Artiklen har særligt værdi for dig, der arbejder i krydsfeltet mellem projekter, data og beslutningsstøtte. Del den også med jeres IT-arkitekt, økonomichef og controller.
Del 1 af 3 i serien “Få mere ud af jeres projektdata”. Del 2: Data warehouse, data lake eller lakehouse: Hvad er forskellen? · Del 3: Sådan får I ProjectFlow-data ind i jeres datalager
Dine projektdata har også værdi, når de kan stå side om side med tallene fra andre fagsystemer i jeres organisation, f.eks. økonomi, HR, tidsregistrering, produktudvikling eller kundedata. ProjectFlow gemmer i forvejen projekternes historik, og den indsigt bliver for alvor værdifuld, når den kan kombineres med historikken fra jeres øvrige fagsystemer. ProjectFlow-data kan leveres til jeres eget datalager, uanset hvilken model I har valgt.
Jeres projektdata kan bruges til mere
De fleste organisationer har efterhånden godt styr på data inde i hvert enkelt fagsystem. Alligevel giver hvert system kun et retvisende billede af sit eget område. Værdien opstår, når data fra flere systemer kan stå side om side.
Hvad koster vores planlagte portefølje i estimerede lønkroner? Har vi bemanding til fem nye anlægsprojekter efter sommerferien? Gav IT-projektet værdi for vores kunder?
Ingen af spørgsmålene kan besvares fra ét system alene, og hvert nyt datasæt, der kobles på, øger værdien af de data, der allerede ligger der. Projektdata er et af de m: De sætter tal fra økonomi, HR, CRM og produktion ind i en sammenhæng, der handler om, hvad organisationen rent faktisk leverer. Det krydsfelt findes normalt kun ét sted: i et fælles datalager.
Den gode nyhed er, at ProjectFlow-data ikke er låst inde. De kan leveres til jeres eget datalager, i jeres eget miljø, i en kadence I selv bestemmer – og dermed indgå på lige fod med resten.
Gevinsten: ét datagrundlag i stedet for fem udtræk
Når projektdata ligger i det samme lager som resten af organisationens data, ændrer tre ting sig mærkbart.
Rapporteringen stopper ikke ved systemgrænsen. I dag ender mange ledelsesrapporter som et manuelt sammenklip i Excel: Et udtræk herfra, et udtræk derfra, en opslagsformel og en fodnote om, at tallene er trukket på forskellige datoer. Med et fælles datalager bliver sammenkoblingen en del af opsætningen i stedet for en månedlig arbejdsopgave.
Diskussionen om “hvis tal er rigtige” forsvinder. Når controlleren i Excel og direktionen i Power BI trækker på det samme lager, er der ikke to versioner af sandheden at forhandle om. Man kan stadig være uenig om fortolkningen – men ikke om tallene.
Historikken kan kombineres. ProjectFlow gemmer automatisk projekternes historik – ændringer i plan, budget, timer og ressourcer ligger der, uden at I skal gøre noget. Mange andre driftssystemer er derimod bygget til kun at vise, hvordan verden ser ud lige nu. I et fælles datalager kan ProjectFlows historik stilles side om side med de øvrige systemers historik måned for måned. Det er den kombination, der gør det muligt at lære noget af sin egen portefølje – og som er forudsætningen for stort set alt, hvad man senere vil bruge AI til.
Dertil kommer en teknisk fordel, der er værd at nævne: Tunge analyser og historiske træk belaster ikke driftssystemet. Rapporteringen kører på en kopi, ikke på det system projektlederne arbejder i til daglig.
Historikken er der allerede, nu skal vi høste gevinsten
Der er en pointe, der ofte bliver overset i business casen: Projekthistorikken har I allerede i ProjectFlow, men den bliver endnu mere værdifuld, når den kan holdes op mod de andre fagsystemers historik.
ProjectFlow viser den aktuelle plan – og gemmer samtidig automatisk hele forløbet frem til den. Det, et datalager tilføjer, er muligheden for at stille den historik op mod f.eks. økonomi- og HR-historikken for de samme perioder. Dermed får I noget, ingen kan købe sig til: jeres egen erfaringsbase. Hvor meget skrider anlægsprojekter typisk? Hvilke projekttyper bliver konsekvent underestimeret? Hvad kendetegnede de projekter, der faktisk holdt tidsplanen?
Det er også her, AI bliver relevant – og her, det er værd at være nøgtern. En sprogmodel kan ikke gætte, hvordan jeres portefølje plejer at opføre sig. AI-understøttet estimering, mønstergenkendelse i risici og tidlige afvigelsesvarsler forudsætter alle sammen et historisk datagrundlag med tilstrækkelig volumen og kontekst. Projekthistorikken har I i ProjectFlow. Det, der typisk mangler, er den tilsvarende historik fra de øvrige fagsystemer – og den bliver kun en realitet, hvis nogen sætter opsamlingen i gang.
Organisationer, der gjorde det for tre år siden, har det samlede grundlag nu. Dem, der venter på en færdig AI-use case, mangler stadig den halvdel, den dag use casen kommer.
Lagerplads er billigt. Og den historik, de øvrige systemer ikke får gemt, kan ikke genskabes bagefter.
Næste skridt: Sådan får I ProjectFlow-data ind i jeres data warehouse, data lake eller lakehouse
