1. 课程导论：承诺跟踪与偏差分析的概念、课程目标、适用工程项目类型
1.1 核心概念定义
在工程项目管理实践中，承诺跟踪与偏差分析是确保项目按计划推进的两大支柱。承诺跟踪关注“人”与“任务”的绑定关系，偏差分析则聚焦“计划”与“实际”的量化差距。
| 概念 | 定义 | 核心关注点 |
|---|---|---|
| 承诺跟踪 | 对项目干系人（团队、供应商、客户）所做出的任务交付承诺进行记录、验证与闭环管理的过程。 | 承诺的明确性、可度量性、兑现率 |
| 偏差分析 | 将实际执行数据（进度、成本、质量）与基准计划进行对比，识别差异并评估其影响的技术。 | 偏差方向（正/负）、偏差幅度、根因定位 |
关键认知： 承诺跟踪是偏差分析的“前馈”机制——当承诺未被兑现时，偏差必然发生。本课程将两者结合，构建从“承诺记录”到“偏差预警”再到“纠偏行动”的完整闭环。
1.2 承诺跟踪与偏差分析的协同关系
下图展示了承诺跟踪如何作为偏差分析的数据源头，以及两者在项目生命周期中的交互逻辑。
实践要点： 承诺跟踪系统输出的“承诺兑现率”是偏差分析中最重要的前置指标之一。当团队承诺兑现率低于 80% 时，项目进度偏差的风险将急剧上升。
1.3 课程目标
本课程旨在帮助学员掌握一套可落地的技术方案，将承诺跟踪与偏差分析从理论概念转化为工程化工具。完成本课程后，学员应具备以下能力：
- 环境搭建能力： 独立配置基于 GitLab CI / Jenkins 的承诺跟踪流水线，实现任务承诺的自动化记录与状态更新。
- 数据采集能力： 使用 Prometheus + Grafana 采集项目执行数据，建立偏差分析的量化指标看板。
- 分析建模能力： 基于 Earned Value Management (EVM) 模型，结合承诺数据构建偏差预警规则。
- 部署交付能力： 通过 Docker Compose 或 Kubernetes 一键部署整套承诺跟踪与偏差分析平台。
1.4 适用工程项目类型
本课程的方法论与工具链并非适用于所有项目。以下表格列出了最适合与最不适合本课程的项目特征：
| 项目类型 | 适用性 | 典型场景 |
|---|---|---|
| 软件研发项目 | ★★★★★ | 敏捷迭代、版本发布、缺陷修复承诺跟踪 |
| 系统集成项目 | ★★★★☆ | 多供应商接口交付、联调测试承诺管理 |
| 基础设施建设项目 | ★★★☆☆ | 施工里程碑、材料进场承诺与进度偏差分析 |
| 纯咨询/研究项目 | ★★☆☆☆ | 交付物偏文档化，承诺可度量性较低 |
注意： 对于高度不确定的探索型项目（如前沿技术预研），过度强调承诺跟踪可能导致团队产生“虚假承诺”行为。此时应优先使用“信心指数”而非“硬性截止日期”作为承诺度量单位。
1.5 课程知识体系全景
本课程共分为 6 个模块，下图展示了各模块之间的依赖关系与学习路径：
1.6 学习前提与工具清单
为获得最佳学习效果，建议学员在开始本课程前具备以下基础：
- 熟悉 Git 基本操作（分支、合并、标签）
- 了解 Docker 容器化基础概念（镜像、容器、卷）
- 具备基础的 Linux 命令行操作能力
课程中涉及的核心工具链如下：
| 工具/平台 | 版本要求 | 用途 |
|---|---|---|
| GitLab CE / EE | ≥ 15.0 | 承诺跟踪流水线触发与 MR 状态管理 |
| Jenkins | ≥ 2.387 | 复杂构建与偏差数据采集 |
| Prometheus + Grafana | Prometheus ≥ 2.45 / Grafana ≥ 9.5 | 偏差指标监控与可视化 |
| Docker Compose | ≥ 2.20 | 本地开发环境一键部署 |
课程定位： 本课程不是纯理论讲解，而是“配置 + 代码 + 部署”三位一体的工程实践课。每一章都会提供可执行的配置文件与代码片段，学员可以在自己的实验环境中直接运行验证。