Materiały konferencyjne SEP 2021

3 3. ANALITYKA PREDYKCYJNA Analityka predykcyjna wraz z technologią Big Data, która jest jej nierozłączną częścią, została w 2016 roku wskazana przez respondentów magazynu Mining Magazine jako jedna z trzech naj- ważniejszych technologii w górnictwie w nadchodzącej dekadzie obok wykorzystania dronów i rozwiązań chmurowych [6]. Analityka predykcyjna jest procesem wykorzystującym zaawanso- wane formuły matematyczne, algorytmy statystyczne, a także informatyczne narzędzia i usługi w celu identyfikacji zależności, powiązań i wzorów w zbiorach danych oraz redukcji ich złożoności [7]. W uproszczeniu, celem analityki predykcyjnej jest budowanie modeli, które mogą posłużyć do określenia, na podstawie posiadanych danych historycznych, prawdopodobieństwa wystąpie- nia przyszłych zdarzeń dla nowo zaistniałych sytuacji (reprezentowanych przez nowe zbiory da- nych wejściowych) [8]. 3.1. Analityka predykcyjna w zarządzaniu portfelami projektów Chociaż analiza predykcyjna jest już szeroko stosowana w obszarach takich jak bankowość, opieka zdrowotna, ubezpieczenia czy przemysł, istnieje ograniczone zastosowanie analizy predykcyjnej w zarządzaniu portfelami projektów. Podejściem, które w ostatnim czasie przyciąga coraz większą uwagę jest tzw. Project Predictive Analysis, metoda opracowana przez Deloitte we współpracy z Helmsman Institute w Australii [9]. Analiza ta opiera się na wielowymiarowej ocenie projektu, która trwa ok. 4-6 tygodni i daje możliwość predykcji potencjalnych zagrożeń w całym cyklu życia projektu dzięki porównaniu z bazą ponad 2000 zrealizowanych już projektów. Innym stosowanym podejściem jest metoda Monte Carlo. Me- toda ta może być wykorzystana w analizie projektów inwestycyjnych poprzez szacowanie wartości granicznych dla każdego zaplanowanego zadania w ujęciu czasu i budżetu wymaga- nego do ich realizacji. W dalszej kolejności, wybrany rozkład prawdopodobieństwa jest przy- pisywany do każdego zadania umożliwiając wygenerowanie losowych realizacji projektu w setkach lub tysiącach symulacji, które następnie podlegają analizie statystycznej[9]. Oba opisane podejścia koncentrują się przede wszystkim na ocenie ryzyka i wymagają dużego wkładu ze strony interesariuszy oraz w niewielkim stopniu wykorzystują zależności portfelowe projektów. 3.2. Wymagania dla wdrożenia Wdrożenie analizy predykcyjnej w organizacji, poza wiedzą o algorytmach statystycznych i uczeniu maszynowym, wymaga spełnienia trzech dodatkowych warunków [10]:  Posiadania zaawansowanej wiedzy biznesowej, która pozwala prawidłowo zdefiniować cel analityki, zrozumieć zależności pomiędzy wykorzystywanymi w niej zmiennymi, a także wpływa na zdolność kapitalizacji jej wyników.  Złożonego problemu biznesowego – problem rozwiązywany przez analitykę musi być na tyle złożony i istotny, aby wdrożenie analityki będzie opłacalne i niemożliwe do zastąpienia in- nymi prostszymi narzędziami.  Dostępu do Big Data – posiadanie obszernych baz i hurtowni danych, na bieżąco zasilanych danymi projektowymi, jest wymagane w celu uzyskania odpowiedniego poziomu niezawod- ności i dokładności analityki predykcyjnej. 3.3. Uczenie maszynowe