8.4 管理项目知识（使用现有知识，生成新知识）（执行过程）
使用现有的知识并生成新知识，以实现西安航母目标，并帮助组织学习的工程。
作用：利用已有的组织知识来创造或改进项目成果。并使用当前项目创造的知识可用于支持组织运营和未来的项目或者阶段。
显性知识：易使用文字、图片和数字进行编撰的指示，特点：缺乏情境、可作不同解读。易分享易保存，无法确保正确理解或应用。
隐性知识：个体知识以及难以明确表达的只是，如信念、洞察力、经验和诀窍。
特点：蕴含情境，很难编撰，通常由人际交流和互动来分享。
注意点：
组织角度来看：在项目开始前、开展期间和结束之后都能使用旧知识、生成新知识。
最重要的环节：营造信任氛围、激励人们分享自己的知识和关注他人知识。
输入：
资源分解结构：包含团队组成信息，有助于了解团队拥有和缺乏的知识。
项目团队派工单：说明项目已具有的能力和经验以及缺乏的知识。
干系人登记册：有助于了解干系人可能拥有的知识。
供方选择标准：有助于了解供方有的知识。
工具与技术：知识管理（分享隐形知识，例如分享会、专家讲座、会议、培训等）、信息管理（分享显性知识，例如登记册、图书馆、信息管理系统等）、人际关系与团队技能（倾听、引导、领导力、人际交往、大局观）
输出：
经验教训登记册，包括情况的类别和描述；与情况相关的影响、建议和行动方案；遇到问题、挑战、意识到风险和机会或者其他适用的内容。

8.5 监控项目工作 汇编各类绩效信息，生产绩效报告（监控过程）
跟踪审查和报告整体项目进展，以实现项目管理计划中确定的绩效目标的过程。
作用：让干系人了解当前状态并认可委处理绩效问题而采取的醒的，通过成本和进度预测，让干系人了解未来项目的状态。
监督：包括收集、测量和分析测量结果，以及预测趋势，以便推动过程改进，贯穿项目始终。
控制：包括制定纠正和预防措施或者重新规划，并跟踪计划实施的过程，确保能有效解决问题。
输入：
项目管理计划、项目文件、工作绩效信息（将绩效数据和项目管理计划组件、项目文件和其他项目变量比较后生成工作绩效信息。绩效包含：范围、成本、进度、质量以及其他内容。）、协议、环境事业因素、组织过程资产。
输出：
变更请求、工作绩效报告、项目管理计划更新、项目文件更新。
工具与技术：挣值分析、偏差分析、趋势分析、根本原因分析、备选方案分析、成本效益分析。
决策：投票
输出：工作绩效报告
基于工作绩效信息，以实体或者电子形式编制工作绩效报告，以制定决策、采取行动或引起关注。根据项目沟通管理计划，通过沟通向项目干系人发送工作绩效报告、状态报告和进展报告。

8.6 实施整体变更控制（对项目中所有的变更流程审批），监控过程。
作用：审查所有的变更请求、批准变更、管理变更，并对变更结果进行沟通的过程。
确保项目中已记录在案的变更做总和评审，降低项目风险，本过程只会审批、管理变更，不会提出变更请求。
输入：项目管理计划、工作绩效报告、变更请求、项目文件、事业环境因素、组织过程资产。
输出：批准的变更请求（来自于任何一个过程）、项目管理计划变更、项目文件更新（变更日志等）。
工具与技术：专家判断、变更控制工具、数据分析、决策、会议（变更控制会）。
注意点：整个项目期间任何时间、任何干系人都可以提出变更请求。
可以口头提出，但所有变更要以书面形式记录，纳入更变管理或配置管理系统中。
每个变更都必须由一位责任人批准、推迟或者否决，在项目管理计划或者组织程序中制定该责任人，必要时，由变更控制委员会（CCB）开展实施整体变更控制的过程。
变更请求可能影响任一项目基准的情况下，都需要开展正式的整体变更的控制过程。
实施整体过程过程贯穿项目始终，项目经理对此负最终责任。

变更控制委员会（CCB）：一个正式的团体，负责审议、批准、推迟或者否决项目变更，以及记录和传达变更处理决定。
可以是一个，也可以是多个人，由主要干系人组成，通常包括用户和项目所在组织管理层的决策人员。
CCB不是必须有，也不是所有的变更的请求都必须有CCB审批。
变更的八个步骤（重要）：
1、提出与记录变更申请：由PM或者CMO（配置管理员）负责变更信息的收集及初审。
2、初审变更：施加影响确保变更必要性，校验确保信息充分，达成共识。
3、评估论证变更方案：论证可行性，如可行则将技术要求转为资源需求。
4、提交CCB审查：文档会签，正式会议。
5、更新、通知并组织实施变更：若交付期调整，应变更确认时发布变更。
6、变更实施的监控：PM负责基准的监控，CCB或者监理监控主要成果和里程碑。
7、变更效果的评估：由团队和客户两部分人，是否满足需求，目标是否达成。
8、变更收尾：判断变更后项目是否纳入正轨。

