دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Mario Vanhoucke
سری: Management for Professionals
ISBN (شابک) : 303131784X, 9783031317842
ناشر: Springer
سال نشر: 2023
تعداد صفحات: 330
[331]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 Mb
در صورت تبدیل فایل کتاب The Illusion of Control: Project Data, Computer Algorithms and Human Intuition for Project Management and Control به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب توهم کنترل: داده های پروژه، الگوریتم های کامپیوتری و شهود انسانی برای مدیریت و کنترل پروژه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب به طور جامع اهمیت رو به رشد داده های پروژه را برای برنامه ریزی پروژه، تجزیه و تحلیل ریسک و کنترل ارزیابی می کند. این موضوع ارتباط دادههای پروژه را هم برای محققان و هم برای متخصصان مورد بحث قرار میدهد و نشان میدهد که چرا جمعآوری، پردازش و استفاده از چنین دادههایی آنطور که اکثر مردم فکر میکنند ساده نیست. موضوع این کتاب در ادبیات به عنوان مدیریت پروژه داده محور شناخته می شود و شامل بحث استفاده از الگوریتم های کامپیوتری، شهود انسانی و داده های پروژه برای مدیریت پروژه های در معرض خطر است. این کتاب مؤلفههای اساسی مدیریت پروژه مبتنی بر داده را با خلاصه کردن روشهای پیشرفته فعلی، از جمله آخرین الگوریتمهای کامپیوتری و یادگیری ماشینی و متدولوژیهای آماری، برای ریسک و کنترل پروژه مرور میکند. اهمیت داده های پروژه مصنوعی برای دانشگاهیان را برجسته می کند و الزامات خاصی را که چنین داده هایی باید برآورده کنند، شرح می دهد. به نوبه خود، این کتاب طیف گسترده ای از روش های آماری موجود برای تولید این داده های مصنوعی را مورد بحث قرار می دهد و نشان می دهد که چگونه به محققان کمک کرده اند تا الگوریتم ها و ابزارهایی را برای بهبود تصمیم گیری در مدیریت پروژه توسعه دهند. علاوه بر این، ارتباط داده های پروژه را از دیدگاه حرفه ای بررسی می کند و توضیح می دهد که چگونه متخصصان باید داده های تجربی پروژه را برای تصمیم گیری بهتر جمع آوری کنند. در نهایت، این کتاب رویکرد جدیدی را برای جمعآوری، تولید و تجزیه و تحلیل دادهها برای ایجاد پایگاههای داده پروژه معرفی میکند و آن را برای محققان دانشگاهی و مدیران حرفهای پروژه به طور یکسان مرتبط میسازد.
This book comprehensively assesses the growing importance of project data for project scheduling, risk analysis and control. It discusses the relevance of project data for both researchers and professionals, and illustrates why the collection, processing and use of such data is not as straightforward as most people think. The theme of this book is known in the literature as data-driven project management and includes the discussion of using computer algorithms, human intuition, and project data for managing projects under risk. The book reviews the basic components of data-driven project management by summarizing the current state-of-the-art methodologies, including the latest computer and machine learning algorithms and statistical methodologies, for project risk and control. It highlights the importance of artificial project data for academics, and describes the specific requirements such data must meet. In turn, the book discusses a wide variety of statistical methods available to generate these artificial data and shows how they have helped researchers to develop algorithms and tools to improve decision-making in project management. Moreover, it examines the relevance of project data from a professional standpoint and describes how professionals should collect empirical project data for better decision-making. Finally, the book introduces a new approach to data collection, generation, and analysis for creating project databases, making it relevant for academic researchers and professional project managers alike.
Preface Acknowledgements Contents Part I Data-Driven Project Management 1 About This Book 1.1 Theory and Practice 1.2 Data and People 1.3 Book Outline 1.4 Keep Reading References 2 Each Book Tells a Story 2.1 Bookstore 2.2 Only a Click Away 2.3 Keep Writing References 3 The Data-Driven Project Manager 3.1 Three Components 3.2 A Reference Point 3.3 The Beauty of Details 3.4 Literature (in a Nutshell) References Part II What Academics Do 4 Understanding 4.1 Measuring Time 4.2 Shedding New Light 4.3 Thank You, Tony References 5 Wisdom 5.1 Tolerance Limits 5.2 Control Points 5.3 Signal Quality 5.4 Mission Accomplished References 6 Learning 6.1 Schedule 6.2 Risk 6.3 Control 6.4 Torture References Part III What Professionals Want 7 Control Efficiency 7.1 Effort of Control Top-Down Project Control Bottom-up Project Control 7.2 Quality of Actions 7.3 Accuracy Pays Off 7.4 Empirical Evidence 7.5 The Control Room Afterthought References 8 Analytical Project Control 8.1 Project Control Methods (Revisited) 8.2 Best of Both Worlds 8.3 The Signal (Not the Noise) 8.4 Hope and Dream References 9 Reference Class Forecasting 9.1 Outside View 9.2 Construction Project (Study 1) 9.3 Hybrid Approach (Study 2) 9.4 Similarity Properties (Study 3) 9.5 Thank You, Bent References Part IV About Project Data 10 Project Data 10.1 Where Are We Now? 10.2 Two Types of Project Data Reference 11 Artificial Projects 11.1 Random Data 11.2 Structured Data 11.3 Generating Data 11.4 Twilight Zone 11.5 Data and Algorithms 11.6 Diverse Data 11.7 Core Data 11.8 Equivalent Data 11.9 From a Distance 11.10 Final Words References 12 Progress Data 12.1 Imagination 12.2 Variation Model 12.3 Risk Model 12.4 Scenario Model 12.5 Fiction References 13 Empirical Projects 13.1 Curiosity 13.2 Classification 13.3 New Library 13.4 Reality References 14 Calibrating Data 14.1 Calibrating Data 14.2 Partitioning Heuristic 14.3 Human Partitioning (the rider) 14.4 Automatic Partitioning (the horse) 14.5 Calibration Results 14.6 Conclusion References 15 More Data 15.1 Resources 15.2 Modes 15.3 Subgraphs 15.4 Skills 15.5 Reality 15.6 Portfolio References Part V Afterword 16 The Perfect Researcher 16.1 Doubt 16.2 Ignorance 16.3 Wildness 16.4 Serendipity References A Operations Research & Scheduling Group B Earned Value Management (Glossary) C Properties of Similarity D Patterson Format E Network and Resource Indicators F Network Resources = NetRes G Example Project Card H OR&S Project Datasets References