Selection of Projects for Project Portfolio Using Fuzzy TOPSIS and Machine Learning
Zhu, Zhe (2021-06-18)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2021061838807
https://urn.fi/URN:NBN:fi-fe2021061838807
Tiivistelmä
Project portfolio management (PPM) is extremely important nowadays due to the increasing severe competitions, accelerated product developments, project complexity, uncertainty, and challenges from global competitors. Therefore, businesses involved in many (dozens or even hundreds) projects need to formulate tactics and strategies to secure firms’ competencies and, most importantly, increase their productivities. Under this globalization context, PPM is to opti-mize the value provided to the customers while minimizing risks and the resources committed to the projects, while critical success factors (CSFs) is applied to anticipate the project’s risk and financial value by early assessment thus to help from the organizational level to predict the per-formance. Despite its importance, the literature on PPM and CSFs at a project level is rather limited, which demands a more profound knowledge about the assessment, ranking, and prior-itization of projects in the early stage. This study seeks to address the following two research questions: Do CSFs vary according to the project category, and how a supportive method can be established to help portfolio managers to select the project for portfolio. As a result, this re-search focuses on the multi-project context in order to fill the above-mentioned research gaps. As the contributions of this study, this study intends to (1) verify the hypothesis that different project category has different CSFs, and (2) contribute to explore how machine learning technol-ogy can be utilized for project selection.
Projektisalkun hallinta (PPM) on nykyään erittäin tärkeää lisääntyvien kovien kilpailujen, nopeutuneen tuotekehityksen, projektien monimutkaisuuden, epävarmuuden ja globaalien kilpailijoiden haasteiden vuoksi. Siksi moniin (kymmeniin tai jopa satoihin) hankkeisiin osallistuvien yritysten on laadittava taktiikat ja strategiat, joilla varmistetaan yritysten osaaminen ja mikä tärkeintä, lisää tuottavuuttaan. Tässä globalisaatiokehyksessä PPM: n on optimoitava asiakkaille tarjottu arvo minimoiden riskit ja hankkeisiin sitoutuvat resurssit, kun taas kriittisiä menestystekijöitä (CSF) käytetään ennakoimaan projektin riski ja taloudellinen arvo varhaisella arvioinnilla, jotta apua organisaatiotasolta suorituskyvyn ennustamiseksi. Tärkeydestään huolimatta kirjallisuus PPM: stä ja CSF: stä projektitasolla on melko rajallinen, mikä vaatii syvällisempää tietoa hankkeiden arvioinnista, luokittelusta ja ennakoinnista varhaisessa vaiheessa. Tässä tutkimuksessa pyritään käsittelemään kahta seuraavaa tutkimuskysymystä: vaihtelevatko CSF: t projektikategorian mukaan ja kuinka voidaan luoda tukeva menetelmä salkunhoitajien auttamiseksi valitsemaan projekti salkkuun. Tämän seurauksena tämä uudelleenhaku keskittyy moniprojektiyhteyteen edellä mainittujen tutkimuksen aukkojen täyttämiseksi. Tämän tutkimuksen myötä tämän tutkimuksen tarkoituksena on (1) tarkistaa hypoteesi, että eri projektikategorioilla on erilaiset CSF: t, ja (2) myötävaikuttaa siihen, kuinka koneoppimisen tekniikkaa voidaan hyödyntää projektin valinnassa.
Projektisalkun hallinta (PPM) on nykyään erittäin tärkeää lisääntyvien kovien kilpailujen, nopeutuneen tuotekehityksen, projektien monimutkaisuuden, epävarmuuden ja globaalien kilpailijoiden haasteiden vuoksi. Siksi moniin (kymmeniin tai jopa satoihin) hankkeisiin osallistuvien yritysten on laadittava taktiikat ja strategiat, joilla varmistetaan yritysten osaaminen ja mikä tärkeintä, lisää tuottavuuttaan. Tässä globalisaatiokehyksessä PPM: n on optimoitava asiakkaille tarjottu arvo minimoiden riskit ja hankkeisiin sitoutuvat resurssit, kun taas kriittisiä menestystekijöitä (CSF) käytetään ennakoimaan projektin riski ja taloudellinen arvo varhaisella arvioinnilla, jotta apua organisaatiotasolta suorituskyvyn ennustamiseksi. Tärkeydestään huolimatta kirjallisuus PPM: stä ja CSF: stä projektitasolla on melko rajallinen, mikä vaatii syvällisempää tietoa hankkeiden arvioinnista, luokittelusta ja ennakoinnista varhaisessa vaiheessa. Tässä tutkimuksessa pyritään käsittelemään kahta seuraavaa tutkimuskysymystä: vaihtelevatko CSF: t projektikategorian mukaan ja kuinka voidaan luoda tukeva menetelmä salkunhoitajien auttamiseksi valitsemaan projekti salkkuun. Tämän seurauksena tämä uudelleenhaku keskittyy moniprojektiyhteyteen edellä mainittujen tutkimuksen aukkojen täyttämiseksi. Tämän tutkimuksen myötä tämän tutkimuksen tarkoituksena on (1) tarkistaa hypoteesi, että eri projektikategorioilla on erilaiset CSF: t, ja (2) myötävaikuttaa siihen, kuinka koneoppimisen tekniikkaa voidaan hyödyntää projektin valinnassa.