实施整体变更控制——输入：项目管理计划
变更管理计划：为管理变更控制过程提供指导，并记录CCB的角色和职责。
实施整体变更控制——输入：工作绩效报告（评估影响和方案）
此过程有用的工作绩效报告包括：资源可用情况、进度和成本数据、挣值（EVM）报告、燃烧图燃尽图。

工具：变更控制工具
工具：会议，通常指变更控制会议，可由变更控制委员会CCB开会审查并请求，做出批准、否决或者其他。

输出：批准的变更请求
批准后应由指导语项目管理工作过过程加以实施。
对于推迟或者否决的变更请求，应通知提出人或者提出小组。
输出：项目管理计划更新
对于基准的变更，针对今后的情况，不能变更以往的绩效，保护基准和历史绩效数据。
输出：项目文件更新
正式受控的任一项目文件都可以在实施整体变更控制过程变更，并记录在变更日志中，被否决的变更请求也要记录在变更日志中。

8.7 结束项目或阶段：阶段或者项目整体的验收移交收尾
终结项目、阶段或者合同的所有活动的过程。
作用：存档项目或阶段信息，完成计划的工作；释放团队资源以开展新的工作。
收尾流程：6+2的步骤。
正常收尾：
获得项目或阶段的整体验收、干系人满意度调查、移交成果、总结记录经验教训、组织过程资产更新、文件归档、庆功会、释放资源。
提前收尾：
记录终止原因、干系人满意度调查、移交已完成和未完成的成果、总结记录经验教训、组织过程资产更新、文件归档、庆功会、释放资源。

输入：项目章程，记录了项目成果标准、审批要求以及谁来签署项目结束。
输入：验收的可交付成果，包括批准的产品规范、交货数据和工作绩效文件，对于分阶段实施的项目或提前取消的项目，还可能包括部分完成或者中间的可交付成果。
输入：立项管理文件，可研报告记录了做为项目依据的商业需求和成本效益分析。项目评估报告概述了项目的目标效益。
输入：协议，通常在合同条款中定义了正式关闭采购的要求，复杂项目中需要管理多个合同。
输入：组织过程资产，项目或阶段收尾指南或要求，如经验教训、终期审计、项目评价、产品确认、验收标准等。

工具：专家判断，具备管理控制、审计、法规与采购法律法规等专业个人的意见。
工具：会议，用于可交付成果的验收、确定达到退出标准、关闭合同、干系人满意度调查，收集经验教训，传递项目信息以及庆功会等。

输出：最终产品、服务或者成果。
把项目交付的最终产品服务或者成果（对于阶段收尾，中间阶段的产品服务或成果）移交给客户。
输出：项目最终报告，用最终的报告总结项目绩效。
收尾文档：项目验收计划、项目验收单、项目验收报告、项目经验总结汇总单、项目建设总结报告、用户操作手册。

机器学习开发任务实例
特征工程与机器学习——搭建一个机器学习模型，人工设计特征：实际工作中，特征比模型本身更重要。
分三步：预处理，去除噪音，例如文本中的停用词；特征提取，从原始数据中提取一些有效的特征。例如图像分类中，提取边缘、尺度不变特征变换特征等；特征转换，对特征进行一定的加工，例如升维和降维。
训练模型和测试模型：训练过程和测试过程完全独立。

开发实例：
明确任务背景和目标：
任务背景：房地产中介在交易中，给房屋进行一个合理报价，让房东和买家进行参考。
任务目标：根据已有的交易数据，训练模型，预测房屋的价格。
任务过程解析：制作数据集，数据准备、数据预处理、数据集划分；特征工程，数据理解、特征分析、特征构造；模型训练，模型优化；模型评测，输出测试集指标、判断模型可用性。

