják végre a strukturált PMO kockázatkezelés Power BI a LeapLytics kockázati mátrix és a közlekedési lámpa vizuális eszközök használatával történő beállítás - az adatok összekapcsolásától az irányítóbizottsági prezentációig.
- Csatlakoztassa kockázati nyilvántartását a Power BI-hez. A kiindulópont a meglévő kockázati adatok - legyenek azok Excelben, SharePoint listákban, egy belső projektmenedzsment rendszerben vagy egy SQL adatbázisban. A Power BI szabványos csatlakozói mindezeket migráció nélkül kezelik. Az adatmodellnek legalább három oszlopra van szüksége: egy kockázat leírására, egy valószínűségi pontszámra és egy hatáspontszámra. A legtöbb autóipari PMO-csapat már rendelkezik ezzel; a kérdés az, hogy ez a munkafolyamatok között következetesen strukturált-e, amit a beállítási folyamat segít kikényszeríteni.
- Adja hozzá a LeapLytics kockázati mátrix vizuális elemét a jelentéséhez. A LeapLytics kockázati mátrix egy hitelesített egyéni vizuális elem, amely közvetlenül a Microsoft AppSource-tól érhető el. Miután hozzáadta a Power BI jelentéséhez, a vizuális elem tengelyeihez hozzárendeli a valószínűség és a hatás mezőit. A mátrix automatikusan minden kockázatot a megfelelő kvadránsban elhelyezett jelölőként ábrázol - a nagy hatású / nagy valószínűségű kockázatok a jobb felső kritikus zónában, az alacsony prioritású kockázatok a bal alsó zónában jelennek meg. Nincs kézi pozicionálás, nincsenek statikus képek, amelyek elhalványulnak.
- Lehetővé teszi a kvadránsoktól az egyes kockázatokig történő lefelé történő fúrást. Miután a kockázati mátrixot összekapcsolta az adatmodelljével, bármelyik kvadránsra kattintva a jelentés oldalának többi részét úgy szűrheti, hogy csak az adott zónán belüli kockázatokat jelenítse meg. Ez azt jelenti, hogy az irányítóbizottság tagja rákattinthat a kritikus kvadránsra, és azonnal láthatja az ott található konkrét kockázatok táblázatát - tulajdonos, enyhítési státusz, utolsó frissítés - anélkül, hogy a PMO vezetője diákat váltana vagy manuális szűrőket alkalmazna. Az interakció a Power BI szűrőmodelljének sajátja, és nem igényel további konfigurációt.
- Trendkövetés hozzáadása időalapú szeletelőkkel. Ha a kockázati nyilvántartást úgy alakítja ki, hogy tartalmazzon egy dátumoszlopot - akár egy egyszerű havi pillanatképet is -, a kockázati mátrixot jelentési időszak szerint szűrheti. Ezáltal olyan kockázati tendenciákról kaphat képet, amelyeket a natív vizuális eszközök nem tudnak biztosítani: megmutathatja a bizottságnak, hogy a kvadránsok eloszlása hogyan nézett ki januárban és márciusban, mely kockázatok kerültek sárga színről pirosra, és mely korábban kritikus kockázatokat sikerült mérsékelni. A többéves fejlesztési ciklusokkal rendelkező autóipari programok esetében ez a longitudinális nézet gyakran a legértékesebb kormányzási kimenet, amelyet a PMO előállíthat.
- Réteg a közlekedési lámpa vizuális megjelenítésében a munkafolyamat szintű állapothoz. A kockázati mátrix mellett a LeapLytics közlekedési lámpa vizuális programszintű áttekintést nyújt az összes aktív munkafolyamatról - platform, beszállító, szoftver, homologizáció -, amelyek mindegyike közvetlenül az Ön adatmodelljéből származó RAG-státuszt jelenít meg. A feltételes formázási trükkökkel ellentétben a Traffic Light vizuális elem automatikusan frissül, amikor az alapul szolgáló adatok megváltoznak, és konzisztens vizuális logikát tart fenn, függetlenül attól, hogy hány projekt van hatályban. Úgy tervezték, hogy ne csak egy elemző laptopján, hanem egy irányítóbizottsági terem nagy képernyőjén is olvasható legyen.
- Közzététel a Teljesítmény BI szolgáltatáshoz és adatfrissítés beállítása. Miután a jelentés elkészült, közzéteszi a Power BI Service szolgáltatásban, és automatikus adatfrissítésre ütemezi - naponta vagy igény szerint, ha a kockázati nyilvántartás folyamatosan frissül. Az érdekeltek böngészőn vagy a Power BI mobilalkalmazáson keresztül férhetnek hozzá. Nincs e-mail melléklet, nincs verziókezelési probléma, és nincs "legfrissebb verzió" kétértelműség. A jelentés, amelyet a bizottság csütörtök délután megnyit, ugyanaz a jelentés, amelyet a PMO vezetője aznap reggel áttekintett.
