博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
PMO根据项目类别管理和控制偏差
阅读量:4029 次
发布时间:2019-05-24

本文共 1346 字,大约阅读时间需要 4 分钟。

风险对主要项目目标的影响量表(仅反映消极影响)

项目目标

相对量表或数字量表

很低

0.05

0.10

中等

0.20

0.40

很高

0.80

成本

成本增加不显著

成本增加小于10%

成本增加

10%~20%

成本增加

20%~40%

成本增加大于40%

进度

进度拖延不显著

进度拖延小于5%

进度拖延5%~10%

进度拖延10%~20%

进度拖延20%

范围

范围减少微不足道

范围的次要方面受到影响

范围的主要方面受到影响

范围缩小到发起人不能接受

项目最终结果

没有实际用途

质量

质量下降微不足道

仅有要求极高的部分受到影响

质量下降需要发起人审批

质量降低到发起人不能接受

项目最终结果

没有实际用途

本表示范性地定义了风险对4个项目目标的影响。

在风险管理规划过程中,应根据具体项目的情况以及组织的风险临界值对这些定义进行“剪裁”。

风险对4个项目目标的影响量表

A-管控类项目

进入原则

  • 项目属于公司重点建设项目
  • 关键客户项目早期存在重大的风险,如新技术、新客户、新业务领域、不成熟的业务和制度管理

退出原则

  • 关键干系人需求被满足
  • 重大风险已被规避、转移、减轻、接受

管控方式

  • A类管控类项目在项目立项时,项目经理提交要进行正式评审,识别项目存在的各种风险。
  • 项目经理提交项目整体计划月度(里程碑)计划周计划等计划给PMO报备。
  • 周周六前项目经理向PMO提交项目周报《问题清单
  • 项目经理按期参加PMO发起的会议。
  • 项目经理定期参加领导月度决策会议,对项目状态和关键问题解决情况进行汇报,梳理出需要领导支持和决策的问题进行现场决议。
  • 项目经理协商关键里程碑的DR专家评审,并对关键交付物召开评审会议。
  • 发现项目存在中等级(>=0.2)以上的风险时,项目经理由周报转成项目日报。
  • PMO应该和项目经理协商的里程碑时间,对项目绩效进行考核。

B-跟踪类项目

进入原则

  • ­项目出现延期、质量失控的情况
  • ­项目QCS(Quality  Cost  Schedule)政策,但属于客户方的重点项目

退出原则

  • ­项目进度变更达成一致,进度风险规避和减轻
  • ­系统严重和一般缺陷基本消除,客户满意度提升
  • ­项目QCS(Quality  Cost  Schedule)政策能够在项目组自组织执行

管控方式

  • 项目经理提交项目里程碑计划计划给PMO报备。
  • 每周周六前项目经理向PMO提交项目周报》。
  • 项目经理按期参加PMO发起的会议。
  • 项目经理在里程碑时提交《里程碑报告》,召开里程碑管理评审会议,对项目状态和关键问题解决情况进行汇报,梳理出需要领导支持和决策的问题进行现场决议。
  • 发现项目存在中等级(>=0.2)以上的风险时,项目经理由周报转成项目日报,提交问题清单》。
  • PMO应该对项目绩效进行持续跟踪。

C-观察类项目

进入原则

  • ­项目存在延期、质量下降风险
  • ­项目经理的项目经验不足
  • ­新的项目团队

退出原则

­
项目风险减弱到不需观察
 

管控方式

  • 项目经理提交项目周计划PMO报备。
  • 每周周六前项目经理向PMO提交项目周报
  • PD发现项目存在高等级(>=0.4)以上的风险时,项目经理由周报转成项目日报,提交《问题清单》。
  • 项目经理和成员接受PMO的过程改进指导,予以实施。

 

 

转载地址:http://kvobi.baihongyu.com/

你可能感兴趣的文章
数据挖掘十大算法 and 算法概述
查看>>
机器学习中样本数据预处理
查看>>
机器学习中样本缺失值的处理方法
查看>>
机器学习中样本比例不平衡的处理方法
查看>>
机器学习中的文本处理
查看>>
K近邻分类
查看>>
Java集合
查看>>
Java泛型、反射、注解、Lambda表达式
查看>>
Spring框架入门
查看>>
Linear Regression及各种线型回归在正则化中的应用
查看>>
朴素贝叶斯算法
查看>>
逻辑回归
查看>>
感知机 - 支持向量机
查看>>
决策树算法(ID3、C4.5、CART)
查看>>
集成学习(Bagging、Boosting、Stacking)
查看>>
无监督学习
查看>>
K均值算法(K-means)
查看>>
机器学习中的损失函数
查看>>
机器学习中的性能度量
查看>>
机器学习中的优化问题
查看>>