BIG DATA W EWALUACJI PROJEKTÓW

Transkrypt

1 BIG DATA W EWALUACJI PROJEKTÓW mgr Agnieszka Kucharska Wydział Zarządzania OPIEKUN NAUKOWY: dr hab. inż. Tadeusz A. Grzeszczyk

2 2 STRUKTURA PREZENTACJI Ewaluacja projektów Problem badawczy Proponowane rozwiązanie Big Data Definicja Korzyści Zastosowanie Proponowany obszar badawczy Aspekt technologiczny Podsumowanie

3 3 EWALUACJA PROJEKTÓW PROBLEM BADAWCZY I PROPONOWANE ROZWIĄZANIE

4 4 PROBLEM BADAWCZY Metoda ekspercka jako podstawowa metoda oceny projektów ex ante OGRANICZENIA METOD EKSPERCKICH W EWALUACJI: Subiektywność oceny eksperta* Niepewność decyzji eksperta* Nieprecyzyjność kryteriów Nieznana powtarzalność oceny *grupy/zespołu ekspertów

5 5 CECHY POPRAWNEJ EWALUACJI Obiektywna Adekwatna Wiarygodna Generująca wnioski, które można wykorzystać w procesie podejmowania decyzji Na podstawie: Definicja Ewaluacji Organizacji Współpracy Gospodarczej i Rozwoju (OECD). Turowski, B.; Zawicki M.: Funkcje, etapy, metody i narzędzia ewaluacji, w: Ewaluacja funduszy strukturalnych perspektywa regionalna, red. Stanisław Mazur, Uniwersytet Ekonomiczny w Krakowie, Małopolska Szkoła Administracji Publicznej, Kraków 2007 r.

6 BIG DATA DEFINICJA, KORZYŚCI I ZASTOSOWANIE 6

7 7 DEFINICJA BIG DATA Big Data to określenie stosowane dla takich zbiorów danych, które jednocześnie charakteryzują się: dużą objętością (volume), różnorodnością (variety), strumieniowym napływem w czasie rzeczywistym (velocity), zmiennością (variability), złożonością (complexity), jak również wymagają zastosowania innowacyjnych technologii, narzędzi i metod informatycznych w celu wydobycia z nich nowej i użytecznej wiedzy. Na podstawie: Gartner, Tabakow, M.; Korczak, J.; Franczyk, B.: Big Data definicje, wyzwania i technologie informatyczne, 2014.

8 8 KORZYŚCI Z WYKORZYSTANIA BIG DATA 1. Poprawa szczegółowości i dokładności wyników analiz 2. Wzrost efektywności zarządzania procesami operacyjnymi 3. Wzrost jakości wyników analiz 4. Poprawa skuteczności i wiarygodności podejmowanych decyzji strategicznych 5. Skrócenie czasu potrzebnego do wypracowania i selekcji wariantów decyzyjnych 6. Obniżenie kosztów procesów biznesowych 7. Wzrost sprzedaży produktów/usług Big Data wykorzystane m.in. w celu dopasowania produktu/usługi do potrzeb klienta i na potrzeby marketingu 8. Szerszy zakres pozyskiwanych informacji oraz kontekst interpretowania wyników analiz 9. Zautomatyzowane decyzje Na podstawie: Korzyści osiągnięte w Big Data Analytics. Towards a Data-Driven Economy. BARC Institute, 2014

9 9 ZASTOSOWANIE BIG DATA W EWALUACJI triangulacja i zapewnienie odpowiedniej jakości danych; uzupełnienie i poprawa istniejących parametrów oceny; dostarczenie nowych parametrów oceny; dostarczenie danych ilościowych dla wskaźników uprzednio opieranych na ocenie jakościowej; i ilustracja efektów, które wcześniej nie były możliwe do wizualizacji. Na podstawie: Olsson, N.; Bull-Berg, H.: Use of big data in project evaluations. International Journal of Managing Projects in Business, 2014

10 PROPONOWANY OBSZAR BADAWCZY 10

11 11 ŹRÓDŁA DANYCH - KATEGORIE ruch internetowy, w tym aktywność w mediach społecznościowych i wyszukiwarkach internetowych, dane związane z ruchem i różnorodne wizualizacje, w tym obrazy, pliki wideo, modele BIM (Building Information Modeling), mapy, środowisko fizyczne, zazwyczaj dane z różnego typu sensorów, i aktywność komercyjna, wykorzystanie usług płatniczych oraz wzorców konsumpcji.... Na podstawie: Olsson, N.; Bull-Berg, H.: Use of big data in project evaluations. International Journal of Managing Projects in Business, 2014

12 ASPEKT TECHNOLOGICZNY 12

13 Źródło: 13 Wydział Zarządzania

14 14 PODSUMOWANIE PROPONOWANE ZAŁOŻENIA Cel pracy: Selekcjonowanie projektów o największym potencjale, za pomocą opracowanej metody ewaluacji projektów ex ante, która zwiększy obiektywizm, wiarygodność i powtarzalność oceny w zakresie znanych i zrozumiałych kryteriów. Przedmiot badań: Ewaluacja projektów wspierana przez Big Data Podmiot badań:? Sposób przeprowadzenia badań: Budowa modelu i opracowanie metody dla zbioru projektów jednego typu. Weryfikacja metody na innym typie wniosków projektowych.