制作数据集：
数据准备：字段、数据内容等。
数据预处理：脏数据处理、缺失值处理（步骤：检查是否有确实、根据业务情况制定处理规则，取0最小值及中位数等、完成缺失值的填充）、格式转换（文本转换为数值，方法是字符串序列化，思路将字符串用同一的编号来代替）。
划分训练集和测试集：训练集用于训练，测试集对泛化效果进行评估。
特征工程：
数据理解：查看样本数据的均值、最大值、最小值、数量、标准差等；查看更详细的数据分位数信息；通过观察加深数据理解，为建模做准备。
特征分析1：通过图分析每个特征与结果的对应关系。
特征分析2：找出现有特征中，与价格的关联度（正数正相关，负数负相关，绝对值大小体现相关性），例如：房间数越多，价格越高；税率越高，价格越低；要去掉不相关的特征，收敛的更快。
特征分析3：对房间特征进行深入的分析。
特征分析4：尝试对特征之间建立关联，房屋数和老旧比例没有关联，就可以去掉1个关联特征，例如去掉老旧房屋比例（价值低）。
特征构造1：特征归一化，将所有特征区间调整为0~1之间。
特征构造2,：使用与价格关联度最大的“房间数”，和其他特征，构造二次特征，房间数税率，房间数环保指数。

模型训练：
训练过程1：按照8:2的比例将训练集数据划分为训练集和验证集。
训练过程2：线性回归；loss，损失函数、误差函数，即用1个标量来标示的训练集标签与真实标签之间的差距；MSE，均方差，参数估计值与参数值之差平方的期望值。
模型优化：
过程：模型调参，选择其他模型。
案例：选择LinearRegression后，MSE从22下降到12，因此选择新的模型。取前20个验证集数据，标注好数据与实际房价对比关系。
模型测评：使用训练好的模型，对预留的测试集数据，评测，得到MSE35。模型交付。

深度学习开发任务实例
深度学习 VS 机器学习
神经网络模型特点：端对端学习，从人类专家知识驱动AI方法论——>有监督大数据驱动的AI方法论，推动了一大类非线性映射函数问题的解决，从人工编码知识到从数据中学习知识，分而治之到全盘考虑，重算法到重数据。
实现方式的对比：
机器学习为图片分类的方法：要训练出一个分类器（非线性分类器）。
深度学习的特征提取方法：卷积，卷积是通信与新信号处理中的重要概念，在线性系统里，卷积用来描述输入信息，脉冲响应和输入信息的关系。
满足线性性和平移不变性，线性性：2个信号分别卷积再加起来，等价于先加起来，再卷积。平移不变性：先平移再卷积和先卷积再平移，是同样的结果。
机器学习：利用算法使计算机能够像人一样从数据中挖掘信息。
深度学习：相比其他方法参数更多、模型更复杂，使得数据对模型理解更深、更智能。
多隐层的深度神经网络介绍：以图像识别为例，构建一个含有2个隐藏层的前馈神经网络，学习的是神经元中的权重参数，神经网络会开发各类特征提取器，信息会被进一步压缩和抽象，卷积神经网络在语音识别和图像处理上有优势，全局共享降低网络的复杂性。

深度学习开发实例（以识别交通指示牌为例）
任务背景和目标
背景：玩具车增加识别交通指示牌的能力。
目标：利用玩具车的前置摄像头，检测交通标志的位置。
任务解析过程：明确数据采集需求、制作数据集、模型训练、模型评测。

任务需求梳理：
计算机视觉实际应用特点：
样本具象化，图像是具体表现形式，除了主体外，还有大量的信息，如背景，光照等。
算法光线敏感：侧光，面向光，背光，强光，暗光，都有影响，如果样本没有这些光线的图片，效果会欠佳。
硬件条件可能造成的图片效果偏差：带来色差、模糊、角度变化，样本如果没有这些资料，效果会欠佳。
客户理解偏差：不理解光线影响，不能清晰的表达述求，都在需求梳理时摸清，否则影响交付。

