【短语学习】盈余量分析(earned value analysis)

简介: 作者:gnuhpc 出处:http://www.cnblogs.com/gnuhpc/    各种形式的盈余量分析是衡量执行时最常用的方法。它把范围、成本和进度等度量标准结合在一起以帮助项目管理小组评估项目执行。

作者:gnuhpc
出处:http://www.cnblogs.com/gnuhpc/

   各种形式的盈余量分析是衡量执行时最常用的方法。它把范围、成本和进度等度量标准结合在一起以帮助项目管理小组评估项目执行。对每项活动而言,盈余量分析包括计算三个主要数值:
clip_image002 预算,也称为排定工作的预算成本(the budgeted cost of work scheduledBCWS),是给定期间内计划花费在某项活动上的已被批准的成本估计部分。
clip_image002[1] 实际成本,也称之为已执行工作的实际成本(the actual cost of work performedACWP),是给定期间内因完成工作所花费的直接和间接成本的总和。
clip_image002[2] 盈余量(the earned value),也称为已执行工作的预算成本(the budgeted cost of work performedBCWP),是总预算的一个百分比。此一百分比等同于实际完工工作的一个百分比。为了简化数据收集许多盈余量仅用一个百分比表示。一些盈余量只用0100%(完工或未完工)来表示以确保执行衡量的客观性。

这三个量一起使用提供了工作是否按计划完成的度量标准。最常使用的度量标准是成本差异(CV=BCWP-ACWP)、进度差异(SV=BCWP- BCWS)和成本执行指数(CPI=BCWP/ACWP)。累计的成本执行指数(BCWPs之和除以ACWPs之和)在预测完工时的项目成本中广泛地应用。在一些应用领域,进度执行指数(SPI=BCWP/BCWS)也被用来预测项目的完工日期。

clip_image004

1执行报告(performance reports)。执行报告对收集的信息进行组织和总结并且提出分析结果。执行报告按照沟通管理计划的规定提供各类项目涉及人所需求的符合详细等级的信息。执行报告的通用格式包括条形图(也称为甘特图),S曲线、矩形图和表格。图10-2使用S曲线来表示累计的盈余量解析数据,而图10-3以表格表示盈余量的数据。

clip_image006

 

作者:gnuhpc
出处:http://www.cnblogs.com/gnuhpc/


               作者:gnuhpc
               出处:http://www.cnblogs.com/gnuhpc/
               除非另有声明,本网站采用知识共享“署名 2.5 中国大陆”许可协议授权。


分享到:

目录
相关文章
|
1月前
|
存储 自然语言处理
LangChain-04 RAG Retrieval-Augmented Generation 检索增强生成
LangChain-04 RAG Retrieval-Augmented Generation 检索增强生成
26 3
|
3月前
|
算法 数据挖掘
【博士每天一篇文-算法】Community Detection and Classification in Hierarchical Stochastic Blockmodels
本文介绍了2015年Lyzinski V, Tang M, Athreya在马里兰大学的研究,提出了一种在分层随机块模型中进行社区检测和分类的综合方法,适用于社交网络分析和神经科学等领域,并通过模拟数据和真实数据的实验验证了该方法的有效性。
15 2
|
6月前
|
自然语言处理 数据格式
【ChatIE】论文解读:Zero-Shot Information Extraction via Chatting with ChatGPT
【ChatIE】论文解读:Zero-Shot Information Extraction via Chatting with ChatGPT
120 1
|
6月前
|
机器学习/深度学习 算法 数据可视化
R语言文本主题模型之潜在语义分析(LDA:Latent Dirichlet Allocation)
R语言文本主题模型之潜在语义分析(LDA:Latent Dirichlet Allocation)
|
人工智能 自然语言处理 搜索推荐
NLP文本匹配任务Text Matching [无监督训练]:SimCSE、ESimCSE、DiffCSE 项目实践
NLP文本匹配任务Text Matching [无监督训练]:SimCSE、ESimCSE、DiffCSE 项目实践
 NLP文本匹配任务Text Matching [无监督训练]:SimCSE、ESimCSE、DiffCSE 项目实践
|
人工智能 自然语言处理 PyTorch
NLP文本匹配任务Text Matching [有监督训练]:PointWise(单塔)、DSSM(双塔)、Sentence BERT(双塔)项目实践
NLP文本匹配任务Text Matching [有监督训练]:PointWise(单塔)、DSSM(双塔)、Sentence BERT(双塔)项目实践
NLP文本匹配任务Text Matching [有监督训练]:PointWise(单塔)、DSSM(双塔)、Sentence BERT(双塔)项目实践
|
机器学习/深度学习 人工智能 自然语言处理
【论文精读】AAAI 2022 - Unified Named Entity Recognition as Word-Word Relation Classification
到目前为止,命名实体识别(NER)已经涉及三种主要类型,包括扁平、重叠(又名嵌套)和不连续NER,它们大多是单独研究的。
243 0
【论文精读】AAAI 2022 - Unified Named Entity Recognition as Word-Word Relation Classification
|
自然语言处理 Python
【NLP Tool -- NLTK】NLTK进行英文情感分析、分词、分句、词性标注(附代码)
NLP自然语言处理之NLTK工具的使用,进行英文情感分析、分词、分句、词性标注(附代码)
927 0
|
机器学习/深度学习 存储 自然语言处理
使用Sentence Transformers和Faiss构建语义搜索引擎
使用Sentence Transformers和Faiss构建语义搜索引擎
1189 0
使用Sentence Transformers和Faiss构建语义搜索引擎
|
机器学习/深度学习 自然语言处理 算法
基于不同监督强度分类的语义分割综述:A Breif Survey on Semantic Segmentation with Deep Learning
引言:语义分割是计算机视觉中一项具有挑战性的任务。近年来,深度学习技术的应用大大提高了语义分割的性能。人们提出了大量的新方法。本文旨在对基于深度学习的语义分割方法的研究进展进行简要综述。全文将该领域的研究按其监督程度进行了分类,即完全监督方法、弱监督方法和半监督方法。文章还讨论了当前研究的共同挑战,并提出了该领域的几个有价值的发展研究点。本综述旨在让读者了解深度学习时代语义分割研究的进展和面临的挑战。
545 0