یکی از موضوعات مهمی که در جلسات مدیریتی بعضاً با آن مواجه هستیم، پاسخگویی نامناسب افراد کلیدی در خصوص سؤالاتی است که ارتباط مستقیم با به ثمر رساندن اهداف پروژه (تحقق زمان و هزینه مطابق با الزامات قرارداد) دارند. افرادی که امور مهمی در یک پروژه یا کسب‌وکار را بر عهده گرفته (شکل 1) و به‌ واسطه ویژگی‌هایی چون تخصص، توانایی، استعداد، مهارت و تجربه، نسبت به بقیه افراد سازمان متمایز هستند. تمرکز این افراد محقق‌شدن تعهدات پروژه است به‌نوعی که اگر تصویر درستی از نوع عملکردشان در جلسات ارائه نشود، عملاً افزایش هزینه و زمان محقق شده در طول اجرای کار (Contemporaneously) قابل‌شناسایی نبوده و باعث خواهد شد مدیر پروژه از اتخاذ تصمیمات مناسب محروم و متضرر گردد.

شکل 1.  نمونه‌ای از جایگاه پرسنل کلیدی در چارت سازمانی

به‌عنوان‌مثال، چنانچه مدیر خرید به‌واسطه تأخیرات زمانی و اضافه‌هزینه‌های متحمل شده، وارد بحث‌های تخصصی مربوط به حوزه خود گردد (چگونه LC بازکردن، فرایند RFQ انجام‌دادن، فرایند TBE و...)، باعث خواهد شد حاضرین و تصمیم‌گیرندگان در جلسه را سردرگم نموده و جلسه به هیچ نتیجه مثبتی هم منتج نگردد. گاهی نیز فردی از حوزه‌های غیرمهندسی به نحوی مشکلات طراحی را در بخش‌های مختلف پروژه بازگو می‌نماید که هیچ همگونی‌ای با تحقق به‌موقع اهداف تعریف شده در قرارداد نداشته و ذهن مدیر پروژه را با موضوعاتی مشغول می‌نماید که هیچ الزامی بابت مطرح‌شدن آنها وجود ندارد.

پرسشی که به وجود می‌آید این است که پرسنل کلیدی برای اینکه بتوانند در جلسات مدیران ارشد به‌صورت حرفه‌ای پاسخگوی تعهدات پروژه باشند، لازم است چه مکانیزمی را در واحدهای مرتبط با خودشان پیاده‌سازی کنند تا هم عملکردشان بهتر نمایش داده شود و هم ذی‌نفعان اصلی سازمان بتوانند تصویر شفافی از شرایط فعلی پروژه داشته و در لحظه تصمیمات مهم را اتخاذ نمایند.

برای پاسخ به سؤال فوق، در این مقاله از مفاهیم و الگوریتم‌هایی که در بعضی از مباحث مربوط به یادگیری ماشینی و شبکه‌های عصبی و... وجود دارد، استفاده شده و در نهایت نتیجه‌گیری می‌گردد که اگر این مفاهیم، مبنای کاری پرسنل کلیدی قرار گیرد، خروجی تصمیمات جلسات مدیریتی، از مزیت بیشتری (در جهت تحقق زمان و هزینه) برخوردار گردد.

1. الگوریتم تجزیه تحلیل مؤلفه اصلی (Principle Component Analysis)

الگوریتم PCA یا همان تجزیه مولفه‌های اساسی، یکی از معروف‌ترین روش‌ها برای کاهش بعد است. 

کاهش بعد به این معنی است که ما یک داده را از فضایی با ابعاد بالا به یک فضای جدید با ابعاد پایین‌تر منتقل کنیم به‌طوری‌که عمده‌ترین اطلاعات داده باقی بماند. 

