Met kunstmatige intelligentie het succes van een project voorspellen

Cocreatie Deltares en PwC geeft inzicht in financiële projectbeheersing

Kunstmatige intelligentie kan organisaties helpen in een vroegtijdig stadium patronen te herkennen én – door data razendsnel te analyseren – voorspellend te zijn over de afloop van een project. Deltares, het onafhankelijk toegepaste-kennisinstituut voor vraagstukken op het gebied van water en ondergrond, paste samen met PwC machine-learningalgoritmes toe op tien jaar projectadministratie.

‘Deze pilot heeft ons in vijf weken heel veel inzicht gebracht in de wijze waarop wij onze financiële projectbeheersing voeren. Van present control gaan wij steeds meer naar future control’, aldus Twann Verhoeven van Deltares.

Van links naar rechts: Niels de Vries, Twann Verhoeven (beiden Deltares) en Mark Tesselaar (PwC).

Predictive project analysis

Het gebruik van kunstmatige intelligentie als oplossing voor vraagstukken op het gebied van water en bodem is Deltares niet vreemd. Het is zelfs een van de vijf accenten in het strategische beleid van het achthonderd medewerkers tellende bedrijf met vestigingen in Delft en Utrecht. Maar machine learning koppelen aan eigen financiële projectdata had Deltares nog nooit gedaan. Tot PwC het bedrijf vroeg te participeren in een cocreatieproject voor de ontwikkeling van een predictive project analysis-tool.

Mark Tesselaar van PwC: ‘Bedrijven zetten vaak projectmanagementteams op om grip te krijgen op projecten en de directie te informeren over de voortgang ervan. In de praktijk blijken de rapportages vaak niet compleet, niet accuraat, niet feitelijk, niet op tijd of te complex om te begrijpen. Bovendien beschrijven ze veelal de huidige projectstatus in plaats van dat ze een voorspelling doen over toekomstige resultaten. Met kunstmatige intelligentie kunnen we dit veranderen en organisaties helpen om in een vroegtijdig stadium patronen te herkennen en door razendsnelle data-analyse voorspellend te zijn over de afloop van het project.’

Algoritmes versus buikgevoel

Bedrijven kunnen tegenwoordig snel, tegen lage kosten en via de cloud, grote hoeveelheden rekenkracht tot hun beschikking krijgen. Dit vergemakkelijkt het exporteren, bewerken en analyseren van digitaal vastgelegde projectdata zoals e-mailverkeer, urenregistraties, budgetten, besluiten en rapportages. Ze kunnen online beschikbare algoritmes loslaten op verschillende, objectieve en direct beschikbare data. Elk nieuw project verbetert het algoritme en de kennis die hieruit voorkomt, wordt vervolgens breed in de organisatie gedeeld. Deze tendens zette PwC aan tot de ontwikkeling van een predictive project analysis-tool.

Toen de basis van de tool eenmaal stond, benaderde PwC een aantal klanten – waaronder Deltares – met de vraag: zou je projecten waarvan de uitkomst nogal onzeker is, voorspelbaarder willen maken op basis van data? Tesselaar: ‘Vaak weten projectleiders wel wat bepalende factoren zijn. Maar die zijn voornamelijk gebaseerd op buikgevoel. En dat wordt heel vaak beïnvloed door hoe je uit bed stapt. Hoe mooi is het dan om de projectleider te ondersteunen met veel meer kennis. Met een tool die na enkele muisklikken niet alleen inzichtelijk maakt dat je financiële cijfers de verkeerde kant op gaan, maar die ook aangeeft dat je iets moet veranderen om een rood vlaggetje te voorkomen.’

Handvatten financiële projectbeheersing

Deltares en PwC namen tien jaar projectadministratie bij de hand, wat neerkwam op 14.385 projecten. Daarvan bleken er uiteindelijk 5.500 bruikbaar voor analyse. ‘Dat was voor ons meteen een eerste waardevolle les’, blikken Twann Verhoeven, manager finance & control bij Deltares en zijn collega Niels de Vries, verantwoordelijk voor analytics en informatiemanagement, terug op de samenwerking.

