Розробка економіко-математичної моделі формування команди проекту в сучасних умовах: знаннєвий аспект

Обговорення результатів дослідження визначення оптимальної тривалості етапів проєкту в системі управління знаннями підприємства

Здійснено постановку задачі та розроблено описову модель визначення оптимального складу команди проєкту за рівнем знань, визначено етапи проєкту.

Також побудовано математичну модель задачі визначення оптимального складу команди проєкту та алгоритм її вирішення. Визначена цільова функція (1), обмеження моделі (2), (3), цільова функція, якщо обмеження моделі не виконуються (4), визначені необхідні вхідні дані моделі (5), (6). Алгоритм передбачає визначення областей знань, які потрібні для реалізації проєкту (7), побудову карти знань (8), побудову ієрархічного дерева областей знань проєкту (6). Також визначаються вагові коефіцієнти за методом Фішберна (9), (10), здійснюється підбір можливих працівників (комбінації) з кожного підрозділу із використанням елементів комбінаторики (11). Також необхідним є визначення необхідної кількості працівників з функціональних підрозділів підприємства для реалізації проєкту (табл. 1). Також алгоритм передбачає визначення шкали оцінювання потенційних членів команди проєкту за областями знань, встановлення мінімального та середнього рівня знань по цій області знань для комбінацй працівників з одного підрозділу. Здійснюється оцінювання потенційних членів команди у кожному з підрозділів за обраною шкалою.

Таблиця 14Працівники, які обрані у команду проекту та необхідність додаткового навчання

Визначено необхідні області знань для реалізації проєкту (табл. 2), побудовано карту знань підприємства для реалізації проєкту (табл. 3), побудовано ієрархічне дерево областей знань проєкту із зазначенням системи відношень переваг (рис. 1). Також сформована система ваг Фішберна (табл. 4), визначена необхідна кількість членів команди проєкту з функціональних підрозділів підприємства для успішної реалізації проєкту.

В якості кількісної шкали оцінювання кожної з областей знань використана «шкала бажаності» Харрінгтона, переведена до 10-бальної шкали (табл. 4). Експерти встановлено мінімальний рівень знань для кожної області знань та середній рівень знань для комбінацій працівників з одного підрозділу із використанням шкали Харрінгтона (табл. 6). Здійснено оцінювання потенційних членів команди у кожному з підрозділів підприємства за обраною шкалою (табл. 7-13). Здійснено порівняння для проблемних підрозділів неохідного та наявного середнього рівня знань обраних працівників у команду проєкту (рис. 2, 3). Відображено сформовану команду проєкту (табл. 14).

Розроблена модель, на відміну від моделі, розробленої нами у роботі [1], дає можливість обрати команду проєкту з різних підрозділів, враховуючи необхідні області знань та необхідний рівень наявних знань. Дані моделі є взаємодоповнюючими.

На відміну від робіт [6-8] у розробленій моделі, окрім аспекту знань, ще робиться акцент на необхідності формування комунікаційних зв'язків при формуваннні команди проєкту. На відміну від [13] модель враховує і необхідність застосування сучасних інформаційних технологій для формування команди проєкту в умовх Industry4.0. На відміну від [14, 15] розроблена модель дозволяє врахувати і застосування інформаційних технологій, і наявність необхідних знань та можливість збереження отриманих знань проєкту і перетворення їх у організаційні.

Проте розроблена модель не передбачає вибору менеджера проєкту, адже менеджер має володіти іншим набором областей знань, лідерськими якостями, знаннями про управління проєктами та ін. Тому розробка моделі вибору менеджера проєкту є предметом наступних досліджень. Звісно, дана модель може зіштовхнутися з труднощами підбору відповідного математичного апарату та практичною реалізацією. Висновки з даного дослідження і перспективи подальших розвідок у даному напрямі