15 15 ŹRÓDŁA 1. Zalecenia w zakresie ewaluacji ex-ante programów operacyjnych na lata [online]. Departament Koordynacji Polityki Strukturalnej, 2012 [dostęp 20 maja 2016]. Dostępny w Internecie: _2020/Documents/Zalecenia_ex_ante_ pdf 2. Projekt europejski umowa nr POIG /09-02 z dnia pt. Innowacyjne systemy wspomagania technicznego zrównoważonego rozwoju gospodarki, realizowanej w ramach Programu Operacyjnego Innowacyjna Gospodarka, Poddziałanie Strategiczne programy badań naukowych i prac rozwojowych, zawartej pomiędzy Ministrem Nauki i Szkolnictwa Wyższego, zwanym dalej Instytucją Pośredniczącą, a Instytutem Technologii Eksploatacji Państwowym Instytutem Badawczym. Zadanie badawcze pt. Metody analizy potencjału wdrożeniowego i komercyjnego innowacyjnego produktu technicznego lub procesu technologicznego (I.3.1). Zadanie realizowane: Analiza metod oceny potencjału komercyjnego. 3. Tabakow, M.; Korczak, J.; Franczyk, B.: Big Data definicje, wyzwania i technologie informatyczne. Informatyka Ekonomiczna, 2014, 1 (31), s Olsson, N.; Bull-Berg, H.: Use of big data in project evaluations. International Journal of Managing Projects in Business, 2014, Vol. 8 Iss: 3, s cdn.

16 16 ŹRÓDŁA CD. 5. Big Data Analytics. Towards a Data-Driven Economy [online]. BARC Institute, Würzburg, May 2014 [dostęp 29 grudnia 2015]. Dostępny w Internecie: 6. Ogłoszenie konkursu PRELUDIUM 10 [online]. Narodowe Centrum Nauki, 15 września 2015 r. [dostęp 29 maja 2016]. Dostępny w Internecie: 7. Ustawa z dnia 30 kwietnia 2010 r. o Narodowym Centrum Nauki. Dz.U nr 96 poz Wieczorkowski, J.: Big Data-aspekt technologiczny i ekonomiczny vs. aspekt społeczny. Zeszyty Naukowe Uniwersytetu Szczecińskiego. Ekonomiczne Problemy Usług, 2014, 113, T. 2 Ekonomiczno-społeczne i techniczne wartości w gospodarce opartej na wiedzy, s Płoszajski, P.: Big Data: nowe źródło przewag i wzrostu firm. e-mentor nr 3 (50), s Big data: Harnessing a game-changing asset [online]. The Economist Intelligence Unit, 2011 [dostęp 5 października 2015]. Dostępny w Internecie: Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A. H.: Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute, Decisive action: How businesses make decisions and how they could do it better [online]. The Economist Intelligence Unit, 2014 [dostęp 10 listopada 2015]. Dostępny w Internecie: cdn.

17 17 ŹRÓDŁA CD. 13. Guts & gigabytes [online]. The Economist Intelligence Unit, 2014 [dostęp 10 listopada 2015]. Dostępny w Internecie: Miller, K.; Morreale, P.: Finding the Needle in the Image Stack: Performance Metrics for Big Data Image Analysis. MultiMedia, IEEE, 2014, 21(1), s Data and Organizational Issues Reduce Confidence. Harvard Business Review Analytic Services, The new hero of big data and analytics The Chief Data Officer [online]. IBM Institute for Business Value, 2014 [dostęp 29 grudnia 2015]. Dostępny w Internecie: Mehta, A.: Big Data: Poweing the Next Industrial Revolution. Tableau Software White Paper, Gantz, J.; Reinsel, D.: The digital universe in 2020: Big Data, Bigger Digital Shadows, and Biggest Growth in the Far East. Dec., Yoshimura, Y.; Girardin, F.; Carrascal, J.P.; Carlo Ratti, Josep Blat: New Tools for Studying Visitor Behaviours in Museums: A Case Study at the Louvre. Information and Communication Technologies in Tourism 2012, pp The Deciding Factor: Big Data & Decision Making [online]. The Economist Intelligence Unit, 2012 [dostęp 20 października 2014]. Dostępny w Internecie: 21.

18 18 Dziękuję za uwagę! mgr Agnieszka Kucharska