明确数据采集需求1：赛道样式，看是否有和标志类似的图案。
沟通结果：赛道样式统一、可能出现的赛道变形、转完也要能检测、有特殊标记比如结束标记行人横道等。
明确数据采集需求2：确认使用场地和光照情况；说明模型使用场景和光照；沟通过室内、侧面正面光源以及信号灯的影响等。
明确数据采集需求3：待确认需要检测的交通标志的俯仰角（pitch）、偏航角（yaw）、翻滚角（roll），明确交通标志倾斜角度范围，翻滚角:由于交通标志底部是硬座且不需要考虑交通标志倒地情况，所以翻滚角基本一致。考虑到摄像头可能的固定倾斜，此处角度设定为士10°府仰角：俯仰角可能会收到摄像头俯视情况影响，在距离远近有差异，由于摄像头视角较平，所以角度也认为 士10°偏航角：由于仿真交通标志容易被撞击发生位移，偏航角要求较高，希望在人眼可区分边界情况下均可完成检测，此处认为是 士70°，如下图最左侧与最右侧的标志。
明确数据采集需求4：待确认需要检测的交通标志包含哪些。说明详细列举所有要被检测的交通标志，未被列举的标志不会被识别以及交通标志的数量越多采集工作量越大。
沟通结果包括：1.交通标志有红、黄、绿三种颜色光；2.小人的手部会有举起、放下、平伸三种状态；3.小人存在正面、侧面、背面三种站姿。
明确数据采集需求5，待确认检测覆盖范围，需要明确范围细节，例如:1.是否包含杆体2.边缘出框情况等。
沟通结果：1.对于交通标志牌子，标注范围是交通标志牌所处范围即可。2.对于交通信号灯，标注范围是灯亮的区域。3.对于行人，标注范围是整个行人范围。4.对于边缘出框的场景，如果出框范围不超过50%，也应当予以检测。
待明确检出框分类，说明是否要对每个框体单独检出。
明确数据采集需求6，待确认需要检测的交通标志的最小框；说明需要检测的交通标志的最小框最小框越小，运算量越大，执行效率越低;同时，太小的检测框容易使标注误差变大。沟通玩具车速度较快，需要检测到距离车2米的标志，为后续的小车操控预留时间。
待确认对图片模糊程度的要求，说明实际操作中摄像头模糊效果容忍程度怎样；沟通玩具车摄像头帧率较高，且有处理算法，糊程度实际测试下来最大模糊程度。
待确认设备色差情况，说明是否存在设备色差，沟通摄像头较好，无需考虑摄像头色差，但是在部分场景下可能产生由环境光引起的色域变化和噪点。

制作数据集
数据采集，根据确认的需求，采集对应的图片，图片采集需要注意：使用真实的玩具车进行数据采集、覆盖不同场景、涵盖所有可能的光照情况、涵盖所有可能的交通标志，推动了一大类 非线性映射函数学习问题的解决。
采集数量：根据任务要求不同略有差异，玩具车场景任务较为简单，总计采集1万张图片。
采集方式：让小车在不同场景形式，使用摄像头录制视频，然后将每帧导出为jpg格式图片。

数据标准
工具：开源工具labelme。方法：将所有的交通标志类别命名为traffic、使用矩形对所有图片依次标注。注意：人工标注，矩形框要准确，否则数量再大，效果也不好。
保存格式，yolo目标检测工具，每秒处理45帧图像。保存两个文件，图片同名txt存放标注数据；classes.txt，存放标注类别。
检验，检验标注任务质量，抽查比例由具体任务决定，在标注工具中点击空格将其背景转换为绿色。
数据集拆分，将所有数据按照8：2的比例拆分为训练集（800张）与测试集（2000张）。训练集将提供跟算法组用于模型训练，测试集将提供给测试组用于验证数据的泛化效果。要用随机采样的方式划分，确保独立。

模型训练
检测算法原理1，多隐层的深度神经网络，采用yolo模型。
检测算法原理2，预处理，滑动窗口或分隔等；特征两类信息；和图片去对比，选择出一个最好的；不断拟合，差别越来越小。
训练过程：使用训练集进行训练，同步观察输出结果。

模型测评
效果与指标，使用测试数据。
困难样本考察，边缘情况，确实部分图片，手势，色差，困难样本数据。

人工智能发展的成功要素
算法的进步启发人工智能的发展
2006年以来，以深度学习为代表的机器学习算法发展：卷积网络、循环网络、生成对抗网络、强化学习。

Hinton AI教父：相信大脑不是将信息存储在一个单元里面，而是分布式全息存储，坚持神经网络理论研究40年。
算法取得长足进步：1986年，Hinton在ture发表“Learning Representations by BackPropagating Errors”，第一次阐述多隐层神经网络，解决了线性不可划分难题；（表征学习）。
1989年，Hinton的学生Yann Lecun，利用卷积神经网络的技术，开发支票识别软件。
面临问题：计算性能不足、数据确实严重、问题的复杂性。

神经网络的发展现状：2006年，深度神经网络和深度学习算法，成为前沿至今。
问题突出：可解释性、网络优化、数据稀缺性、算法复杂度。

数据推动人工智能的发展
全球数据大规模增长：
21世纪头10年，互联网发展，IT蓬勃创新，大数据在互联网行业最先得到重视。
2005年，hadoop出现，大数据重大突破。
2007年，数据密集型科学出现。

Imagenet大规模数据集：
2009年，李飞飞团队发布第一个超大型图像数据库，320万个图像，目标8万个英文名词，每个500-1000个图像。
2010年，大型图像识别竞赛第一次举办。

