资源预测数字模型搭建思路分享

2022 年 8 月 1 日 阿里技术



业务背景


资源预测是项目管理过程中的一个环节,即通过搭建合适的数据模型,对未来的项目人力资源投入情况进行有效预测,可以更加精准的完成项目资源规划并能及时发现问题进行相关调整。


难题和痛点


  • PM排期时没有有效数据支撑资源使用情况,每次排期都需要找各个研发团队TL沟通,会产生很大的沟通成本。


  • 线下维护项目资源投入信息会产生很多工作量,为研发团队和PM造成额外的管理成本。


  • 手工维护会导致各团队标准不统一,无法进行大规模推广。


解决方案


【中心思想】通过日常项目管理流程,即可达到资源预测的目的,不给项目管理过程增加额外负担。

3.1基本要求

3.2具体步骤

  • 活动1:构思效果——搭建数据模型——(直接/数据加工)——建立数据源

  • 在前面3.1章节中提到的报表,即是想要的效果。
  • 参数和基础功能即为数据模型即为数据源,很明显这些数据源无法直接应用到效果展示,因此需要进行数据加工。
  • 活动2: 先通过简单工具建立Demo,确认可行性,并对照使用过程逐步进行优化
  • 我选择通过Excel进行Demo处理, 详情可见文末《PMO-资源预测_模板》。


  • 活动3:利用现有平台和工具实现线上化

  • 在确认数据结果稳定、可靠的前提下,就可以开始规划工具线上化,毕竟Excel处理数据量较大时会非常卡顿。

类别
功能
Demo:《PMO-资源预测_模板》
线上工具
图例展示
基础功能
项目总轴
sheet:输入-项目计划
宜搭-项目总轴管理页面
 
基础功能
项目成员投入
sheet:输入-资源项目投入“A-F列”
sheet:参数-人员角色
宜搭-项目成员投入管理页面
 
参数
角色阶段投入比例
sheet:参数-阶段投入
宜搭-角色阶段投入比例管理页面
 
参数
工作日历表
sheet:参数-未来30天60天
sheet:参数-节假日
宜搭-日历表管理页面(全年工作日)
 
数据加工
项目成员预测投入明细
sheet:输入-资源项目投入“G-EN列”
Dataworks-resource_forecast(周期任务T+1日更新)
逻辑同Excel一致,宜搭数据清洗到opds一般需要T+1到3个小时,数据加工可手动出发任务,也可通过周期性任务T+1日更新。
报表
组织现状预测
sheet:报表-组织现状及实际投入
Deepinsight-预测投入分析


报表
项目投入预测
按项目维度进行资源投入预测,并能按角色身份和部门进行归集。
报表
资源预测排期参考
按人的维度以时间轴的方式进行工作饱和度预测,用于提供排期参考。可根据规划战役、员工类型、角色身份、花名、日期区间进行查询。
Deepinsight-资源预测排期参考





业务成果


  • PM排期时能提供有效数据支撑可用资源查询。


  • 减少研发、测试管理投入成本,通过日常项目管理流程( 项目总轴 项目成员投入 )只需要两步,即可达到资源预测的目标。 【使用过程中逐渐发现优化点,目前正在设计更加简便的预测模型,争取做到无感预测】


  • 建立更科学的、体系化的数据预测模型,加强数字化管理基础能力、为资源投入偏差提供分析参考。


数字化管理的规划和思考


  • 数据源和加工的基础数据模型,在设计时,要素和维度要考虑充分,这样可以方便后期进行二次加工。


  • 尽量选择符合日常工作习惯的线上工具,可以向工具研发组提需求,也可以自行学习研发。因为本人是PM,因此总结了一套适合非研发同学使用的资料。


  • 从日常工作中发现痛点,总结规律和方法,通过小范围验证,进而提炼标准和流程,最终实现数字化管理动作。


  • 每个数字背后,都是真实的项目和人,关键在于怎么应用这些数字。


  • 如果是为了汇报,生搬硬套凑出来,参与的同学都会怀疑这些数字的意义; 如果遇到问题,TL和PM该反馈的反馈,该上升的上升,不能为了凑而凑,辩证的执行。


  • 如果把数字化管理,与业产研月会、需求排序、需求排期等结合,并用于分析定位和辅助决策,将会非常有价值,且属于日常管理一部分。
《PMO-资源预测_模板》:https://zhuanlan.zhihu.com/p/547637165


重磅来袭!2022上半年阿里云社区最热电子书榜单!


