Управление проектами

VBA в Microsoft Project — зачем? Обычная ситуация - календарное планирование в Project, но отчёты, дашборды и гибкая аналитика — часто делают в Excel. Ручной перенос данных между ними — потеря времени и источник ошибок. Особенно когда проектов несколько, а задач — сотни. Решение — VBA (Visual Basic for Applications). Встроенный язык автоматизации, который работает внутри обоих продуктов. Что можно автоматизировать за 15 минут кода: Экспорт данных из Project в Excel — задачи, сроки, ресурсы, фактические трудозатраты. Готовые макросы позволяют выгружать данные из любого представления Project прямо в таблицу. Причём один макрос может собрать данные сразу из нескольких Project-файлов, даже не открывая их все. Импорт из Excel в Project — загружать сметы, ресурсы, плановые трудозатраты из таблиц, которые готовят финансисты или снабжение. В том числе обновлять расписание по данным из Excel-листов. Сквозные сценарии — например, открыть Project-файл из Excel, найти конкретную задачу по ID и обновить её поля. Или наоборот — по нажатию кнопки в Excel сформировать отчёт по активному проекту. С чего начать (краткий чеклист): 1.    Подключите библиотеку Project в Excel VBA. В редакторе (Alt+F11) → Tools → References → найти Microsoft Project [версия] Object Library и поставить галочку. Без этого Excel не «увидит» объекты Project. 2.    Создайте макрос в Project (View → Macros → Record Macro) — выполните экспорт вручную один раз, а затем доработайте записанный код под свои нужды. 3.    Используйте готовые решения. Например, открытый репозиторий с макросом для выгрузки Gantt-диаграммы, задач и ресурсов из Project в Excel. 4.    Продумайте структуру. Excel — это «открытый» формат, поэтому перед написанием кода чётко определите, в какие столбцы и на какие листы что попадает. VBA-макрос в Project (.mpp), но может управлять Excel через CreateObject("Excel.Application"). А можно и наоборот — запускать Project из Excel. Выбор за вами. Если вы до сих пор переносите данные вручную — вы теряете и время и деньги. #ProjectManagement #MSProject #Excel #VBA #Automation #PMO

Ваш AI каждый раз «забывает» контекст? AI "забывает" кто вы и над чем работаете? А один PM решил эту проблему за 30 минут — с помощью Obsidian + Claude Code. Продакт-менеджер Мохит Сингх устал каждое утро тратить по 5 минут на то, чтобы заново объяснять AI контекст своих проектов. Решение оказалось до смешного простым: Obsidian Vault — одна папка со всеми заметками, ТЗ, встречами и исследованиями, а Claude Code — AI-агент, который живёт внутри этой папки и может читать/писать любой файл. Ключевой ингредиент — файл CLAUDE.mdкто вы, н в корне. В нём прописано: над чем работаете и где искать детали. Результат? Claude больше не начинает с нуля. Команда «обнови конкурентный анализ в кейсе XYZ» — и AI сам находит нужный файл, читает существующие исследования и дополняет их. «Что я решил по фиче X на прошлой неделе?» — AI ищет по заметкам и отвечает. Многие покупают дорогие PM-системы с AI-надстройками. А можно просто положить все свои заметки в Markdown-файлы, подключил Claude Code — и получить персонального AI-ассистента, который помнит всё. Без плагинов, без сложной интеграции, без ежемесячной подписки за «AI-модуль». Что можно взять на заметку прямо сейчас (на основе этого кейса и статей от XDA*): 1. Все заметки, PRD, протоколы встреч, исследования — в одну папку. Markdown-формат означает, что любой AI сможет их читать. 2. Создайте файл CLAUDE.mdропишите  в корне Vault. Кто вы, ваши текущие проекты, структуру папок, правила именования, особенности Obsidian-синтаксиса (вики-ссылки, метаданные). 3. Запустите Claude Code внутри Vault. Это не требует навыков программирования — просто откройте терминал в папке с заметками и запустите Claude Code. 4. Используйте Skills и Subagents. Claude Code автоматически обнаруживает папки с SKILL.mdвместе с — это ваши повторяющиеся AI-воркфлоу. Они становятся частью Vault и путешествуют ним. 5. Не бойтесь делегировать «черновую работу». Как сказал автор из XDA*: «Я могу поручить AI-агентам исследовать мой следующий проект, пока я работаю над текущим. Это как иметь стажёра — и, как любой ответственный менеджер, я перепроверяю результаты, но экономия времени колоссальная». 6. Контекст накапливается. Каждая заметка, каждое решение, каждый исследовательский вывод делает следующий AI-сеанс умнее. Это не просто «второй мозг» — это обучающаяся память для вашего AI-помощника. 7. Начните с малого. Настройки займут не более 30 минут. Не нужно переписывать всё — просто создайте папку, положите туда существующие заметки и подключите Claude Code. Кратко: Одна папка = вся память о проектах Claude Code читает и пишет всё внутри 5 минут контекста → 0 минут 1–2 часа экономии в день Если ваш AI-ассистент каждое утро встречает вас как незнакомца — может, пора дать ему постоянную память? *XDA (или XDA Developers) — онлайн-сообщество разработчиков и энтузиастов мобильных технологий #ProjectManagement #Obsidian #ClaudeCode #AI #Productivity #SecondBrain #PMO #DigitalTransformation #иронияуправления