ILSVRC竞赛—图像识别：
Top Five Category。
2012年冠军，Hinton和2个学生，错误率达到15.3%。
2015年开始错误率低于人类。

高性能计算机保驾护航：
AI芯片诞生，GPU就AI芯片的一种。
2009年，斯坦福大学的吴恩达，Large-scale Deep Unsupervised learning using Graphic Processors，参数规模达到1亿。

人工智能迅速发展的技术领域
计算机视觉
定义：Computer Vision CV，计算机如何象人类一样的看的学科。用摄影机和计算机，代替人眼，识别、监测、测量，并进一步处理，成为更适合人眼观察或仪器检测的图像。
场景：
图像分类：根据不同的语义区分图像、图像做为输入进行区分、使用深度学习和神经网络、细粒度图像分类。
应用：动物保护、目标检测、医疗诊断、鸟类保护等。
图像重建：它通过对已有的图像信息进行处理和分析，能够恢复、重建或增强缺失或损坏的图像，为各种应用领域提供高质量的图像信息。用于遥感、CT等。
目标检测：
在图像中定位感兴趣的目标，准确判断每个目标的类别，并给出每个目标的边界框。
难点和重点：小目标的高精度检测、多类别目标检测。
应用：机器人导航、自动驾驶、智能视频监督、工业检测、人脸识别等。
图像搜索：图像检索技术可以分为两类：基于文本的图像检索（TBIR）和基于内容的图像检索（CBIR）。核心在于图片特征的提取。涉及版权保护、拍照购物等。
图像分割：将数字图像分割为若干个图像子区域（像素的集合，也被称为超像素），改变图像的表达方式，以更容易理解和分析。是图像处理与理解和人工智能等多个领域中十分重要又十分困难的问题，是计算机视觉中的关键步骤。
分为三类：
语义分割：预测输入的图像的每个像素点属于哪一类标签。
实例分割：在语义分割的基础上，还要区分出同一类的不同个体。
全景分割：在实例分割的基础上，对背景的每个像素点，进行分割。
应用：医学核磁影像、遥感领域、交通领域的车辆轮廓提取。

语音技术
让智能设备能够听懂人的语音，也可以让机器说话的一种技术，涉及：数字信号处理、人工智能、语言学、数理统计、声学、情感学、心理学等；包括：语音识别技术ASR，语音合成技术TTS。
语音技术与人工智能：智能客服、智能家居等。
三个应用场景：
语音识别：目标是电脑可自动识别人类的语音为文字；语音拨号、语音导航、室内控制、文档检索、简单的听写数据录入。
语音合成：定义：采用机械的、电子的方法，实现人造语音的技术；TTS（Text-to-Speech），文语转换技术，将文本转为流利的语音。应用：人机交互、智能客服等，
声纹识别：生物认证技术的一种，根据说话人语音中生理和行为特征的语音参数自动鉴别说话人身份的一种技术。交叉运用了生理学、心理学、语音信号处理、模式识别、统计分析和人工智能综合知识。应用：移动互联网、通信、门禁等。

自然语言处理：Natual Language Processing，NLP，包括自然语言识别和自然语言生成，用途是从非结构化的文本数据中，发掘洞见，并访问这些信息，生成新的理解。
自然语言处理与人工智能：用机器来处理大规模的自然语言信息。人工智能、计算机、信息工程的交叉学科。由于语言是人类思维的证明，因此自然语言处理是人工智能的最高境界，被誉为“人工智能皇冠上的明珠”。
应用场景：
文本分类：Text Categorization，将文本按照一定的分类体系或者标准自动的分类打标签。新闻分类、邮件自动回复、广告过滤、内容审核等。
机器翻译：Machine Translation，属于计算机语言学的范畴，利用计算机程序将文字或者演说从一种语言翻译成另一种语言。使用一种基于语言规则的语法，文字依据语言学的规则来翻译，即1个最合适的目标语言的字词将会替代源语言。
成功的关键：能够优先解决对自然语言的正确认知和辨识。
应用：在线多语言翻译、语言同传、翻译机（微信翻译等）、跨语言检索。
知识图谱。
对话系统：Dialogue System，对话系统，也称会话代理，一种模拟人类与人交谈的计算机系统，旨在可以与人类形成连贯通顺的对话，通信方式主要有语音/文本/图片，当然也可以手势/触觉等其他方式。
类别：任何导向型对话系统和非任务导向型对话系统（聊天机器人）。
应用：聊天机器人、语言助手、智能客服。
信息检索。
文本生成。

