How do data, project management maturity, and PMO support shape resilient oil and gas projects?
Notice bibliographique
Résumé
The global disruption of 2020-2022 forced organizations to reassess their resilience strategies, with executives agreeing to prioritize project management, data analytics, and problem-solving among the top 10 skills for their workforce. In this context, the role of the Project Management Office (PMO) in building resilience and achieving project success has been critically examined. While PMOs are assumed to enhance governance and structured guidance, it remains unclear whether their presence significantly influences resilience-building during disruptions. This study investigates this issue by conducting multi-group analysis (MGA) using data from 170 practicing project managers worldwide who navigated the global disruption. The study examines how Data Analytics Capability (DACP) and Project Management Maturity (PMMM) impact Project Resilience (PRES) and Project Success (PSUC), employing Partial Least Squares Structural Equation Modeling (PLS-SEM) for empirical validation. Results indicate that both DACP and PMMM significantly enhance resilience, with DACP demonstrating a comparatively stronger effect. Project resilience, in turn, has a robust positive impact on project success, highlighting its strategic value beyond mere survival. Notably, while multi-group analysis shows no statistically significant differences between PMO-supported and non-PMO-supported projects, this does not undermine the importance of PMMM and PMO support. Instead, it reinforces that structured governance and maturity practices are considered baseline expectations in high-reliability industries, rather than distinct differentiators of project resilience.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».