Predicción del riesgo de retraso en actividades a partir de patrones estructurales en cronogramas de proyectos

Abstract

La gestión del tiempo constituye uno de los factores más relevantes para el éxito de los proyectos, ya que el cumplimiento de los cronogramas influye directamente en la coordinación de actividades, la utilización de recursos y el logro de los objetivos establecidos. Sin embargo, en la práctica es común que las actividades experimenten desviaciones respecto a las fechas originalmente planificadas, generando retrasos que afectan el desempeño general del proyecto. Los cronogramas de proyectos contienen una gran cantidad de información relacionada con la estructura de las actividades, sus duraciones y las relaciones de dependencia existentes entre ellas. Esta información representa una valiosa fuente de datos que puede ser utilizada para identificar patrones asociados al comportamiento de las actividades durante la ejecución de los proyectos. En los últimos años, el desarrollo de técnicas de Ciencia de Datos y Machine Learning ha permitido transformar grandes volúmenes de datos históricos en conocimiento útil para la toma de decisiones. Estas técnicas han demostrado su capacidad para identificar patrones complejos y construir modelos predictivos capaces de anticipar eventos futuros en diferentes áreas de aplicación. En este contexto, la presente investigación analiza datos históricos provenientes de cronogramas desarrollados en Primavera P6 con el propósito de identificar patrones estructurales asociados al riesgo de retraso en actividades. Para ello, se utilizan variables derivadas de la estructura del cronograma, tales como la duración de las actividades, el número de predecesores y el número de sucesores, con el fin de desarrollar modelos predictivos capaces de estimar la probabilidad de retraso de una actividad. El estudio adopta un enfoque basado en datos históricos reales y compara diversos modelos de Machine Learning para determinar cuál presenta mejor desempeño en la predicción del riesgo de retraso. De esta manera, se busca contribuir tanto al campo de la Ciencia de Datos aplicada a la gestión de proyectos como al desarrollo de herramientas que permitan una gestión más proactiva del cronograma.