项目控制的关键是识别整个系统的运行状况，分析偏差和可能的影响，进而采取相应的控制措施。管理的核心是对人的管理，项目中涉及人的方面是项目管理的核心。大数据能够提供项目中大量的关于人的信息，提高项目控制的准确性、及时性。同时，大数据技术还在风险预警、事前控制等方面起到重要作用。

（1）通过大数据获得关于人的信息

在项目控制中，对于过程信息（工期、成本、质量等）的收集处理相对较为容易，因为这些是标准化的信息。然而管理的核心是人的问题，项目管理也不例外，及时发现与人有关的信息，如情绪、态度等，并对其进行适时引导，是项目控制的有效手段，只是这类信息的收集和处理较为困难。但随着大数据技术的出现，这个问题有望被解决，因为大数据能够帮助我们获得关于人的信息^[12]。

孜孜不倦地观测、记录、挖掘海量的数据，有朝一日终会推导出或简约或复杂的方程，以此得以在自然科学的历史丰碑上留名。数百年来，这种对数据的崇拜早已成为了物理学家、化学家、生物学家、天文地理学家们的信念。而牛顿，贝叶斯，薛定谔等一代代巨匠的伟业也揭示了数据对于科学发现的重要价值。

相比之下，社会科学领域的研究就要惨淡地多，他们同样看重数据，同样追求统计与分析的“程序正义”，同样勤勤恳恳地设计试验与调研，去寻找成千上万的试验对象，同样像模像样地去嵌套方程……但是几乎很少有研究结果能够得到普遍的承认，不管是社会学、心理学、经济学、管理学还是教育学。

当然，社会科学领域的研究者们遇到的困难是显而易见的：“人性”与“物性”是不同的，物质世界比较稳定，容易寻找规律；而由人组成的社会系统极其善变，难以总结和发现规律。从数据的角度来说，人的数据远不如物的数据那么可靠。

首先是人不会像物那样忠实地进行回应：谁知道一个人填写的问卷有多少是注意力不集中填错的、语文水平不高理解错的、还是压根没打算讲真话？此外，人与人本身的差距也大于物与物的差距：两种化学组成相同的物质表现出的各种性质在很多方面几乎是完全一样的，但即使是两个基因完全相同的双胞胎也会因为不同的人生经历而表现出大相径庭的行为特征。

人无法被反复研究，本质上是对人的研究的假设总是难以满足，在不同的环境中人的表现差异较大，人体内的反应、人的情绪化问题等难以度量和分析。对人研究结论的“不可重复验证”导致传统的数据分析无法用于人的信息的获取，因为真正要研究和应用需要同时获取环境信息，通过系列手段解决信息失真等问题。

换句话说，我们可以获得的关于“人性”的数据不够大，不够多，不够随时随地，因此我们无法从数据中窥见人性。2002年诺贝尔经济学奖授予心理学家丹尼尔·卡尼曼（Daniel Kahneman）时，似乎标示着社会科学领域已经接受了这样一种事实：人类的行为是无法寻找规律、无法预测、难以进行科学度量的。社会科学开始怀疑用纯粹理性的方法是否可以解答关于“人性”的种种现象。与此相映成趣的是2012年的美国大选，奥巴马的团队依靠对网络数据的精准筛选捕捉到了大量的“草根”选民，而对于其喜好与需求的分析与把握更是赢得了他们的信任，从而使奥巴马在不被传统民调与历史数据规律看好的情况下一举胜出。这跨越十年的两个标志性事件让人们对于“数据揭示人性”可能性的认识经历了戏剧性的转变。

如今，迅速普及的互联网与移动互联终端悄然为记录人的行为数据提供了最为便利、持久的载体。手机、iPad等贴近人的终端无时无刻不在记录关于人的点点滴滴——思考、决策与行为。尤其重要的是，在这些强大的数据收集终端面前，人们没有任何掩饰的意图，而是完整地呈现着自己的各种经历，人们不厌其烦一遍又一遍重复着他们不愿在试验情境下表现出来的行为，从而创造着海量的数据——传统数据研究无法做到的事，传统研究范式苦苦纠结的许多难点，都在大数据到来的那一刹那遁于无形。

