3. El aporte de las teoría
de la complejidad a la
gestión de proyectos
y el análisis de
negocios
4. Definición de complejidad
“…Complejidad es la propiedad de un sistema del
mundo real que se pone de manifiesto en la
incapaciidad de cuialquier otro formalismo de ser
adecuado para abarcar todas sus propiedades …”
Esto requiere encontrar formas distintas de interactuar
con otros sistemas. Tal diferencia en el sentido de que
cuando se elaboran modelos exitosos, los sistemas
formales se necesitan para describir aspectos distintos
que NO son derivables uno del otro…”
Bob Rosen and Don Mikulecky, Professors of Physiology
Medical College of Virginia Commonwealth University
5. Definiciones más específicas de complejidad
“…Complejidad es aquella propiedad de una
expresión del lenguaje que hace difícil formular su
funcionamiento global, aun cuando se tenga una
información casi completa de sus componentes
atómicos y sus interrelaciones …"
Bruce Edmonds, Senior Research Fellow in Logic and Formal Methods
Center for Policy Modeling, Manchester Metropolitan University, UK
6. Proyectos vs Trabajo Operativo
PROYECTOS OPERATIVO
Tiene
restriccione
s sobre
recursos
Utiliza
recursos
Requiere
actividades
planeadas,
ejecutadas y
administrada
s
Se repite sobre
un periodo de
tiempo y opera
dentro del status
quo existente
“Un esfuerzo temporal
para crear un producto o
servicios único” (PMBOK
2000)
Regularidad
y
repetición
Tiene un
resultado único
orientado a
cambiar el status
quo
Permanente sobre
objetivos
Busca satisfacer objetivos con
fechas de inicio y fin definidas
Gestión de Proyectos + Análisis de Negocios
7. El Marco de la Gestión de Proyectos
Iniciar Planear Analizar Diseñar Construir Probar Implementar Cerrar
Como
es
Como
será
8. MEJORES PRÁCTICA
RIGOR Y DISCIPLINA CASOS
DE NEGOCIOS
ADMINISTRATIVOS
HERRAMIENTAS
INTEGRADAS
PROCESOS
Personas, Procesos y Datos
PERSONAL
DATOS
ENTORNO
• DE APOYO
• SEGURO
• ARMONIOSO
• EQUITATIVO
RESPONSIBILIDAD,
TRANSPARENCIA YAUTORIDAD
ENTRENAMIENTO/EDUCACIÓN
ATRACCIÓN/RETENCIÓN
RECONOCMIENTO/ESTÍMULOS
ORGANIZACIÓN
GESTIÓN DE LÍNEA BASE
AUDITABILIDAD
MÉTRICAS PM Y TENDENCIAS
CICLO ACTUALIZADO DE
LECCIONES APRENDIDAS
Marco de liderazgo y de mejores práctica críticos para el programa
9. Marco de la Gestión de Programas
Marco de
Mejores
Prácticas
Gobernanza
Responsibilidad,
Transparencia y Autoridad
Ritmo de Batalla
Controles e Informes
del Proyecto
11. PMI: 3 categorías de complejidad
Comportamiento
Humano
Complejidad
Funcionamiento
del Sistema
Ambigüedad
Comportamiento individual
Comportamiento Grupal, Organizativo,
Político
Conectividad
Dependencia
Dinámica del sistema
Incertidumbre
Emergencia
12. Comportamiento individual que
origina complejidad
• Sesgo optimista y falacia de planeación
• Anclaje: la menor cantidad de información
comprendida
• Efecto marco: la forma y quien presenta la
información
• Aversión a perder
• Distorsión (tergiversación)
• Resistencia
13. Comportamiento de Grupo,
Organizacional y Político
• Mentalidad tribal
• Pensamiento de grupo
• Polarización de grupo
• Autoorganización
• Carencia de compromiso de los interesados
18. Marco Conceptual del
Análisis de Negocios
Quién
Qué Por qué
Dónde
Cómo
Cuándo
MARCO DE
ANÁLISIS DE
NEGOCIOS
Entender las
necesidades
del negocio y
su dirección
estratégica
Planear los
requerimien
tos de los
procesos de
desarrollo
Recolec
tar
información
Formular
requerimien
tos
Garantizar
comprensión
compartida de
los
requerimientos
Formular cómo
se implantarán
los
requerimientos
Asegurar la
aceptación
operacional de
la implantación
19. Cultura analítica
y procesos del
negocio
Analíticas en el trabajo—Representación
Datos
Empresa
Liderazgo
Metas
Analistas .
Mejores
decisiones!
Revisión sistemática
Capacidad analítica Contexto organizativo Resultados deseados
20. Qué son analíticas?
Qé es lo mejor que puede suceder?
Qué sucederá después?