Сколько живут ваши ИИ-пилоты? Сингапурская группа Seatrium ввела жёсткое правило: любой ИИ-пилот получает ровно 90 дней, чтобы доказать свою бизнес-ценность. После этого — либо в продакшн, либо в утиль . Никаких бесконечных «давайте ещё потестим» и «почти готово». Директор по цифровизации Lee Wey Lii прямо заявил: «Мы не хотим превращаться в кладбище пилотов» . И уточнил: «У нас ограничено пространство, ограничено количество проектов и время» . И кажется это работает. В одном из инженерных процессов ИИ теперь сопоставляет тысячи тегов оборудования со сложными схемами. Раньше — 50 человеко-дней, сейчас — всего 2 . Разница — 25 раз. Неплохо за три месяца, да? А главное — KPI цифрового отдела Seatrium измеряется не количеством запущенных пилотов, а тем, сколько проектов дошли до реальной эксплуатации . Ирония: у многих компаний «цифровая трансформация» — это бесконечные презентации про ИИ. У Seatrium — работающие решения. Что можно взять на заметку прямо сейчас (на основе опыта Seatrium и рекомендаций PMI): 1. Дайте пилоту чёткий срок. 3 месяца — оптимальный горизонт для проверки гипотезы. Без дедлайна проект будет длиться вечно. 2. Заранее определите, что значит «измеримый результат». Не «улучшим процессы», а конкретные цифры: время, стоимость, точность. Seatrium знал, что хочет сократить человеко-дни с 50 до 2  — и получил. 3. Не бойтесь убивать пилоты. Если за 3 месяца нет результата — закрывайте. Это не провал, это экономия ресурсов. Как сказал Lee: «Цель — не предотвратить провал пилотов, а не дать им застрять в экспериментальной стадии навсегда» . 4. Сделайте внедрение KPI. Считайте не количество запущенных PoC, а количество проектов в продакшне. Seatrium сделал это KPI для всего цифрового отдела  — и мотивация резко сместилась от «отчитаться» к «сделать работающим». 5. Готовьте инфраструктуру и данные заранее. Seatrium начал цифровизацию ещё в 2018 году — задолго до бума ИИ . Без чистой архитектуры данных любой ИИ-пилот обречён. 6. Оставляйте человека в контуре. Даже с цифровым двойником, который сам рассчитывает раскладку пространства и ресурсов, финальное решение принимает человек . ИИ — помощник, а не замена. Кратко: ⏳ 3 месяца — и точка 📊 KPI — внедрение, а не количество пилотов ⚡ 50 человеко-дней → 2 — это достижимо 🧠 Человек принимает решение, ИИ считает варианты Если ваши ИИ-проекты всё ещё в стадии «скоро запустим» уже больше года — может, пора взять пример с Seatrium и включить таймер? #ProjectManagement #AI #Seatrium #PMO #DigitalTransformation #иронияуправления

🦄🦄🦄 Когда стоит использовать локальную LLM? Есть ситуации, где локальная LLM может оказаться даже удобнее облачных сервисов Вот несколько примеров: 🔹 Конфиденциальные данные Если вы работаете с внутренними документами компании, договорами, финансовой информацией или персональными данными клиентов, локальная модель позволяет не отправлять эти данные во внешние сервисы 🔹 Большое количество запросов Если AI используется внутри бизнеса сотни или тысячи раз в день, локальная модель может оказаться значительно дешевле постоянной оплаты API 🔹 Собственная база знаний Локальные LLM часто используют вместе с RAG-системами для создания корпоративных консультантов, техподдержки, помощников сотрудников и других AI-агентов 🔹 Полный контроль над системой Можно настраивать модель под свои задачи, выбирать подходящую LLM, подключать собственные инструменты и интеграции При этом важно понимать: для сложных рассуждений и универсальных задач ChatGPT, Gemini и Claude всё ещё остаются очень сильными решениями Поэтому сегодня многие компании используют гибридный подход: часть задач решают через облачные модели, а часть - через локальные LLM