دانلود ترجمه مقاله مطالعه ای بر روش های بهبود دقت پیش بینی در مدیریت پروژه

مقدمه:
مطالعات مدیریت پروژه به طور گسترده ای براین فرض استوار است که پیش بینی عملکرد مدیریت پروژه با راهنمایی مهندسان در مسائل علمی، اجازه می دهد که عملکرد مدیریت به صورت فعال باشد. چندین محقق مدل ها و روش های براورد بهتر عملکرد پروژه را پیشنهاد نموده اند. جزئیات در این مدل ها و رویکردها متفاوت با اهداف و فرضیاتی در مورد اطلاعات مختلف در دسترس می باشد. مدیریت پروژه بدست آورنده ارزش ها (EVPM)،یک روشی است که دامنه و هزینه و برنامه ای برای اندازه گیری و برقراری ارتباط در فرایند فیزیکی واقعی یک پروژه بوده و اغلب از انها به عنوان روش های پیش بینی عملکرد استفاده می شود. EVPM تولید یک شاخص واریانس و عملکرد را برای هزینه های پروژه و برنامه ها،ارائه نشانه های اولیه از عملکرد پروژه را در نتایج دارد. یک اجماع گسترده در میان محققان وجود دارد که در مورد سودمندی EVPM برای نظارت بر پروژه و پیش بینی عملکرد بوده و EVPM تبدیل به یک جزء مهم در مدیریت پروژه های موفق شده است. که با تحقیقات قابل توجهی در برنامه های افزایشی و برنامه کاربردی از EVPM منتشر شده است. با وجود تجهیزات و آرایش کامل از مطالعات EVPM،مطالعات قبلی افزایش تمرکز را در دقت و قابلیت اطمینان در پیش بینی هزینه نهایی و مدت زمان یک پروژه را دارد. تعداد نسبتا کمی از آدرس های بهبود پیش بینی در ارزش های برنامه ریزی شده، در نظر گیرنده برآورد های اولیه از ارزش های بدست امده بوده و هزینه های واقعی قبل از اجرای پروژه را نشان می دهد. در نتیجه،به نظر می رسد فقدان یک مدل منجر به افزایش دقت پیش بینی از ارزش بدست امده و هزینه های واقعی قبل از اجرای چروزه را برعهده دارد. بقیه مقاله به شرح زیر است. بخش دوم به بررسی مطالعات مرتبط با EVPM می پردازد و در بخش سوم سوالات پژوهشی و روش ارائه می شود و در بخش چهار،ساختار داده ها و مدل و اعتبار آن ارائه می شود و در بخش پنجم خلاصه تحقیقات انجام شده ارائه شده و نتیجه گیری می شود. در بخش 6 توصیف محدودیت های تحقیق و تحقیقات آینده را ارائه می کند.

Introduction:
Project management studies widely assume that predictions of project performance guide management to engineer critical issues scientifically, allowing for proactive project performance management. Several researchers have proposed predictive models and approaches to better estimate project performance (Brandon, 1998; Brown, 1985; Chen, 2013, 2014; Cioffi, 2005, 2006a, 2006b; Farris et al., 2006; Keil et al., 2003). The level of detail in these models and approaches varies considerably with their various purposes and assumptions about information availability. Earned value project management (EVPM), a method that employs scope, cost, and schedule to measure and communicate the real physical process of a project (Vanhoucke and Vandevoorde, 2007), is the most commonly used of the project performance forecasting approaches reviewed. EVPM produces variance and performance indices for project costs and schedules, and thus predicts project costs and schedules at completion, providing early indications of expected project performance results. A broad consensus exists among researchers and practitioners (Anbari, 2003, 2004; Christensen, 1998, 1999; Kim, 2014; Lipke, 2003; Lipke et al., 2009; Narbaev and Marco, 2014; Project Management Institute, 2013) about the usefulness of EVPM for monitoring and predicting project performance, and EVPM has become an important component of successful project management (Marshall, 2006, 2007; Marshall et al., 2008), with considerable research on the extensions and applications of EVPM being published. Despite the panoply of EVPM studies, prior studies (Anbari, 2003, 2004; Cioffi, 2006a; Henderson, 2003; Lipke et al., 2009; Vanhoucke and Vandevoorde, 2007) focus on enhancing the accuracy and reliability of predicting the final cost and duration of a project. Relatively few address improving the predictive power of planned values, considered initial estimates of earned values, and actual costs prior to project execution. As a result, there appears to be a lack of models capable of enhancing the prediction accuracy of earned values and actual costs before execution of projects. The rest of the paper is organized as follows. Section 2 reviews related EVPM studies, Section 3 presents the research question and methodology, and Section 4 depicts the data, model building, and validation. Section 5 presents the research summary and conclusions. Section 6 describes research limitations and direction for future research.