‘Hoe meer bruikbare historische outputdata aanwezig zijn, des te beter de voorspelling is. Kwaliteit en volledigheid van data zijn daarbij belangrijk. Deze pilot heeft ons veel inzicht gegeven in de wijze waarop wij onze financiële projectbeheersing voeren. We weten nu nog beter hoe wij toekomstige projecten moeten vormgeven – zowel administratief als inhoudelijk – om ze te kunnen meenemen in de analyse. Neem de tijd voor het op orde krijgen van de data, standaardiseer het export- en pro-verwerkingsproces en exporteer de gegevens zo “ruw” mogelijk. Zorg voor gestandaardiseerde werkprocedures en leg vast wat je hebt gedaan en waarom, zodat iedereen die met de data werkt, weet waarom eventuele aanpassingen zijn doorgevoerd. Wat we uiteindelijk willen, is steeds nauwkeuriger voorspellen of een project succesvol gaat worden of niet, terwijl het nog loopt.’

Budgetoverschrijding of projectsucces?

Voordat organisaties overgaan tot effectief gebruik van predictive project analysis is het belangrijk vast te stellen wat de organisatie voorspeld wil hebben: budgetoverschrijding of projectsucces? De Vries: ‘Oorspronkelijk wilden we de verwachte budgetoverschrijding voorspellen, maar de functies die we hadden gekozen waren daarvoor onvoldoende. Toen zijn we overgeschakeld op het voorspellen van de verwachte over- of onderbesteding in elke fase van het project. Dat resulteerde uiteindelijk in een beter en gebruiksvriendelijker dashboard dat verschillende niveaus van rapportage kent. Iedere stakeholder kan nu op zijn eigen niveau – strategisch, tactisch of operationeel – inzicht krijgen in het succes van zijn project of de samenvoeging van projecten.’

De Vries: ‘Bij Deltares zaten we heel erg op past control. We fabriceerden cijfers en een week, anderhalve week later kwamen de maandcijfers rond. Nu zitten we in een situatie van present control, met directe informatie. Ik verwacht dat deze informatie steeds meer gaat bijdragen aan future control. Dat het al direct verwerkt zit in het projectbeheersingssysteem van onze projectleiders, zodat ze op voorhand kunnen bijsturen. Het blijft wel een decision support system en zal geen hele teams overnemen.’

'Waar wij op financieel gebied van PwC geleerd hebben, leerde PwC weer van ons met betrekking tot machine learning en kunstmatige intelligentie. Dat was overigens ook een belangrijk uitgangspunt van dit project: leer van elkaar.’

Twann Verhoeven, Deltares

Kennispartnerschap: leer van elkaar

Zowel Deltares als PwC roemen de hechte samenwerking in het gecombineerde team tijdens de pilotperiode van een maand. Verhoeven: ‘Dit was geen project met een standaard start en einde, en een op te leveren rapport. Nee, dit was echt creatie met elkaar. Met een stuk vrijheid en ruimte, om met elkaar iets moois neer te zetten. We hebben vooraf duidelijk gesteld: een mislukking kan ook een uitkomst zijn.’

Tesselaar knikt instemmend: ‘Ook voor ons is dit een heel nieuwe ontwikkeling rondom projecten. Het gaat niet over de uitvoering of de inhoud, maar om de administratieve projectvastlegging. En wat je daarvan kunt leren als je er kunstmatige intelligentie op loslaat. Het was echt een feest om data-experts van Deltares met die van ons te laten samenwerken. Het gaat er niet meer om dat de ene partij mogelijk een kennisachterstand heeft en de andere een kennisvoorsprong. Het gaat er juist om dat je die werelden bij elkaar brengt en het echt samen doet.’

Verhoeven: ‘Als je kijkt naar kunstmatige intelligentie, machine learning, dan hebben wij als Deltares heel veel kennis en zijn we er druk mee bezig. Alleen, dat is op het gebied van water en bodem. Heel iets anders dan finance. Juist daarom vonden we deze samenwerking met PwC interessant. De database van PwC beschikt over 110.000 projecten, waardoor we een veel grotere en snellere leercurve realiseren. Waar wij op financieel gebied van PwC geleerd hebben, leerde PwC weer van ons met betrekking tot machine learning en kunstmatige intelligentie. Dat was overigens ook een belangrijk uitgangspunt van dit project: leer van elkaar.’

Stuur op financiële en businessdata

Zowel Deltares als PwC gaan nu zelfstandig door met de verdere ontwikkeling van de tool. Volgend jaar komen ze weer bijeen om van elkaars ervaringen te leren. De Vries: ‘Sturen op financiële én businessdata blijft het ultieme doel. In de eerste helft van 2019 willen we gaan kijken hoe we deze aanpak ook bij onze requests for proposal kunnen inzetten. We willen dan achterhalen hoe we op basis van financiële en inhoudelijke projectdata kunnen vaststellen of het logisch is om een specifiek offertetraject aan te gaan.’