1. Задача вибору оптимального складу команди проєкту за рівнем знань реалізується на машинобудівному підприємстві, котре планує виробництво нового виду продукції (медичного обладнання). Підприємство планує розпочати реалізовувати проєкт через 5 місяців. Для цього йому потрібно відібрати команду проєкту з функціональних підрозділів підприємства за критерієм наявності відповідного рівня необхідних знань згідно встановлених областей знань для успішної реалізації проєкту та можливості генерації нових знань під час реалізації проєкту. Також важливим є володіння сучасними інформаційними технологіями для автоматизації процесу управління проєктом. За відсутності у потенційних членів команди проєкту належного рівня знань, слід оцінити можливість опанування визначеної області знань до встановленого рівня за визначений період. Також потрібно визначити працівників підприємства, котрі є експертами з відповідних областей знань. Етапами проєкту є: додаткові дослідження потреб клієнта та відкриття нових можливостей на ринку, генерація ідей та відбір найкращої ідеї виробництва нового обладнання, аналітичні дослідження, проєктування, виготовлення дослідних зразків нової продукції. Однією з умов успіху проєкту є активна взаємодія між членами команди (працівниками з різних функціональних підрозділів), особливо в умовах Industry4.0. Тому окремою складовою в необхідних знаннях є активне застосування інформаційних технологій для налагодження комунікацій, швидкого обміну інформацією, прийняття рішення. Цільова функція передбачає максимізацію інтегрального показника для відібраної комбінації працівників одного підрозділу підприємства, котрі увійдуть в склад команди проєкту. Даний інтегральний показник є усередненим значенням відповідного рівня знань працівників по кожній необхідній області знань із врахуванням відповідного вагового коефіцієнту. При цьому враховується обмеження, що у потенційного члена команди рівень знань згідно обраної шкали з встановлених областей знань і має бути не нижчим мінімального рівня, встановленого експертами. А також середнє значення групи працівників з одного підрозділу по кожній області знань і має бути не нижчим середнього рівня, встановленого експертами. У разі відсутності у підрозділах підприємства працівників з відповідним рівнем знань обирається комбінація працівників з мінімальним відхиленням. Запропонована модель складається з визначення областей знань, які потрібні для реалізації проєкту та побудови карти знань, побудови ієрархічного дерева областей знань проєкту та визначення їх вагових коефіцієнтів (ваг Фішберна). Також модель враховує визначення необхідної кількості працівників з функціональних підрозділів підприємства для реалізації проєкту та встановлення шкали для їх оцінювання за областями знань. Здійснюється визначення необхідного мінімального та середнього рівня знань комбінації працівників підрозділу за областями знань для формування команди проєкту та оцінка їх наявного рівня знань. Визначаються можливі комбінації працівників з кожного підрозділу, вибір найкращої згідно встановлених обмежень та цільової функції та формується команда проєкту за рівнем знань.

2. Експертами визначені області знань, які потрібні для успішної реалізації проєкту. На першому етапі додаткових досліджень потреб клієнта та відкриття нових можливостей на ринку це визначення потенційних клієнтів, аналіз вимог потенційних клієнтів до продукту. Також слід визначити доступну частку ринку, визначити необхідний рівень інвестицій (методи економічної доцільності), аналіз конкурентів, розробка бізнес моделі. На другому етапі генерації ідей та відбору найкращої ідеї це знання методів генерації ідей, детальне знання продукту, інноваційні особливості продукції. На третьому етапі аналітичних досліджень це знання описової, прогностичної та прескриптивної аналітики. На четвертому етапі проєктування це знання про комплексне моделювання продукції, комплексне проєктування продукції, створення ескізів для вивчення потенційних концептуальних рішень, концепції 3D CADдля кращого визначення концепцій, характеристика складових деталей, матеріалів, кольорів, створення прототипу. На п ятому етапі виготовлення дослідних зразків нової продукції це знання про складання технічного завдання, складання технічної пропозиції, розробку ескізного проєкту, розробку технічного проєкту, підготовку робочої документації, виготовлення дослідних зразків нової продукції, тестування функціональності та надійності. Всі етапи проєкту супроводжуються автоматизацією процесу управління проєктами, що вимагає наступних знань: хмарні технології, автоматизована система управління проєктом, робота з мобільними версіями. Також важливою є система збереження знань проєкту, яка вимагає умінь формалізації знань, побудови карти знань, бази даних згенерованих знань. Побудована карта знань свідчить, що дані області знань розташовані у різних підрозділах підприємства. Серед них ВМЗЗ (відділ маркетингу та зовнішніх зв'язків); ПЕВ (планово-економічний відділ); ВАСУ (відділ автоматизованих систем управління). Також необхідні знання містяться у ВТК (відділ технічного контролю); ВМТ (відділ медичної техніки); ПКВ (проєктно-конструкторський відділ); ВВ (виробничий відділ).