大数据的到来，让所有社会科学领域都能够凭借前沿技术的发展从宏观群体走向微观个体，让跟踪每一个人的数据成为了可能，从而让研究“人性”成为了可能。(www.daowen.com)

在项目控制中，对项目团队、关键人员信息的获取和处理，能够使管理者更加深入、具体了解项目的运行情况，对将要发生的风险提前预知，及时调控。当然，真正付诸实践可能还要解决隐私、安全等系列问题，但对人的信息的获取对提高项目控制效率和控制项目风险所起到的作用毋庸置疑。

（2）项目控制方式的改变

传统的基于数据的监控，主要通过对ERP、OA和各种项目管理软件等记录的数据进行对比分析，这些都是结构化的数据。通过大数据分析，能够分析非结构化数据，例如与项目外部环境有关的政策、市场等方面的新闻，项目运行过程中的人员情绪的变化等。

大数据能够收集更多的未来信息，使风险预警机制的运作更有效。在项目机会识别中已经提到，“大数据”分析能够提前发现重要信息，在项目控制过程中也是如此。项目组织内部运行过程是否良好、外部环境是否发生重大变化，对项目正常运行有重要影响，通过“大数据”分析，能够提前预见这些事件，使项目管理人员能够提前做好准备，更好地应对项目风险。要想提前发现问题，首先是做好信息的收集，这需要相关的制度、措施作为保障。例如，要求员工撰写日志，或者为员工提供沟通交流的平台，由此通过语义数据分析得知项目运行过程中的情况。由于项目的各个过程之间相互关联并形成网络，过程之间的相互影响较多，基于里程碑检查控制项目是一种“事后”行为，而对各个过程中信息的收集、处理又需要大量的时间和人力成本，管理者无法做到实时监控。通过对员工日志的分析，对比不同员工、不同利益相关方之间的记录，能够及时发现过程中的异常情况，根据情况及时采取措施，真正能做到事前和事中控制。

（3）基于数据挖掘的工期进度控制模型^[15]

曾晖提出了工程项目管理中大数据的应用思路，从其提出的模型中可以看到大数据在项目控制中的重要作用。

工期进度是工程项目管理中最难控制的问题，工期延误的原因是多方面的，包括前期准备工作不足、项目设计偏差、施工管理不当、设备未按时按要求到位等。在实际施工中，这些导致工期延误的原因并不都是必然的，如通常认为下雨等天气情况会影响项目进度，但并不是所有项目都会因雨季而延误工期，所以肯定还存在很多被忽略的因素会影响工程进度，实际施工中还客观存在一些我们不了解的因果关系，要想找到这些因果关系，需要对大量工程项目管理数据进行挖掘，基于数据分析结果得到结论。

数据挖掘工作首先需要建立相关组织机构和管理机制，使数据可以从施工一线实时传输至后方管理层并存储起来以供挖掘分析，其行政管理机制可以采用“集团总部——地区公司——项目公司——前线”模式。项目部与施工现场人员存在业务往来，项目部将各种施工现场信息录入信息系统并传递至公司数据库，同时公司也可调用数据库数据传输至项目部。传输至公司数据库的信息可以提供给各个职能部门作管理调度参考，还可以通过建立各种数据挖掘项目组进行数据挖掘分析。

不同类型的工程管理数据特点不同，要进行数据挖掘必须对不同数据进行分类。对于结构化数据的挖掘，必须在各个专业工程领域建立一个统一的数据仓库，这是提高分析精度的根本保障。

对于非结构化数据的挖掘，可以采用检索技术进行分类管理。MOLDA的多维联机数据分析（Multi-dimensional On-Line Data Analysis）理论是一种支持分析和决策来管理项目的模型，适合种类繁多的工程项目分类。其设计思路包括多维业务空间设计、挖掘方法设计、数据连接设计等。