Skjevheter og støy som påvirker beslutninger i prosjekter

Abstract

Formålet med denne studien er å undersøke hvordan skjevheter og støy påvirker beslutninger og utfall i kapitalprosjekter. Det kan være mange ulike årsaker til at prosjekter feiler, og kostnadsoverskridelser og forsinkelser er blant de mest framtredende symptomene. Denne oppgaven søker å belyse avvikene fra rasjonalitet ved vurderinger som mennesker gjør i prosjekter, og om de resulterer i avvik fra planer, som kostnadsoverskridelser og forsinkelser, eller om prosjekter som ikke har livets rett likevel blir besluttet gjennomført. Videre blir det undersøkt om kunstig intelligens kan redusere eller eliminere skjevheter og støy, og om det kan bidra også i prosjekter. Studien er gjennomført med en kvalitativ metode med fokusgruppeintervjuer, individuelle intervjuer og dokumentanalyse av en rekke studier og annen sentral dokumentasjon. Intervjuene er gjennomført med norske ansatte i egen organisasjon, IFF / DuPont Nutrition Norge AS, i tillegg til noen interne og eksterne informanter fra USA. Studien presenterer en kort innføring i prosjektledelsesfaget, beslutningsteori, kognitive skjevheter og støy, samt kunstig intelligens. Funnene viser at skjevheter og støy påvirker beslutninger og valg som mennesker gjør, også i prosjekter. Ett av funnene er at tilgjengelighetsheuristikken fører til overkonfidens, noe som igjen fører til overoptimisme og planleggingsfeilen. Resultatet er enten for optimistiske tidsplaner, for lave kostnadsanslag eller for høye lønnsomhetsanslag, eller en kombinasjon av flere av disse. Funnene viser også at dette kan reduseres eller unngås med relativt enkle midler. Referanseklasse-forecasting (RCF) vil se prosjektet utenfra (Outside-View) og bypasse menneskelig bedømming ved å sammenligne faktiske utfall fra sammenlignbare prosjekter. Funnene viser også at kunstig intelligens i form av maskinlæring kan bidra til å redusere eller eliminere planleggingsfeilen ved å bedre kostnadsestimeringen og lage mer realistiske planer. Maskinlæringsmodellen er imidlertid avhengig av å ha et rikt og godt strukturert datagrunnlag fra tidligere prosjekter for å kunne bli nøyaktig. Om modellen også kan mates med referanseklasse-data (RCF) vil den ha gode forutsetninger for å kunne levere gode prediksjoner.

The purpose of this study is to investigate how biases and noise affect decisions and outcomes in capital projects. There can be many different reasons why projects fail, with cost overruns and delays being among the most prominent symptoms. This thesis seeks to shed light on the irrationality in assessments that people make in projects, and whether they result in deviations from plans, such as cost overruns and delays, and whether projects that do not have the right to life are implemented regardless. Furthermore, it investigates whether Artificial Intelligence (AI) can reduce or eliminate biases and noise, and whether it can also positively contribute to projects. The study was conducted using a qualitative method with a combination of focus group interviews, individual interviews and document analysis of a number of studies and other key documentation. The interviews were conducted with Norwegian employees in their own organization, IFF / DuPont Nutrition Norge AS, in addition to some internal and external informants from the USA. The study presents a brief introduction to Project Management, decision theory, cognitive biases and noise, as well as AI. The findings show that biases and noise do influence decisions and choices that people make, also in projects. One of the findings show that availability heuristics lead to overconfidence which in turn leads to over-optimism and planning fallacy. The results are schedules that are too optimistic, cost estimates that are too low, benefit estimates that are too high, or a combination of the above. The findings also show that this can be reduced or avoided by relatively simple means. i.e., Reference class forecasting (RCF) will see the project from an outside view and bypass human judgment by comparing actual outcomes from comparable projects. The findings also show that AI in the form of machine learning can help reduce or eliminate the planning fallacy by improving cost estimation and the making of more realistic plans. However, the machine learning model depends on having a rich and well-structured data base from previous projects to be accurate. If the model can also be fed with reference class data, it will provide a good foundation for being able to deliver good predictions.