Modelos predictivos para la estimación de tiempos de duración de los proyectos de automatización de la empresa Stanley Black & Decker

Abstract

RESUMEN : En el presente trabajo se analizan cuáles son las variables que intervienen en los tiempos de duración de los proyectos de automatización en la empresa Stanley Black & Decker para posteriormente probar 3 modelos predictivos. Para poder realizar el análisis se identificaron las etapas críticas del proceso en las que se dan mayores demoras, así como las causas potenciales para que esto ocurra. Identificado el problema de inexactitud en las estimaciones, se realizó la recolección de datos para las variables beneficio económico, número de sistemas usados, complejidad, Score o prioridad para ejecutar el proyecto y la variable tiempo de duración en semanas como variable explicativa. Recolectados los datos de las variables se construyeron los modelos computacionales Regresor de Sporte Vectorial y Regresor de Árbol de Decisión, ambos modelos implementados en Python y un Modelo Lineal Generalizado con distribuciones Gamma y Gaussiana Inversa. Los modelos se compararon de acuerdo a los resultados de las medidas de desempeño Error Cuadrado Medio y Raíz Cuadrada del Error Cuadrado Medio, dando como resultados que el mejor modelo para predecir los tiempos de duración es el modelo computacional Regresores de Árboles de Decisión y en segundo lugar el Regresor de Máquina de Soporte, permitiendo llegar a la conclusión que los modelos predictivos computacionales usados en este trabajo son apropiados para la determinación de tiempos de duración de proyectos con varias actividades en el proceso y potencialmente aplicables a otros tipos de proyectos no necesariamente limitados a automatizaciones.

ABSTRACT : In this research, the variables that have a direct impact on projects duration are analyzed within the automation projects in Stanley Black & Decker Inc, subsequently 3 predictive models are used. With the aim of performing the analysis, the critical stages of the projects are identified, which means when delays occur, as well as root causes of the problem. After the inaccurate time estimations are identified, the data extraction was carried for the variables monetary benefit, number of systems, complexity, score or execution priority, and duration in weeks as an explanatory variable. After data gathering, the computational models were built: Support Vector Regressor and Decision Tree Regressor, both implemented in Python. The used statistical model was the Generalized Linear Model with the distributions Gamma and Inverse Gaussian, for this case implemented in R. The computational and statistical models were compared according to the performance measures Mean Squared Error and Root Mean Squared Error, as result it was obtained as the best predictive model for time duration the Decision Tree Regressor, in second place the Support Vector Regressor, reaching to the conclusion that the computational predictive models used in this research are appropriate for determining the project duration and they are potentially applicable to other kinds of projects, not necessarily limited to automations.