千万阅读量、百万下载量、上百本电子书,近200位阿里专家参与编写。多元化选择、全领域覆盖,汇聚阿里巴巴技术实践精华,读、学、练一键三连。开发者藏经阁,开发者的工作伴侣~


点击阅读原文查看详情。

登录查看更多
0

相关内容

项目管理是将管理知识、技术、工具和方法综合运用到一个项目活动上,以期能符合或超越利害关系人对项目的需求和期望。
中国制造业数字化转型研究报告
专知会员服务
64+阅读 · 2022年8月26日
Neo4j知识图谱的技术解析及案例分享
专知会员服务
46+阅读 · 2022年7月15日
【经典书】时间序列和预测的介绍,428页pdf
专知会员服务
93+阅读 · 2022年5月14日
12篇顶会论文,深度学习时间序列预测经典方案汇总!
专知会员服务
53+阅读 · 2022年4月11日
专知会员服务
137+阅读 · 2021年11月21日
【阿里技术干货】知识结构化在阿里小蜜中的应用
专知会员服务
96+阅读 · 2019年12月14日
【全国科技工作者日】CSIG限时免费入会!
中国图象图形学学会CSIG
1+阅读 · 2022年5月30日
实战案例解析:如何从0到1搭建业务数据分析模型?
人人都是产品经理
0+阅读 · 2022年3月7日
数分必备,预测天花板的5种方法
人人都是产品经理
0+阅读 · 2022年3月5日
作业帮基于 Delta Lake 的湖仓一体实践
InfoQ
1+阅读 · 2022年2月7日
面向云原生应用的低代码开发平台构建之路
AI前线
0+阅读 · 2022年1月26日
如何形成统一设计风格-实践篇
阿里技术
0+阅读 · 2021年12月7日
keras系列︱深度学习五款常用的已训练模型
数据挖掘入门与实战
10+阅读 · 2018年3月27日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
16+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
7+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年10月2日
Arxiv
21+阅读 · 2019年3月25日
Deep Learning for Generic Object Detection: A Survey
Arxiv
13+阅读 · 2018年9月6日
Arxiv
11+阅读 · 2018年4月8日
VIP会员
相关VIP内容
中国制造业数字化转型研究报告
专知会员服务
64+阅读 · 2022年8月26日
Neo4j知识图谱的技术解析及案例分享
专知会员服务
46+阅读 · 2022年7月15日
【经典书】时间序列和预测的介绍,428页pdf
专知会员服务
93+阅读 · 2022年5月14日
12篇顶会论文,深度学习时间序列预测经典方案汇总!
专知会员服务
53+阅读 · 2022年4月11日
专知会员服务
137+阅读 · 2021年11月21日
【阿里技术干货】知识结构化在阿里小蜜中的应用
专知会员服务
96+阅读 · 2019年12月14日
相关资讯
【全国科技工作者日】CSIG限时免费入会!
中国图象图形学学会CSIG
1+阅读 · 2022年5月30日
实战案例解析:如何从0到1搭建业务数据分析模型?
人人都是产品经理
0+阅读 · 2022年3月7日
数分必备,预测天花板的5种方法
人人都是产品经理
0+阅读 · 2022年3月5日
作业帮基于 Delta Lake 的湖仓一体实践
InfoQ
1+阅读 · 2022年2月7日
面向云原生应用的低代码开发平台构建之路
AI前线
0+阅读 · 2022年1月26日
如何形成统一设计风格-实践篇
阿里技术
0+阅读 · 2021年12月7日
keras系列︱深度学习五款常用的已训练模型
数据挖掘入门与实战
10+阅读 · 2018年3月27日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
16+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
7+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员