3. Побудовано ієрархічне дерева областей знань проєкту із використанням системи відношень переваг та визначено їх вагові коефіцієнтів (ваги Фішберна). Найвищі вагові коефіцієнти присвоєно областям знань: детальне знання продукту, знання інноваційних особливостей продукції. Найнижчий ваговий коефіцієнт у областей знань: визначення потенційних клієнтів, аналіз вимог потенційних клієнтів до продукту, визначення доступної частки ринку, визначення необхідного рівня інвестицій (методи економічної доцільності), аналіз конкурентів, розробка бізнес моделі. Згідно оцінок експертів, які є працівниками підприємства, було визначено необхідну кількість членів команди проєкту з функціональних підрозділів підприємства. З відділу маркетингу та зовнішніх зв язків - 3; планово-економічний відділ - 3; відділ автоматизованих систем управління - 2; відділ технічного контролю - 2; відділ медичної техніки - 3; проектно- конструкторський відділ - 5; виробничий відділ - 5. В якості кількісної шкали оцінювання кожної з областей знань застосовувалася «шкала бажаності» Харрінгтона, переведена до 10-бальної шкали.

4. Встановлено необхідного мінімальний та середній рівень знань комбінації працівників підрозділу за областями знань для формування команди проєкту. Визначений середній рівень враховує додатній синергетичний ефект членів команди проєкту підрозділу. Оцінено потенційних кандидатів у команду проєкту різних підрозділів. У відділі маркетингу та зовнішніх зв язків оцінено 7 потенційних кандидатів. У планово-економічному відділі оцінено 7 кандидатів. У відділі автоматизованих систем управління оцінено 6 кандидатів. У відділі технічного контролю - 6 кандидатів. У відділі медичної техніки - 6 кандидатів, у проєктно-конструкторському відділі - 10 кандидатів та 10 кандидатів у виробничому відділі.

5. Визначено можливі комбінації працівників з кожного підрозділу. Для відділу маркетингу та зовнішніх зв язків та планово-економічного відділу вибір здійснювався з 35 комбінацій працівників. Для відділу автоматизованих систем управління та відділу технічного контролю вибір здійснювався з 15 комбінацій. Для відділу медичної техніки - з 20, для проєктно-конструкторського відділу та виробничого відділу - з 252 комбінацій. З 52 потенційних кандидатів для формування команди проєкту було обрано 23 необхідних. З підрозділу 1 ((ВММЗ)) обрано Працівникіо, Працівникі2, Працівників з необхідністю додаткового навчання. З підрозділу 2 (ПЕВ) обрано Працівник2і, Працівник22, Працівник2б. З підрозділу З (ВАСУ) обрано Працівникзо, Працівникз4. З підрозділу 4 (ВТК) відібрано Працівник42, Працівник4з. З підрозділу 5 (ВМТ) обрано Працівник52, Працівник54, Працівник55 з необхідністю додаткового навчання. З підрозділу 6 (ПКВ) відібрано Працівникво, Працівникб4, Працівниквв, Працівникб7, Працівникб9. З підрозділу 7 (ВВ) Працівник7з, Працівник74, Працівник7б, Працівник78, Працівник79відібрано згідно критеріїв. Працівникіо, Працівникі2, Працівників, Працівник54 вимагають додаткового навчання від внутрішніх експертів підприємства. Розроблена модель може бути використана широким колом підприємств із врахуванням специфіки їх діяльності.

Література

економіко математична модель проект команда

1. Economic-mathematical tools for building up a project team in the system of company's knowledge management / I. Chaikovska, T. Fasolko, L. Vaganova, O. Barabash // Eastern-European journal of enterprise technologies. - 20і7. - № 3/3 (87). - P. 29-37.

2. Chaikovska I. Economic-mathematical modelling of employee evaluation in the system of enterprise knowledge management / I. Chaikovska // Актуальні проблеми економіки. - (20іб). - № 9 (183). P. 417-428.