项目生命周期和项目阶段，不同的项目周期可能不一样。（掌握）
项目生命周期——项目从启动到完成所经历的一系列阶段，阶段间的关系可顺序、迭代、交叠。（时间维度划分）。
开发生命周期——项目生命周期内与产品、服务或成果的开发相关的一个或多个阶段。 （生命周期中某几个阶段）。
项目通用生命周期——启动项目；组织与准备；执行项目工作；结束项目； （4个通用阶段）。
产品生命周期——从项目开始到项目结束再到项目产品运行生命终止（退出市场）的全过程。
项目管理过程组——启动、规划、执行、监控、收尾（5个通用操作过程）（管理操作维度划分）。

通用生命周期（掌握）
（1）成本与人力投入：项目开始时“缓慢增加”，在“执行工作”期间达到最高，项目快结束时“迅速回落”。
（2）风险与不确定性、干系人的影响力、变更的数量：项目开始时最大，后续“逐步降低”。
（3）变更的代价、风险的影响：项目开始时较小，后续“显著增高”。

开发生命周期——预测型（瀑布型、计划驱动）如建筑行业（掌握）
可行性——设计——构建——测试——部署——收尾
优点：按阶段便于管理；开发团队比较弱适用；
缺点：周期长；不灵活；
特点：
范围、进度、成本在早期阶段就确定；范围变更很少，干系人之间有高度共识；对任何范围的变更都要进行严格管理；每个阶段都侧重于某一特定类型的工作；上一阶段输出作为下一阶段输入，阶段评审通过则进入下一阶段，否则返回之前阶段；按计划执行、一次交付。
适用：需求明确或很少变更的项目；有厚实的行业实践基础；整批一次性交付有利于干系人。

开发生命周期类型—迭代型（掌握）
迭代型——范围在早期确定，但时间及成本估算将随项目团队对产品理解的不断深入而定期修改。
适用于：计划多期开发的、在开发早期需求可能有所变化、需要降低项目复杂性的、部分交付有利于干系人的。重复的循环，属于“完善型迭代”。

开发生命周期类型—增量型（掌握）
在预定的时间区间内渐进增加产品功能的一系列迭代来产出可交付成果。
（1）只有在最后一次迭代之后，可交付成果具有了必要和足够的能力，才能被视为完整的。
（2）渐进地增加，属于“功能型迭代”。

开发生命周期类型—适应型（敏捷型、变更驱动）（掌握）
在每次迭代前，项目和产品愿景的范围被明确定义和批准，每次迭代（又称 “冲刺”）结束时，客户会对具有功能性的可交付物进行审查并提供反馈，反馈意见会更新至项目待办事项列表，以确定下一次迭代中特性和功能的优先级。
特点：先基于初始需求制定一套高层级计划，再逐渐把需求细化到适合特定规划周期所需的详细程度。较小增量、快速迭代（2~4周，固定）、每次交付最有价值成果。
适用：需求不确定，不断发展变化的项目。

项目管理过程组——为了达成项目的特定目标，对项目管理过程进行的逻辑上的分组。（了解）
启动过程组——授权一个项目或阶段的开始；
规划过程组——明确项目范围、优化目标，并为实现目标制订行动计划；
执行过程组——完成项目管理计划中确定的工作，以满足项目要求；
监控过程组——跟踪、审查和调整项目进展与绩效，识别变更并启动相应的变更；
收尾过程组——正式完成或结束项目、阶段或合同。
过程组在整个项目期间相互重叠；过程组中的各个过程会在每个阶段按需要重复开展，到达到该阶段的完工标准。

项目管理过程组—适应型项目中的过程组（掌握）
启动过程组——识别关键干系人，每个迭代期开展，频繁回顾和重新确认项目章程，确保朝最新的目标推进；
规划过程组——让尽可能多的团队成员和干系人参与到规划过程；
执行过程组——每次迭代都在一个很短的固定时间段内开展工作，干系人和团队基于演示来进行回顾性审查；项目经理聚焦于高层级的目标，并授权团队成员用最能实现目标的方式自行安排具体工作；
监控过程组——通过维护包含工作和变更的未完项清单，对进展和绩效进行跟踪、审查和调整；
收尾过程组----对工作进行优先级排序，以便首先完成最具业务价值的工作。

