Assessment of task duration in investment projects

• Autorzy: Relich M.

Warianty tytułu

PL

Szacowanie czasu realizacji czynności w projektach inwestycyjnych

• Języki publikacji: EN

Abstrakty

EN

The paper aims to present possibilities of estimation improvement of task time in projects through the use of different techniques. In this paper a case is considered, where the task time, determined from similar past project, is distinguished by a significant variation. In this case, the traditional statistical methods do not determine the satisfying estimates of task time. To supplement the techniques, the application of neural network and fuzzy neural network is proposed. The use of more complicated techniques is dedicated for the critical tasks that are located on the critical path and require the essential resources of the organisation.

PL

Celem niniejszej pracy było przedstawienie możliwości poprawy szacowania czasu realizacji czynności w projektach poprzez wykorzystanie różnych technik. W pracy przyjęto założenie, że czas czynności realizowanych w przeszłych podobnych projektach charakteryzuje się istotną zmiennością. W tym przypadku klasyczne metody statystyczne nie wyznaczają satysfakcjonujących ocen czasu realizacji czynności. W celu poprawy oszacowań proponuje się wykorzystanie sieci neuronowych oraz rozmyto-neuronowych. Wykorzystanie bardziej skomplikowanych technik jest szczególnie wskazane w przypadku czynności krytycznych, to znaczy czynności znajdujących się na ścieżce krytycznej oraz angażujących znaczne zasoby przedsiębiorstwa.

Słowa kluczowe

EN

investment projects; project duration; application of neural network

PL

projekty inwestycyjne; czas trwania projektu; zastosowania sieci neuronowych

• Wydawca: University of Zielona Góra, Faculty of Economics and Management
• Czasopismo: Management
• Rocznik: 2010
• Tom: Vol. 14, no 2
• Strony: 136--147
• Opis fizyczny: Bibliogr. 21 poz., tab.

Twórcy

autor

Relich M.

• University of Zielona Góra, Faculty of Economics and Management,

Bibliografia

• 1. Belassi W., Tukel O.I. (1996), A new framework for determining critical success/failure factors in projects, International Journal of Project Management, vol. 14, pp. 141-151.
• 2. Cheng M.Y, Tsai H.C., Sudjono E. (2010), Evolutionary fuzzy hybrid neural network for project cash flow control, Engineering Applications of Artificial Intelligence, vol. 23, pp. 604-613.
• 3. Chien S.C., Wang T.Y., Lin S.L. (2010), Application of neuro-fuzzy networks to forecast innovation performance, Expert Systems with Applications, vol. 37, pp. 1086-1095.
• 4. Chiu S. (1994), Fuzzy Model Identifcation Based on Cluster Estimation, Journal of Intelligent and Fuzzy Systems, vol. 2, pp. 267-278.
• 5. Cooke-Davies T.J., Arzymanow A. (2003), The maturity of project management in different industries: an investigation into variations between project management models, International Journal of Project Management, Vol. 21, pp. 471-478.
• 6. Gray R.J. (2001), Organisational climate and project success, International Journal of Project Management, Vol. 19, pp. 103-109.
• 7. Jorgensen M., Sjoberg D.I. (2004), The impact of customer expectation on software development effort estimates, International Journal of Project Management, Vol. 22, pp. 317-325.
• 8. Kuo R.J., Chen J.A. (2004), A decision support system for order selection in electronic commerce based on fuzzy neural network supported by real-coded genetic algorithm, Expert Systems with Applications, Vol. 26, pp. 141-154.
• 9. Lin Ch., Li S., Kuo S. (2008), Intelligent physician segmentation and management based on KDD approach, Expert Systems with Applications, Vol. 34, pp. 1963-1973.
• 10. Meredith J.R., Mantel S.J. (1995), Project Management - a managerial approach, 3rd ed., New York, John Wiley & Sons
• 11. Nitithamyong P., Skibniewski M.J. (2006), Success/failure factors and performance measures of web-based construction project management systems: professionals' viewpoint, Journal of Construction Engineering and Management, Vol. 132, pp. 80-87.
• 12. Pal S., Mitra S. (1999), Neuro-fuzzy pattern recognition, New York, John Wiley & Sons
• 13. Peng Y., Kou G., Shi Y., Chen Z. (2008), A descriptive framework for the field of data mining and knowledge discovery, International Journal of Information Technology and Decision Making, Vol. 7, pp. 639-682.
• 14. Reichelt K., Lyneis J. (1999), The dynamics of project performance: benchmarking the drivers of cost and schedule overrun, European Management Journal, Vol. 17, pp. 135-150.
• 15. Robertson S., Williams T. (2006), Understanding project failure: using cognitive mapping in an insurance project, Project Management Journal, Vol. 37, pp. 55-71.
• 16. Shore B. (2008), Systematic biases and culture in project failures, Project Management Journal, vol. 39, pp. 5-16.
• 17. Smith K., Gupta J. (2000), Neural networks in business: techniques and application for the operations researcher, Computers and Operations Research, Vol. 27, pp. 1023-1044.
• 18. Tan K., Lim Ch., Platts K., Koay H. (2006), An intelligent decision support system for manufacturing technology investment, International Journal of Production Economics, Vol. 104, pp. 179-190.
• 19. Yager R.R. (1994), Essentials of fuzzy modeling and control, New York, Wiley
• 20. Yeo K.T. (2002), Critical failure factors in information system projects, International Journal of Project Management, Vol. 20, pp. 241-246.
• 21. Zeng J., An M., Smith N.J. (2007), Application of a fuzzy based decision making methodology to construction project risk assessment, International Journal of Project Management, Vol. 25, pp. 589-600.