Oxford Global Projects om mestring af projekter: Nå i mål til tiden og indenfor budgettet?

I dette foredrag dykker vi ned i den banebrydende forskning fra de anerkendte akademikere Bent Flyvbjerg og Daniel Kahneman og udforsker the planning fallacy, the iron law of projects (“over budget, over tid, færre gevinster, om og om igen”) og reference class forecasting. Vi afdækker faktorerne – både de bemærkelsesværdige og de banale – der former udfaldet for projekter. Det gælder alt fra små, lokale projekter som vedligehold af veje eller køkkenrenovering til ambitiøse klimaprojekter, der skal transformere vores energiinfrastruktur.
Lær hvordan offentlige ledere kan adressere de grundlæggende årsager til, at projekter slår fejl, ved aktivt at bruge historiske data og innovative løsninger. Gennem virkelige succes- og skrækhistorier, bl.a. fra de store danske sygehusbyggerier, får deltagerne værdifuld indsigt i strategier, der kan anvendes på offentlige projekter af enhver størrelse eller kompleksitet. Deltag i denne oplysende rejse og transformér den måde, du griber dit næste projekt an på!
Foredraget giver bl.a. svar på følgende:
- Hvad er ‘the iron law’ for projekter, og hvad kan du som leder bruge det til?
- Hvorfor skal man tænke langsomt, når man gerne vil eksekvere hurtigt?
- Hvad kan vi lære fra internationale cases om at mestre kunsten at drive offentlige projekter?
Andreas Leed
Andreas Leed er kandidat i statskundskab fra Aarhus Universitet og Head of Data Science ved Oxford Global Projects: https://www.oxfordglobalprojects.com. Andreas står bag en stor del af statistikken i den nye bog af Bent Flyvbjerg og Dan Gardner, How Big Things Get Done (2023) anmeldt som ”One of Financial Times’ Best Books of the Summer”. Andreas har stor viden om og erfaring med anvendelse af data science inden for projektledelse. Han har udarbejdet den officielle projektvurderingsmetode for transportministeriet i Storbritannien, ledet eksterne risikovurderinger for nogle af Europas største infrastrukturprogrammer samt stået i spidsen for udviklingen af et AI-baseret tidligt varselssystem for højrisikoprojekter i Hong Kong.