3. Lee C.C. The Development of a Methodology to Match the Client's Project Requirements with the Knowledge of the Project Team in Refurbishment Projects / C.C. Lee, C.O. Egbu // COBRA 2006: Proceedings of the annual research conference of the royal institution of chartered surveyors (7-8 September 2006, University College London) [Електронний ресурс]. - Available at : http://usir.salford.ac.uk/id/eprint/2950/1/200б_Cobra_Lee_CC.pdf

4. Paterek P. Effective Knowledge Management in Agile Project Teams - Impact and Enablers / P. Paterek // Fifth International Scientific Conference on Project Management in the Baltic Countries April і4-і5, 20іб. - 20іб. -P. 246-259.

5. Bittner E. A. C. Collaborative Knowledge Sharing in Project Teams - Requirements and Design Goals / E. A. C. Bittner, A. Hoffmann // 24th European Conference on Information Systems (ECIS). Istanbul, Turkey. - 20іб. - Available at:

ttps://www.researchgate.net/publication/3142б748б_Collaborative_Knowledge_Sharing_in_Project_Teaшs

_-_Requirements_and_Design_Goals

6. Hosseini S.M. A model for project team formation in complex engineering projects under uncertainty: A knowledge-sharing approach / S.M. Hosseini, P. Akhavan // Kybernetes. - 20і7. - № 46 (7) - Р. 1131-іі57.

7. Kosenko N. Building and developing a project team on the basis of a multicriteria model / N. Kosenko, A. Kolomiiets //Сучасний стан наукових досліджень та технологій в промисловості. - 20і7. - № 2 (2). - Р. 56-бі.

8. Tornjanski V. Effectiveness of Knowledge Transfer Between Project Team Members in Digitally Disrupted Organizations / V. Tornjanski, D. Petrovic, S. Nesic // Management: Journal of Sustainable Business and Management Solutions in Emerging Economies. - 2020. - № 25 (2). - P. і-і4.

9. Chaikovska I.I. Development of an economic-mathematical model to determine the optimal duration of project operations / I. Chaikovska, M. Chaikovskyi // Eastern-European journal of enterprise technologies (control processes). - 2020. - № 3 (105). - P. з4-42.

10. Hairul P.A. What matters in project team management? / P.A. Hairul // Polish Journal of Management Studies. - 20і8. - №17(2). - Р. 21і-22і.

11. Muszynska K. (2018). A concept for measuring effectiveness of communication in project teams / K. Muszynska // Journal of Economics and Management. - 20і8. - № 33(3). - Р. 63-79.

12. Gorniak A. Assessment of the project teams' communication skills in the automotive industry / A. Gorniak, K. Midor, J. Kazmierczak // Multidisciplinary Aspects of Production Engineering. - 20і9. - № 2 (1). - Р. б24-бз2.

13. Building a project team according to the time allocated and the number of relationships for the successful completion of a project / D. Filip, F. Covaciu, A. Sarb, S. Timoftei // Acta Technica Napocensis. Series: Applied Mathematics, Mechanics, and Engineering. - 20і9. - № 62(I). - Р. 141-і48.

14. Dumitra^cu I., Dumitra^cu D.D. Creating effective international virtual project team / I. Dumitra^cu, D.D.

Dumitra^cu // Revista Economica. - 2016. - № 68:3. - Р. 46-56.

15. Knowledge Identification by Structured Data for Decision Making in Project Teams / N. Yusupova, O. Smetanina, E. Sazonova, A. Agadullina // ITIDS 2020: Proceedings of the 8th Scientific Conference on Information Technologies for Intelligent Decision Making Support. - 2020. - Р. 385-390.

16. Kalayathankal S.J., Kureethara J.V., Narayanamoorthy S. (2021). A modified fuzzy approach to project team selection / S.J. Kalayathankal, J.V. Kureethara, S. Narayanamoorthy // Soft Computing Letters. - 2021. - № 3. Available at: https://doi.org/10.1016/j.socl.2021.100012

References

1. Economic-mathematical tools for building up a project team in the system of company^,s knowledge management / I. Chaikovska, T. Fasolko, L. Vaganova, O. Barabash // Eastern-European journal of enterprise technologies. - 2017. - № 3/3 (87). - P. 29-37.

