Aplicación de redes neuronales artificiales a la predicción del éxito de proyectos TIC

• Mary Luz Mouronte-López ^[1]
  1. [1] Universidad Francisco de Vitoria

     Universidad Francisco de Vitoria

     Pozuelo de Alarcón, España

     
• Localización: DYNA new technologies, ISSN-e 2386-8406, Vol. 7, Nº. 1, 2020
• Idioma: español
• Títulos paralelos:
  • Application of artificial neural networks to anticipate the success of ICT projects
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Esta investigación demuestra que el uso de redes neuronales artificiales (RNA) puede ayudar a predecir el éxito de los proyectos candidatos a ser ejecutados en una gran compañía del sector TIC, a mejorar los resultados del negocio y a optimizar el proceso de ventas. El trabajo se llevó a cabo en una compañía con una media anual de 72.350 proyectos finalizados, los cuales fueron gestionados utilizando diversas metodologías. Específicamente se utilizaron datos de proyectos terminados a lo largo de 9 años. Un proyecto exitoso, conforme a las directrices de la compañía, era aquel que tenía una ocurrencia de 0 impactos no planificados, una desviación máxima de 4% sobre el presupuesto estimado, un desvío máximo de 2 semanas sobre la fecha final prevista y una evaluación por parte del cliente en el rango [7,10]. Estas variables fueron calculadas por separado utilizando 4 RNA. Cada RNA que se empleó fue una High-Order Multi-Layer Perceptron (MLP) con una capa de entrada con 16 nodos, 3 capas ocultas con 11 nodos y una capa de salida con un nodo, así como funciones de activación en las capas ocultas: Sigmoid, Rectified Linear Unit, Hyperbolic Tangent, y Arc-hyperbolic sine. La función de activación utilizada en la capas de entrada y salida fue la función Sigmoid. Según los requerimientos establecidos la RNA debía conseguir un Mean Square Error (MSE)inferior a 0,00025 y un tiempo de entrenamiento menor a 1,50 horas, con una tasa de aprendizaje inferior a 0,1. Se seleccionaron varios tamaños del conjunto de entrenamiento, llevando a cabo para cada tamaño y función de activación 145 experimentos. Los mejores resultados fueron logrados empleando la función de activación Rectified Linear Unit en las capas ocultas, que consiguió cumplir los objetivos establecidos para las cuatro variables. La solución se puso en funcionamiento en un entorno operacional durante un año, obteniéndose un aumento en el porcentaje de proyectos que cumplieron los criterios de éxito. Una encuesta rellenada por todas las personas relacionadas con la solución e involucradas en el proceso de ventas obtuvo una puntuación media de 9,2. Las preguntas eran puntuables entre 1 (el peor valor) y 10 (el mejor valor).

  • English

    This research shows that the use of neural networks can help to predict the success of projects in a large ITC company, improving their business outcomes and its sales process. The research was carried out in a company with an annual average of 72,350 ended projects, which were managed using different methodologies. Data related to a period of 9 years were used. A successful project, according to the company's guidelines were those that had 0 unplanned impacts, a maximum deviation of 4% over the estimated budget, a maximum deviation of 2 weeks from the expected end date and a evaluation by the customer in the range [7, 10]. These variables were calculated separately using 4 RNA. As a neural network model, a High-Order Multi-Layer Perceptron (MLP) was used, wich had 1 input layer with 16 nodes, 3 hidden layers with 11 nodes and 1 output layer with a node, as well as with Sigmoid, Rectified Linear Unit, Hyperbolic Tangent, and Archyperbolic sine activation functions in the hidden layers. The activation function used in the input and output layers was the Sigmoid function. According to the established requirements, the RNA should achieve a Mean Square Error (MSE) of less than 0.00025 and a training time of less than 1.50 hours, with a learning rate of less than 0.1. Several sizes of the training set were selected in order to carry out 145 experiments with each activation function and training set. The best results were achieved using the Rectified Linear Unit activation function in the hidden layers, which achieved the goals for the four variables. The solution was deployed in an operational environment for one year, an increase in the percentage of projects that met the success goals was achieved. A survey was filled out by all the people related to the solution and involved in the sales process, obtaining an average score of 9.2. The questions were scored between 1 (worst value) and 10 (best value).