За последние 10 и уже 5 лет изменился объём данных и скорость их обработки. Раньше (ладно, иногда и сейчас) мы принимали решения на основе интуиции, опыта и трёх отчётов. Теперь у вас есть контейнера данных, предиктивные модели и ИИ, который может предсказать риск задержки за две недели до того, как вы его заметите.

Всё меняется. Но не принципиально. Просто теперь проекты нуждаются в новых ролях и новых функциях. А руководитель проектов, который не освоит новые компетенции, превратится в пугало - страшный, уставший, пустой, но выполняет одну единственную функцию. Отгоняет мерзких птиц)) Нет, искусственный интеллект не заменит руководителя проекта. Но руководитель, владеющий ИИ заменит целый проектный офис.

✅ Принимать решения на основе данных. Каждое решение должно подтверждаться цифрами. Если данных нет — организовать сбор (сначала написала собор, и, честно говоря, тоже подходит).

✅ Интерпретировать аналитику для команды и стейкхолдеров. Переводить с языка бездушной машины на язык человеческий.

✅ Управлять рисками предиктивно. То есть, ДО наступления события)

✅ Интегрировать ИИ-инструменты в процессы управления. 

✅ Обучать команду работе с данными. В конце концов, хочешь в чем-то начать разбираться, начни это преподавать)

✅ Работать с дашбордами и BI-инструментами. 

✅ Формулировать запросы к данным. 

✅ Интерпретировать статистические показатели. 

✅ Задавать правильные вопросы ИИ. 

✅ Принимать решения в условиях неопределённости с опорой на данные. Когда данных не хватает - строить гипотезы и валидировать их.

И дополнительно еще должен знать:

✅ Основы работы с данными: типы данных, источники, ограничения.

✅ Принципы работы прогнозных моделей.

✅ Основы статистики: корреляция ≠ причинность, выборки, доверительные интервалы.

✅ Возможности и ограничения ИИ в проектном управлении: что ИИ может делать хорошо, а что пока нет.

✅ Этические аспекты использования данных: приватность, согласие, предвзятость алгоритмов.

Если проект ведётся по классическому, предиктивному жизненному циклу (водопад, чёткие фазы), в команду должны войти:

1️⃣ Аналитик данных проекта. Сбор и подготовка данных, построение дашбордов, визуализация, поддержка принятия решений на каждом этапе.

2️⃣ Инженер данных (частичная занятость). Обеспечение качества и доступности данных для анализа.

3️⃣ Специалист по предиктивной аналитике. Построение прогнозных моделей рисков, сроков, бюджета, интеграция с инструментами управления проектами.

В гибких командах (Scrum, Kanban) тоже появляются новые роли:

1️⃣ Product Analyst (продуктовый аналитик). Анализ пользовательского поведения, данных с продакшена, формирование гипотез для бэклога, валидация результатов спринтов. Менеджер по продукту этим не занимается.

2️⃣ ML Engineer (в проектах с ИИ-компонентом). Разработка и поддержка моделей машинного обучения, интеграция с продуктом.

3️⃣ Хранитель данных (мастер над данными). Отвечает за качество данных, документацию, соответствие политикам и регуляторным требованиям. Особенно важен в проектах с чувствительными данными.

4️⃣ AI фасилитатор/коуч. Помогает команде использовать ИИ-инструменты, обучает, отвечает на вопросы, снимает страхи и сопротивление.

❤️ PM будет пытаться делать всё сам: и управлять, и анализировать данные, и настраивать дашборды. И будет делать всё плохо. Результат — выгорание всех и снижение качества всего.

❤️ Данные будут собираться хаотично, без системы.

❤️ Прогнозные модели не появятся. Или появятся, но их будет некому поддерживать и интерпретировать.

❤️ Команда не научится работать с данными.

⚠️ В августе я буду в отпуске. 🛠 Мой календарь с доступными датами на лето для сессий и тренингов тут.