در این الگوریتم، ویژگی‌ها باهم به‌صورت خطی یا غیرخطی ترکیب شده و به یک فضای جدید نگاشت (Mapping) پیدا می‌کنند.
الگوریتم PCA بر اساس پراکندگی، کاهش بعد را انجام می‌دهد و با فرض اینکه ویژگی‌هایی (Feature) که بیشترین پراکندگی را دارند، عمده‌ترین اطلاعات را شامل می‌شوند، داده‌ها را در جهتی نگاشت می‌دهد که بیشترین پراکندگی را داشته باشد. داده‌ها، نمونه‌های تصادفی از یک جامعه آماری نامتناهی هستند که به‌عنوان متغیر تصادفی (تابعی از فضای نمونه به زیرمجموعه‌ای از اعداد حقیقی)، شامل مقادیری متناسب با ویژگی‌های تعریف شده هستند (مثل مقادیر تصادفی برای ویژگی‌های طول و عرض و...).
همان‌طور که در شکل 2 نشان‌داده‌شده است، میزان پراکندگی در محور افقی بیشتر از میزان پراکندگی در محور عمودی است و به این معنا می‌باشد که در حال حاضر اگر از 2 ویژگی موجود (X,Y)، برای تحلیل و اتخاذ تصمیمات استفاده کنیم، بهترین حالت، انتخاب ویژگی X می‌باشد به گونه‌ایی که از بیشترین پراکندگی نسبت به ویژگی Y برخوردار است. می‌توان با حذف ویژگی Y، از ویژگی X به‌عنوان عامل اصلی برای تصمیم‌گیری استفاده کرد.

شکل 2. فضای نگاشت شده از بعد زیاد به یک بعد

هر چه ویژگی‌ها زیاد باشند، داده‌ها ابعاد بزرگ‌تری دارند و چون لازم است در سریع‌ترین زمان ممکن تصمیم اتخاذ گردد، الگوریتم PCA با یک اصولی (استفاده از بردارها و مقادیر ویژه)، بخشی از این ویژگی‌ها را شناسایی و حذف می‌کند و باعث می‌شود داده‌ها از فضای با بعد بالا، به فضای با بعد کمتر کاهش پیدا کنند (شکل 3)، زیرا ممکن است در این‌بین، برخی از ویژگی‌ها بار اطلاعاتی زیادی برای تصمیم‌گیری نهایی نداشته باشند.

شکل 3. فضای سه بعدی به دو بعدی

برای ارتباط این الگوریتم با موضوع اصلی این مقاله، می‌توان گفت افراد کلیدی در پروژه‌ها  توسط مدیران سازمانی خود از نظر دانش نرم‌افزاری، تجربه، تخصص، تحصیلات، دوره‌های آموزشی و... با مکانیزم نمونه‌گیری تصادفی از فضای متناهی انتخاب می‌شوند. چون قرار است افراد کلیدی در جلسات مهم پروژه شرکت کنند، برای اینکه متناسب با مشغولیت‌های ذهنی مدیریت پروژه متمرکز و عملکرد خود را ارائه نمایند، باید خود را از فضای ذهنی با ابعاد بالا، به فضای ذهنی اعضای تصمیم‌گیرنده در جلسات مطابقت دهند تا بیشترین بهره‌وری در استفاده از داده‌ها را داشته باشند.

2. شبکه‌های عصبی پرسپترون چندلایه (Multi Layer Perceptron - MLP)

در شبکه‌های عصبی پرسپترون چندلایه هم مانند PCA، داده‌ها از یک فضای غیرخطی پیچیده، به فضای شفاف و قابل مرزبندی نگاشت پیدا می‌کنند (شکل 4). شاید با استفاده از عملکرد نورون‌های مغز در شبکه‌های عصبی، بتوان بهتر از PCA، نگاشت فکری مدیران را  از فضای پیچیده غیرخطی به فضای خطی توصیف کرد. عملکرد نورون‌های مغزی در شبکه‌های عصبی چند لایه می‌تواند گویای این باشد که داده‌ها با ویژگی‌های زیاد توسط هر کدام از نورون‌ها در لایه‌های مختلف بررسی می شوند و مقداری برای وزن‌های سیناپسی مشخص می‌گردد که بتواند دسته‌بندی داده‌ها را با 95 درصد اطمینان، به راحتی انجام دهد. در این شرایط باید اطمینان حاصل کرد که Over fitting و Under Fitting رخ نداده باشد (شکل 5) و برای تحلیل‌های اصلی و خارج از داده‌های موجود، پیش‌بینی درستی را بتواند انجام دهد.
در حالت Over fitting عملا الگویی شناسایی می‌شود که برای پیش‌بینی داده‌ها و ورودی‌های جدید، خوب عمل نمی‌کند به این صورت که گویی همه چیز را حفظ کرده و فقط برای داده‌های جمع‌آوری شده اول، کارساز است و در حالت Under Fitting هم به گونه‌ای است که الگوی درستی بابت داده‌های اولیه شناسایی نگردیده و عملا نمی‌توان آن را مبنای پیش‌بینی برای داده‌های جدید قرار داد.

