POLITESI Politecnico di Milano Servizi Bibliotecari di Ateneo Servizi Bibliotecari di Ateneo
 
   ALL THESES       POST GRADUATE THESES       DOCTORAL THESES   
My POLITesi
authorized users
italiano
Please use this identifier to cite or link to this thesis: http://hdl.handle.net/10589/87569

Author: PIERINI, BEATRICE
Supervisor: CARON, FRANCO
Scientific Disciplinary Sector: ING-IND/17 IMPIANTI INDUSTRIALI MECCANICI
Date: 18-Dec-2013
Academic year: 2012/2013
Title: Stima a finire di progetto mediante integrazione bayesiana di opinioni di esperti, dati storici relativi a progetti similari e dati di progetto al time now
Italian abstract: L’elaborazione di stime a finire affidabili sin dalle prime fasi di esecuzione dei progetti è di fondamentale importanza per garantire una gestione di progetto efficace e proattiva: consente, infatti, di adottare azioni correttive ad elevato impatto sulle prestazioni dei progetti e determinanti per perseguire gli obiettivi di tempo, costo e qualità. La natura non ripetitiva ed intrinsecamente incerta dei progetti e la compresenza di molteplici attori e stakeholders rende necessaria l’integrazione di fonti informative plurime per poter ottenere delle previsioni a finire attendibili. Pertanto, il presente lavoro di tesi si propone di sopperire alla mancanza di una metodologia di stima a finire che sia valida in settori fortemente connotati da elementi di unicità, incertezza e complessità. A tale scopo, viene formulato un nuovo modello di stima a finire che prevede l’integrazione di tre input: opinioni degli esperti, dati di progetti storici similari a quello in corso e prestazioni attuali del progetto in corso adottando un approccio bayesiano. In particolare, per garantire la robustezza dell’elicitazione delle opinioni degli esperti e la minimizzazione dei bias cognitivi, si adotta una metodologia basata sull’Analytic Hierarchy Process (AHP); i dati storici, invece, sono selezionati tramite una analisi di similarità che considera criteri riguardanti i rischi di progetto. Infine, il nuovo modello viene applicato per la stima a finire di tre progetti dell’industria Oil and Gas: i progetti in tale settore presentano caratteristiche estreme in termini di incertezza e complessità e costituiscono un terreno di prova sfidante. I risultati ottenuti mostrano in tutti e tre i casi una maggiore accuratezza in termini di mean squared error del nuovo modello rispetto alla metodologia dell’Earned Value Management (EVM) tradizionalmente adottata. Inoltre, la stima a finire elaborabile tramite il nuovo modello bayesiano non è un valore puntuale, come nel caso dell’EVM, ma è costituita dalla distribuzione di probabilità della prestazione finale di costo e durata: il nuovo modello bayesiano, dunque, fornisce in output non solo il valore atteso della performance finale, ma anche la deviazione standard, interpretabile come il grado di confidenza nei confronti del valore atteso previsto. In questo modo, si correda la stima a finire con un’indicazione riguardo il livello di fiducia attribuibile alla previsione ottenuta, migliorando la qualità delle informazioni a disposizione del decision-maker.
English abstract: The possibility to elaborate reliable estimates at completion since the very first stages of projects execution is essential in order to provide an efficient and proactive project management: as a matter of fact, early and reliable estimates at completion enable the implementation of corrective actions which have a substantial impact on the performances of the ongoing project and which can determine the fulfillment of time, cost and quality objectives. The non-repetitive and intrinsically uncertain nature of projects and the involvement of multiple actors and stakeholders raises the necessity to integrate multiple informative sources in order to produce sound forecasts. Therefore, this Thesis work intends to provide a methodology to support the elaboration of estimates at completion in those industrial fields where projects are denoted by characteristics of extreme uniqueness, uncertainty and complexity. In order to accomplish this aim, a new model to formulate estimates at completion is presented: it integrates experts’ opinions, data from past projects and the current performance of the ongoing project relying on a Bayesian approach. In order to guarantee the robustness of the elicitation process and the minimization of cognitive bias, a methodology based on the Analytic Hierarchy Process (AHP) is adopted; furthermore, data from past projects are selected through a similarity analysis which considers criteria based on the risks detected for the ongoing project. Finally, the new Bayesian model is applied in order to forecast the actual final duration and the actual final budget of three Oil and Gas projects: these projects have extreme characteristics in terms of uncertainty and complexity and they represent a very challenging proving ground. The results show a higher accuracy of the new model compared to the existing Earned Value Management (EVM) methodology in terms of drastic reduction of the mean squared error. Moreover, the estimates at completion elaborated applying the new Bayesian model are not punctual values as the ones proposed by EVM: in fact the new model expresses the estimates in terms of probability density function of the forecasted final actual budget and duration. Hence, the project manager has an indication regarding the degree of confidence towards the expected value forecasted: this results in better quality of the information the decision maker can have at his/her disposal.
Italian keywords: stime a finire; metodologia bayesiana; analytic hierarchy process; progetti oil and gas
English keywords: estimates at completion; Bayesian methodology; analytic hierarchy process; oil and gas projects
Language: ita
Appears in Collections:POLITesi >Tesi Specialistiche/Magistrali

Files in This Item:

File Description SizeFormatVisibility
2013_12_Pierini.pdfTesto della tesi4.95 MBAdobe PDFAccessible via Internet only by authorised users (AunicaLogin or Shibboleth) starting from: 25/11/2014 View/Open





 

  Support, maintenance and development by SURplus team @ CINECA- Powered by DSpace Software