000 | 04028nmm a2200253 a 4500 | ||
---|---|---|---|
008 | 160202e2021 ck |||fq||d| 00| 0 spa d | ||
082 | 0 | 4 |
_a658.404 _bN945d _223 |
100 |
_aNova Barreto, Laura Tatiana. _944409 |
||
245 | 1 | 3 |
_a Diseño de un modelo de evaluación de proyectos a partir de herramientas de machine learning o aprendizaje automatizado.. : _h[Recurso Electrónico] / _cLaura Tatiana Nova Barreto. |
260 |
_aBogotá (Colombia): _bEscuela Colombiana de Ingeniería Julio Garavito, _c2021 |
||
300 |
_a82 paginas. _bgráficos. |
||
502 | 1 | _aTesis (Maestría en Desarrollo y Gerencia Integral de Proyectos) | |
520 | _aOrganizaciones como The Standish Group publican anualmente estadísticas del porcentaje de éxito o fracaso de proyectos de TI (Tecnología Informática), las cuales revelan que alrededor del 31.1% de los proyectos que se realizan en el transcurso de un año fracasan o son cancelados, el 52.7% superan en costo, tiempo y/o funcionalidad prometida y solo el 16.2% de los mismos se consideran exitosos. Ahora bien, estas cifras corresponden al sector de las Tecnologías de la Información y la Comunicación (TIC), el cual para el año 2017 representaba el 6.5% del PIB mundial; en este sentido, si estas cifras se proyectaran de forma equivalente en el sector de la construcción, cuyo aporte al PIB mundial en el mismo año superaba el 13%, se confirmaría la existencia de una situación alarmante en la ejecución de los proyectos. Cabe señalar que las cifras anteriores, coinciden con las estadísticas entregadas por el Project Management Institute en su informe anual, puesto que para el 2019 los proyectos que fracasaron en su totalidad superaban el 18% y los que no cumplieron con sus objetivos el 39%. No obstante, aquellas empresas que han venido implementado nuevas prácticas, conocidas como “PMTQ Innovators”, han logrado disminuir en un 42% los proyectos que han excedido su presupuesto inicial y en un 46% aquellos que excedieron el tiempo planeado. Por lo anterior, son las alarmantes cifras las que ratifican la necesidad de nuevas herramientas que contribuyan a la disminución de las tasas de fracaso de los proyectos; es aquí donde toma fuerza la incursión del ámbito tecnológico en la evaluación de proyectos y donde esta investigación demuestra que es posible predecir el éxito de los proyectos haciendo uso de herramientas y algoritmos del Machine Learning, a través de un sistema de aprendizaje supervisado, modelado por medio de una red neuronal artificial entrenada a partir de bases de datos históricos de proyectos ejecutados, a los cuales se les calcula su éxito bajo los lineamientos de la triple restricción: costo, tiempo y alcance. Es así, que se da a conocer una herramienta que proporciona a la evaluación de proyectos un indicador diferente a las métricas financieras tradicionales (TIR, VPN, Rentabilidad del Negocio, ROI y B/C (Costo - beneficio)) para la toma de decisiones, con el fin de minimizar la tasa de proyectos fracasados. Finalmente, al entrenar esta herramienta con la data histórica de la última década de los proyectos de infraestructura en Colombia, se determina que si el Estado hubiese usado este modelo, más de 45.000 proyectos no exitosos con costos superiores a 60.000 millones de pesos, pudieron haber sido reestructurados o rechazados previo a su inicio; adicionalmente, se hubieran podido destinar a otros proyectos, recursos superiores a los 5.000 millones de pesos, que fueron ejecutados en más de 1000 contratos fracasados por año. | ||
650 | 0 |
_aGESTIÓN DE PROYECTOS _941053 |
|
650 | 0 |
_aINTELIGENCIA ARTIFICIAL _944589 |
|
650 | 0 |
_aEVALUACIÓN DE PROYECTOS _91602 |
|
650 | 0 |
_aTESIS DE GRADO _943245 |
|
700 |
_aBuzeta Araya, Rodrigo Javier _923482 _edirector. |
||
700 |
_aCaro Mesa, Jorge Esteban _944591 _eAutor. |
||
700 |
_aCruz Rodriguez, Camilo Andrés _944592 _eAutor. |
||
856 | _uhttps://repositorio.escuelaing.edu.co/handle/001/1444 | ||
942 |
_2ddc _cTE |
||
999 |
_c22614 _d22614 |