五过程，10领域，49个过程（掌握）。

第七章 项目立项管理（重点）
项目建议与立项申请（第一阶段）——可行性研究（内容、初研（第二阶段）、细研（第三阶段））——项目评估与决策（第四阶段）。
项目立项管理——对拟规划和实施的项目技术上的先进性、适用性，经济上的合理性、效益性，实施上的可能性、
风险性以及社会价值的有效性、可持续性等进行全面科学的综合分析，为项目决策提供客观依据的一种研究活动。
包括4个阶段----项目建议与立项申请、初步可行性研究、详细可行性研究、评估与决策。
初步可行性研究和详细可行性研究可以依据项目的规模和繁简程度合二为一，但详细可行性研究不可缺少。
升级改造项目只做初步和详细研究，小项目一般只进行详细可行性研究。

项目建议与立项申请（重点）
项目建议书（立项申请）——是项目建设单位（甲方，乙方是承建单位）向上级主管部门提交项目申请时所必须的文件，是提出的某一具体项目的建议文件，是对拟建项目提出的框架性的总体设想。
作用：
（1）是国家或上级主管部门选择项目的依据；
（2）也是可行性研究的依据；
（3）涉及利用外资的项目，在项目建议书批准后，方可开展对外工作。
核心内容：项目的必要性、项目的市场预测、产品方案或服务的市场预测、项目建设的比需的条件。

项目的可行性研究（重点）
可行性研究——从技术、经济、社会和人员等方面的条件和情况进行调查研究，对可能的技术方案进行论证，
以最终确定整个项目是否可行。信息系统项目开发的可行性包括：可能性、效益性和必要性，三者缺一不可。
技术可行性分析：（技术能力、开发风险、人力资源有效性、物资可用性）技术可行性分析往往决定了项目的方向。
经济可行性分析：支出分析—一次性（开发费、差旅费、购置费等）和非一次性（租金、工资、水电费、消耗品支出等）；收益分析—直接（产品收入）和间接（成本降低）；收益投资比和投资回收期分析、敏感性分析。
社会效益可行性分析：对组织内部（品牌、竞争力、 技术创新、人员提升、管理提升）；对社会发展（公共、文化、环境、社会责任感）。
运行环境可行性分析：运行环境是制约信息系统发挥效益的关键。
其他方面的可行性分析：法律可行性、政策可行性等。

可行性研究—初步可行性研究（掌握）
初步可行性研究——在对市场或者客户情况进行调查后，进行大体收集材料，对投资项目的前景进行初步评估的过程，并决定是否继续进行详细可行性研究。（可和详细可行性研究合二为一） 。
经过初步可行性研究，可以形成初步可行性研究报告，该报告可以作为正式的文献供决策参考。
初步可行性研究的主要内容基本与详细可行性研究相同。不同的是占有的资源、研究细节方面有较大差异。

初研主要内容：需求与市场预测；设备与资源投入分析；空间布局；项目设计；项目进度安排；项目投资与成本估算。

辅助（功能）研究——包括项目的一个或几个方面（如试验室和中间工厂的实验、规模的经验性研究、设备选择研究等），但不是所有方面。
只能作为初步可行性研究、详细可行性研究的前提或辅助。 辅助研究的费用必须和项目可行性研究的费用一并考虑。
在初步可行性研究之前进行——一项基本投入是确定可行性的一个决定因素。
完成可行性研究之后进行——可研中要对项目的某一方面进行更详尽地鉴别。

可行性研究—详细可行性研究（重点）
详细可行性研究----在项目决策前对项目有关的技术、经济、法律、社会环境等各方面的条件和情况进行详尽的、系统的、全面的调查、研分析，对各种可能的技术方案进行详细的论证、比较，并对项目建设完成
后所可能产生的经济、社会效益进行预测和评价，最终提交的可行性研究报告将成为进行项目评估和决策的依据（不可省略，必须要有）。
详细可行性研究的方法有：投资估算法、增量净效益法（有无比较法）、经济评价法、市场预测法；
投资估算法——数量性估算（比例估算法）、研究性估算、预算性估算、投标估算；
增量净效益法（有无比较法）——将有项目时的成本（效益）与无项目时的成本（效益）进行比较，求得两者差额，即为增量成本（效益）。
详细可行性研究原则：科学性、客观性、公正性。

详细可行性研究内容：市场需求预测、经济评价及综合分析、部件和投入的选择供应、架构及技术方案、技术与设备选择、网络物理布局设计、投资（重点）、成本估算与资金筹措（资金来源等）。
可行性研究报告的开发总成本：经营成本和非经营成本。
经营成本：研发成本、行政管理费、销售与分销费用。
非经营成本：财务费用和折旧。
细研阶段：否定或初步肯定（±30%）、初步可行性研究（±20%）、详细可行性研究（±10%）、设计开发时（±5%）。