2. Chaikovska I. Economic-mathematical modelling of employee evaluation in the system of enterprise knowledge management / I. Chaikovska // Aktualni problem ekonomiku. - (2016). - № 9 (183). P. 417-428.

3. Lee C.C. The Development of a Methodology to Match the Clienfs Project Requirements with the Knowledge of the Project Team

in Refurbishment Projects / C.C. Lee, C.O. Egbu // COBRA 2006: Proceedings of the annual research conference of the royal institution of chartered surveyors (7-8 September 2006, University College London) [Електронний ресурс]. - Available at :http://usir.salford.ac.uk/id/eprint/2950/1/2006_Cobra_Lee_CC.pdf

4. Paterek P. Effective Knowledge Management in Agile Project Teams - Impact and Enablers / P. Paterek // Fifth International Scientific Conference on Project Management in the Baltic Countries April 14-15, 2016. - 2016. - P. 246-259.

5. Bittner E. A. C. Collaborative Knowledge Sharing in Project Teams - Requirements and Design Goals / E. A. C. Bittner, A. Hoffmann // 24th European Conference on Information Systems (ECIS). Istanbul, Turkey. - 2016. - Available at:ttps://www.researchgate.net/publication/314267486_Collaborative_Knowledge_Sharing_in_Project_Teams_-_Requirements_and_Design_Goals

6. Hosseini S.M. A model for project team formation in complex engineering projects under uncertainty: A knowledge-sharing approach / S.M. Hosseini, P. Akhavan // Kybernetes. - 2017. - № 46 (7) - Р. 1131-1157.

7. Kosenko N. Building and developing a project team on the basis of a multicriteria model / N. Kosenko, A. Kolomiiets // Suchasniystan naukovih doslidzhen ta tehnologiy v promislovosti. - 2017. - № 2 (2). - Р. 56-61.

8. Tornjanski V. Effectiveness of Knowledge Transfer Between Project Team Members in Digitally Disrupted Organizations / V. Tornjanski, D. Petrovic, S. Nesic // Management: Journal of Sustainable Business and Management Solutions in Emerging Economies. - 2020. - № 25 (2). - P. 1-14.

9. Chaikovska I.I. Development of an economic-mathematical model to determine the optimal duration of project operations / I. Chaikovska, M. Chaikovskyi // Eastern-European journal of enterprise technologies (control processes). - 2020. - № 3 (105). - P. 34-42.

10. Hairul P.A. What matters in project team management? / P.A. Hairul // Polish Journal of Management Studies. - 2018. - №17(2).-

Р. 211-221.

11. Muszynska K. (2018). A concept for measuring effectiveness of communication in project teams / K. Muszynska // Journal of Economics and Management. - 2018. - № 33(3). - Р. 63-79.

12. Gorniak A. Assessment of the project teams⁵ communication skills in the automotive industry / A. Gorniak, K. Midor, J. Kazmierczak // Multidisciplinary Aspects of Production Engineering. - 2019. - № 2 (1). - Р. 624-632.

13. Building a project team according to the time allocated and the number of relationships for the successful completion of a project / D. Filip, F. Covaciu, A. Sarb, S. Timoftei // Acta Technica Napocensis. Series: Applied Mathematics, Mechanics, and Engineering. - 2019. - № 62(I). - Р. 141-148.

14. Dumitra§cu I., Dumitra§cu D.D. Creating effective international virtual project team / I. Dumitra§cu, D.D. Dumitra§cu // Revista Economica. - 2016. - № 68:3. - Р. 46-56.

15. Knowledge Identification by Structured Data for Decision Making in Project Teams / N. Yusupova, O. Smetanina, E. Sazonova, A. Agadullina // ITIDS 2020: Proceedings of the 8th Scientific Conference on Information Technologies for Intelligent Decision Making Support. - 2020. - Р. 385-390.

16. Kalayathankal S.J., Kureethara J.V., Narayanamoorthy S. (2021). A modified fuzzy approach to project team selection / S.J.

Kalayathankal, J.V. Kureethara, S. Narayanamoorthy // Soft Computing Letters. - 2021. - № 3. Available at: https://doi.org/10.1016/j.socl.2021.100012

Размещено на Allbest.ru