شکل 4. شبکه عصبی چند لایه پرسپترون

شکل 5. حالت‌های مختلف مربوط به یادگیری شبکه‌های عصبی

خطوط قرمز رنگ در شکل شماره 5، مرزی هستند که شبکه‌های عصبی برای طبقه بندی (Classification) انجام می‌دهند و نشان می‌دهد اگر افراد کلیدی نتوانند الگوی مناسبی از ترکیب ویژگی‌های خود با فضای ذهنی مدیریت پروژه ایجاد کنند، دچار Over Fitting یا Under Fitting خواهند شد و در صورت مواجه‌شدن با تنوع سؤالات از سمت مدیران ارشد سازمان، نمی‌توانند پاسخ مناسبی با حداکثر 5 درصد خطا ارائه دهند.

3. ارتباط PCA و MLP با نقش نیروهای کلیدی در جلسات مدیریتی

برای بررسی بیشتر، یک مثال کاربردی را بررسی می‌کنیم. در شکل 6، بخش مهندسی پروژه را مورد بحث قرار می‌دهیم  به‌طوری‌که هرکدام از نمونه‌ها (متغیر تصادفی X1 تا X4) معرف یک کارشناس از بخش مذکور بوده و برای انتخاب پرسنل کلیدی در این واحد، از سه ویژگی نرم‌افزار، تجربه، دانش تخصصی، به‌صورت برداری برای امتیازدهی استفاده شده است.

شکل 6. فضای ویژگی مربوط به کارشناسان مهندسی در دستگاه مختصات اولیه

دستگاه مختصات فوق به‌صورت زوج مرتب و تابع نیست؛ بلکه متغیرهای تصادفی را بر اساس ویژگی‌های آن‌ها توصیف می‌کند. با استفاده از یک سیستم Scoring، می‌توان فرد مورد نظر را به‌عنوان نفر کلیدی بخش مهندسی پروژه، انتخاب و به مدیر پروژه معرفی کرد.  فرض کنیم کارشناسی که به‌عنوان Lead در دیسیپلین مهندسی برای پروژه انتخاب می‌گردد، طبق شکل 7، یک بردار بر اساس سه ویژگی دانش تخصصی، تجربه و نرم‌افزار باشد. با این فرض که فرد منتخب می‌تواند از فضای تخصصی و پیچیده ذهن خودش به فضای خطی ذهن مدیر پروژه نگاشت و با استفاده از چندین روش مختلف برای رسیدن به هدف تعریف شده در قرارداد استفاده و تعهدات مدنظر را محقق سازد.

شکل 7. فضای ویژگی مربوط به مهندسی Lead

نکته بسیار حائز اهمیت، استفاده افراد کلیدی از تجربه، تخصص و مهارت جهت تشخیص مجموعه جواب‌های Non-Dominate از جواب‌های Dominate در فضای دوبعدی زمان - هزینه است (مربوط به بهینه سازی توابع هدف چندگانه) که کمک می‌کند مدیران ارشد سازمان به جای صرف وقت برای شنیدن موضوعات غیر مرتبط با اهداف پروژه، بتوانند در زمان مناسب، تصمیم نهایی را اتخاذ نمایند. لذا تمامی افراد تخصیص‌یافته در یک سطح پایین‌تر از مدیر پروژه، باید در جلسات مدیریتی از فضای مختصاتی شکل 7، خود را به فضای مختصاتی شکل 8 با ویژگی‌های زمان و هزینه نگاشت دهند زیرا در جلسات مدیریتی به هیچ عنوان موضوعات تخصصی (بر اساس ویژگی‌های شکل 6) برای عبور از بحران راهگشا نیست و در نهایت مدیر ارشد نمی‌تواند تصمیمی برای وضع موجود اتخاذ کند.