项目评估与决策—掌握
项目评估——在项目可行性研究的基础上，由第三方（国家、银行或有关机构）对拟建项目的各方面进行评价、分析和论证，进而判断其是否可行的一个评估过程。
项目评估是项目投资前期进行决策管理的重要环节，目的是审查项目可行性研究的可靠性、真实性和客观性；
为银行的贷款决策或行政主管部门的审批决策提供科学依据；
项目评估的最终成果是项目评估报告。

评估依据：项目建议书及审批文件、项目可行性研究报告、申请报告及初审意见、关键建设性意见和协议文件、必须的其他文件。
项目评估的7个步骤：
成立评估小组——开展调查研究——分析与评估、编写讨论修改评估报告——专家论证会——评估报告定稿发布。

1，“淘汰效率低下的销售渠道。几个干系人认为，一个表明创造价值下降的渠道仍然些计划保留的渠道更有效”，说明一些原以为效率低的渠道搞错了，用敏捷的做法，以价值驱动来确认 价值低的淘汰，价值高的保留。
2，“收尾阶段，客户提及之前从未讨论过的需求”，对于未讨论的需求，讨论验收标准就没有意义。应该跟踪需求矩阵，确认当初是否包含这个需求。
3，太多干系人意见不一致，可能导致项目失败，分开谈还是一起谈，关键在于能否达成共识，意见不一致是有分歧，所以要引导大家一起开会，协调差异。跟干系人参与计划没关系，参与计划没问题。
4，工作场所外，团队成员和发起人会面，发现有新期望，这个做法没问题，况且该团队成员没有决策也没有执行。所以项目经理应该去了解发起人的期望。重点：不要和干系人审查沟通管理计划，反而要根据干系人的需求更新沟通管理计划。
5，“购买该地产是为了使土地所有者的利润最大化。项目经理获悉，该市可能计划会改变该地区的分区，以允许在一块土地上设置多处出租物业。业主要求项目经理监督该风险。”这是一个机会，考虑风险里机会的应对策略。
6，更换项目发起人，换人已经是客观事实，没有不确定性，不属于风险。首先要识别干系人，引导干系人参与，应该和干系人会面，介绍项目。
7，进度绩效指数(SPI)为0.8，成本绩效指数(CPI)为1.4。省钱了，但进度落后，应该赶工，花钱买时间。
8，“每日站会上，一些团队成员就一些复杂的任务寻求帮助。”站会不解决问题，只提出问题。所以项目经理要求团队在站会外解决技术问题。
9，“一名经验更丰富的成员命令其他团队成员执行超出其职责范围的任务”。干系人参与计划是搞人的策略，搞的是执行团队以外的人。团队内的人走的是获取资源的路线。项目经理只能参考组织过程资产。
10，“一个代码的版本在未经授权的情况下被修改了，并且没有人愿意为此修改承担责任。”考察的是PMP的要求，要确保基本规则。PMP没讲过关于安全策略。
11，“担心项目设备和基础设施可能会因洪水而受损，而且主要道路可能会封闭。”应该优先选择减轻风险，保险和被动接受都是只能是无奈之后的选择。高危风险一般不会选择保险的策略。
12，长期有效的冲突解决方法：合作解决问题。
13，层级结构有问题，决策仍然还是高级管理层做，说明高级管理层未授权，应该让组织高层了解敏捷的方法。
14，经常发生激烈的意见分歧，要想办法解决冲突，就问题讨论达成解决方案。如果只是观察评估没有解决冲突。
15，成果审查时，干系人对最终产品提出了担忧，怀疑成果有问题。首先查一下需求文件，看下是不是真有问题。然后再去讨论干系人担忧的问题。
16，被排斥在团队之外，优先考虑团队协作，要开展团队建设。
17，风险何时从风险登记册转移到问题日志？发生后才可能成为问题。
18，奖励怎么算有效奖励？满足当事人某个需求，要根据当事人的需要去选择奖励。
19，凸显模型适合于复杂人多的干系人。人少的时候适合权利利益方格。
20，如何对干系人分类？考虑职权进行分级；根据影响力进行分组；不能只听某个干系人的意见。
21，预测转移到敏捷，要求提高团队凝聚力。尽量每天一起工作，遵循冲刺计划（因为都有共同的目标）。每天持续改进跟提高凝聚力关系不大。
22，确保干系人的适当参与？对干系人排序，制定评估矩阵。评估干系人没问题，但是没有评估完就能跟项目目标保持一致这种说法。
23，敏捷项目里，预算用完了可以考虑优先级并缩小范围。预测项目范围是固定的，只能做进度压缩。