Mi változik a PMO-vezető mindennapjaiban?
A statikus kockázati diáktól az élő kockázatra való áttérés projekt kockázati műszerfal nem csupán felkészülési időt takarít meg - megváltoztatja a vezetői szintű kockázati megbeszélések jellegét.
Az irányítóbizottsági ülések rövidebbek és célzottabbak lesznek. Ha a kockázat helyzete minden résztvevő számára látható az ülés kezdete előtt, az ülés a "így néz ki a kockázati kép" helyett a "így kell döntenünk róla" témakörre változik. A PMO-csapatok arról számolnak be, hogy a kockázattal kapcsolatos napirendi pontok, amelyek korábban 30-40 perces diasétát igényeltek, 10-15 perc alatt lefedhetők, ha minden résztvevő már látta az élő műszerfalat.
A kockázat eszkalálódása gyorsabban történik. Amikor egy kockázat közepesről magasra változik, az érintett érdekeltek azonnal látják az élő műszerfalon - nem pedig a következő havi jelentésben. Az autóipari programok esetében, ahol egyetlen beszállítói minősítési késedelem is befolyásolhatja a gyártás ütemezését, az eszkalálódó kockázatok korai láthatósága mérhető értéket képvisel.
A PMO hitelessége növekszik a következetes, ellenőrizhető jelentéskészítéssel. Az autóipari PMO funkciók egyik állandó kihívása annak bizonyítása, hogy a kockázati jelentések szigorúak és módszertanilag konzisztensek a projektek között. A strukturált Power BI kockázati mátrix, amely egy közös adatmodellre épül, szabványosított valószínűségi és hatáspontozással, pontosan ezt az ellenőrizhetőséget biztosítja - és megkönnyíti a következetesség bizonyítását a belső ellenőrzés vagy a külső programellenőrök számára.
A A PMI kockázatkezelési gyakorlati szabványai, az érdekelt felek felé történő hatékony kockázatkommunikáció az egyik legkövetkezetesebben alulfejlett képesség a projektalapú szervezetekben. Az élő, interaktív kockázat-műszerfal közvetlenül ezt a hiányosságot orvosolja - nem azáltal, hogy megváltoztatja az összegyűjtött adatokat, hanem azáltal, hogy a megfelelő emberek számára a megfelelő időben, a megfelelő formátumban elérhetővé teszi azokat.
GYIK: PMO vezetők gyakori kérdései
Kockázati nyilvántartásunk Excelben van, és öt különböző projektmenedzser vezeti. Működhet ez még?
Igen - de a beállítási folyamat tartalmaz egy rövid adategyeztetési lépést. A kockázati mátrix vizuális megjelenítése megköveteli a valószínűség és a hatás következetes pontozását az összes bemenetre, ami azt jelenti, hogy az adatok összekapcsolása előtt meg kell állapodni egy közös skálában (pl. 1-5 mindkét tengely esetében). A gyakorlatban ez a beszélgetés a legtöbb több projektet magában foglaló PMO-környezetben az eszközöktől függetlenül esedékes. A Power BI beállítása felszínre hozza a következetlenséget, és létrehoz egy kényszerítő funkciót annak feloldására. Amint a megosztott modell a helyén van, minden projektmenedzser frissítheti a saját Excel-fájlját, és a műszerfal automatikusan frissül.
Már van Power BI. Szükségünk van az IT bevonására az egyéni vizuális elemek hozzáadásához?
A legtöbb szervezetnél egy hitelesített egyedi vizuális elem hozzáadása a Microsoft AppSource vagy Power BI Admin hozzáférés vagy a bérlő rendszergazdájának egyszeri jóváhagyása szükséges. A LeapLytics látványtervek Microsoft-tanúsítványt kaptak, ami azt jelenti, hogy átmennek a szokásos biztonsági felülvizsgálaton, és általában gyorsan jóváhagyhatók. A bérlői szintű jóváhagyást követően a szervezet bármelyik jelentéskészítője használhatja őket további IT-közreműködés nélkül.
Mennyi időt vesz igénybe reálisan, hogy a jelenlegi Excel kockázati nyilvántartásunkból egy élő Power BI kockázati mátrix műszerfal legyen?
Egy egyetlen program PMO-ja esetében, amely megfelelően strukturált kockázati nyilvántartással rendelkezik, a két-négy napos koncentrált beállítási munka reális becslés - beleértve az adatmodell összehangolását, a vizuális konfigurációt és az érdekelt felek kezdeti felülvizsgálatát. A több programra kiterjedő, nem egységes formátumú, régebbi adatokat tartalmazó beállítások két-három hetet is igénybe vehetnek. A kritikus függőség nem az eszközök, hanem az adatok függvénye: az, hogy a kockázati adatok jelenleg mennyire következetesen vannak strukturálva a munkafolyamatokban, meghatározza, hogy mennyi tisztításra van szükség a műszerfal éles üzembe helyezése előtt.