شکل 8. نگاشت از فضای ویژگی به فضای مدیریتی

شکل 8، به طور مشخص نشان می‌دهد در اثر نگاشت از فضای ویژگی با سه متغیر به فضای اهداف با دو ویژگی زمان و هزینه، کاهش بعد اتفاق افتاده و Lead بخش مهندسی یا سایر بخش‌ها در پروژه نمی‌تواند بر اساس ویژگی‌های شکل 6 در جلسات مدیریتی حاضر و گزارش‌های خود را ارائه کند؛ زیرا برای مدیران، ارائه راهکارهای مختلف برای تحقق زمان و هزینه در پروژه‌ها از اولویت بیشتری نسبت به دریافت اطلاعات تخصصی نیروهای کلیدی برخوردار است. می‌توان این‌گونه هم عنوان نمود که طبق شکل زیر، مجموعه جواب‌های Non-Dominate در Pareto Front به‌دست‌آمده همان جواب‌هایی هستند که به‌نوعی می‌توانند یک پاسخ بهینه به طور هم‌زمان برای کمینه‌کردن زمان و هزینه پروژه باشند.

شکل 9. مجموعه جواب‌های مربوط به مدل‌سازی چند هدفه و شناسایی Pareto Front

4. نتیجه‌گیری

به طور خلاصه، مدیر خرید، مدیر مهندسی و ... باید در سطح Control Account، با موضوعاتی چون جریان نقدینگی، کنترل هزینه، شناسایی ریسک‌ها و انجام اقدامات پیشگیرانه و... آشنایی داشته باشند تا بتوانند در جلسات مدیریتی خود را از فضای پیچیده و صرفاً فنی، به فضای فکری مدیران ارشد سازمان نگاشت دهند. چنانچه سهم تقصیر بابت مشکلات به وجود آمده متوجه پیمانکار باشد، لازم است با ساخت الگویی با حداکثر 10 درصد خطا، در ابتدا به‌واسطه تسلطی که بر موضوعات فنی دارند، قبل از شروع جلسه، روش‌های امکان‌پذیر و مختلف را از لحاظ صرفه‌جویی، Crashing یا Fast Tracking بررسی نمایند. پس از حضور در جلسات، مدیران سازمان به همراه مدیر پروژه، راهکارهای ارائه شده را بررسی می‌کنند و تصمیم بهینه را از برآیند توضیحات پرسنل کلیدی، به نفع پروژه اتخاذ می‌نمایند.
اگر مشکلات مطرح شده متوجه کارفرما باشد، برای اخذ Extension Of Time و Compensation، یک Deadline مشخص می‌شود و کتابچه لایحه ادعا در اسرع‌وقت تهیه و با نظارت مدیر مربوطه، برای کارفرما ارسال می‌گردد.

---

جایگاه مبانی ارائه‌شده در آموزش‌های مؤسسه ACEMI

موسسه مهندسی و مدیریت ساخت علوی‌پور (ACEMI)، اولین موسسه تخصصی مدیریت ساخت در ایران است که اقدام به ارائه نقشه راه مدیریت ساخت (CM) و نقشه راه مدیریت کسب‌و‌کار در صنعت ساخت (CBM) در کشور نموده است.
نقشه راه جامع مدیریت ساخت (CM) در ۵ بخش در مهارت‌های سخت-کارشناسی، مهارت‌های سخت-ارشد، نرم، منتورینگ و مشاوران و ۵ سطح و 11 حوزه دانشی تدوین شده و شما می‌توانید یک مسیر مشخص، استاندارد و اجرایی را از نقطه آغاز تا پایان برای متمایز شدن و پیشرفت شغلی طی کنید. برای مشاهده دوره‌ها در یک نگاه، به تقویم آموزشی مراجعه نمایید.