Qué pasa si la tendencia continúa?
Cuáles son las causas y efectos?
Qué acciones se requieren?
Dónde está el problema ?
Qué sucedió?
Ventajacompetitiva
Analíticas
Optimización
Modelamiento predictivo
Grado de Inteligencia
Reportes
Pronósticos
Modelos
estadísticos
Alertas
Preguntar /profundizar
Informes
estandarizados
21. Etapa 5 Competidores
Analíticos
Etapa 4
Compañías analíticas
Etapa 3
Aspiraciones analíticas
Etapa 2
Analíticas localizadas
Etapa 1
Analíticamente débil
Niveles de capacidad analítica—
Lo tuyo—Ahora y en Futuro?
22. Datos
• Prerrequisito para toda analítica
• Limpios, comunes, integrados
• Accesibles en una bodega
• Medición de algo nuevo e importante
23. 23
Ciencia de datos
Data Science
Ciencia de Datos es el ámbito de conocimiento que engloba
las habilidades asociados al procesamiento de datos,
incluyendo Big Data
24. Ciencia de Datos
Data Science o la Ciencia de Datos incorpora diferentes elementos
y se basa en las técnicas y teorías de muchos campos, incluyendo
las matemáticas, estadística, ingeniería de datos, reconocimiento
de patrones y aprendizaje, computación avanzada, visualización,
modelado de la incertidumbre, almacenamiento de datos y la
informática de alto rendimiento
con el objetivo de extraer el
significado de datos y la creación
de productos de datos.
25. Ciencia de Datos
Es un término relativamente nuevo
que se utiliza a menudo de manera
intercambiable con analítica de negocio. La ciencia de datos busca utilizar todos
los datos disponibles y relevantes para “extraer conocimiento” que pueda ser
fácilmente comprendido por los expertos en el área de aplicación. Un experto de la
ciencia de datos se denomina un científico de datos.
26. Ciencia de Datos
¿Qué es un Científico de Datos?
Un científico de datos es un profesional que debe dominar
las ciencias matemáticas y la estadística, acabados
conocimientos de programación (y sus múltiples lenguajes),
ciencias de la
computación y
analítica.
27. Oportunidad profesional: En 2015, Gartner predice
que 4,4 millones de empleos serán creados en torno
a big data. (Gartner, 2013)
27
Científico de Datos
Científico de datos
Fuente: http://www.gartner.com/technology/topics/big-data.jsp
Surge como profesión el “Científico de Datos”
28. Datos a través de las etapas
Etapa 4 Etapa 5Etapa 3 Etapa 4Etapa 2 Etapa 3Etapa 1 Etapa 2
Analíticamente débil
hacia analíticas
localizadas
•Ganar dominio sobre
datos locales de
importancia,
Analíticas localizada
hacia Aspiraciones
Analíticas
• Construir consenso
corporativo en tornos a
algunos objetivos
analíticos y sus datos
• Construir algunas
bodegas de datos y
la experticia analítica
correspondiente
• Motivar y premiar la
gestión y los datos
funcionales
transversos
Aspiraciones Analíticas
hacia Compañías
Analíticas
•Construir bodegas de
datos corporativos e
integrar datos externos
•Involucrar actores
importantes (directivos)
•Monitorear fuentes de
datos emergentes
Compañías Analíticas
hacia Competidores
Analíticos
•Educar y vincular altos
ejecutivos en el potencial
competitivo de analítica de
datos
•Explotar datos propios .
•Establecer
gobernanza fuerte de
datos
Stage1
AnalyticallyImpaired
Stage 2
Localized Analytics
Stage3
Analytical Aspirations
Stage 4
Analytical
Companies
Stage5
Analytical
Competitors
Stage1
AnalyticallyImpaired
Stage 2
Localized Analytics
Stage3
Analytical Aspirations
Stage 4
Analytical
Companies
Stage5
Analytical
Competitors
Stage1
AnalyticallyImpaired
Stage 2
Localized Analytics
Stage3
Analytical Aspirations
Stage4
Analytical
Companies
Stage5
Analytical
Competitors
Stage1
AnalyticallyImpaired
Stage 2
Localized Analytics
Stage3
Analytical Aspirations
Stage4
Analytical
Companies
Stage5
Analytical
Competitors
Stage1
AnalyticallyImpaired
Stage 2
Localized Analytics
Stage3
Analytical Aspirations
Stage4
Analytical
Companies
Stage5
Analytical
Competitors
Sistema Nacional de Competitividad, Ciencia, Tecnología e Innovación
31. Electivas
• Gestión de Proyectos de Tecnologías de la
Información
• Gestión de Proyectos de la Construcción
• Formulación y Evaluación de Proyectos
siguiendo Metodología General Ajustada
• Gestión de Proyectos de Investigación