542 lines
24 KiB
Markdown
542 lines
24 KiB
Markdown
# US-BI-005: Prediccion de Costos y Cronogramas con ML
|
|
|
|
**Epica:** MAI-006 - Reportes y Business Intelligence
|
|
**Sprint:** 21
|
|
**Story Points:** 8
|
|
**Prioridad:** Media-Alta
|
|
**Asignado a:** Backend (Data Science) + Frontend
|
|
|
|
---
|
|
|
|
## Historia de Usuario
|
|
|
|
**Como** Director de Proyecto
|
|
**Quiero** ver predicciones de costos finales y fechas de termino basadas en tendencias actuales
|
|
**Para** tomar acciones correctivas tempranas y evitar sobrecostos o retrasos
|
|
|
|
---
|
|
|
|
## Criterios de Aceptacion
|
|
|
|
### 1. Prediccion de Costo Final
|
|
- [ ] Veo una prediccion del costo final del proyecto basada en:
|
|
- Tendencia historica de costos
|
|
- % de avance actual
|
|
- Velocidad de gasto (burn rate)
|
|
- Costos comprometidos pendientes
|
|
- Estacionalidad (si aplica)
|
|
- [ ] La prediccion se muestra con:
|
|
- Costo final estimado ($)
|
|
- Variacion vs presupuesto (%, $)
|
|
- Rango de confianza (min - max)
|
|
- % de confianza de la prediccion
|
|
- [ ] La prediccion se actualiza semanalmente automaticamente
|
|
|
|
### 2. Prediccion de Fecha de Termino
|
|
- [ ] Veo una prediccion de la fecha de terminacion basada en:
|
|
- Tendencia de avance fisico
|
|
- Velocidad actual de ejecucion
|
|
- Dias habiles vs no habiles
|
|
- Hitos criticos pendientes
|
|
- Historial de reprogramaciones
|
|
- [ ] La prediccion muestra:
|
|
- Fecha estimada de termino
|
|
- Dias de adelanto/atraso vs planeado
|
|
- Rango de fechas (earliest - latest)
|
|
- % de confianza de la prediccion
|
|
- [ ] Se considera calendario de dias festivos y clima
|
|
|
|
### 3. Tres Escenarios de Prediccion
|
|
- [ ] Veo predicciones para 3 escenarios:
|
|
- **Optimista:** Mejor caso posible (90% confianza)
|
|
- **Esperado:** Escenario mas probable (50% confianza)
|
|
- **Pesimista:** Peor caso razonable (10% confianza)
|
|
- [ ] Cada escenario muestra:
|
|
- Costo final estimado
|
|
- Fecha de termino estimada
|
|
- Factores que lo influencian
|
|
- Probabilidad de ocurrencia
|
|
- [ ] Los escenarios se presentan visualmente con graficas
|
|
|
|
### 4. Factores de Riesgo Identificados
|
|
- [ ] Veo una lista de factores de riesgo detectados automaticamente:
|
|
- **Riesgo Alto:** Partidas con sobrecosto >15%
|
|
- **Riesgo Medio:** Actividades en ruta critica atrasadas
|
|
- **Riesgo Bajo:** Desviaciones menores detectadas
|
|
- [ ] Cada factor muestra:
|
|
- Nombre del riesgo
|
|
- Nivel de severidad (Alto/Medio/Bajo)
|
|
- Impacto estimado en costo ($)
|
|
- Impacto estimado en tiempo (dias)
|
|
- Probabilidad de ocurrencia (%)
|
|
- Accion recomendada
|
|
- [ ] Puedo marcar riesgos como "En atencion" o "Mitigado"
|
|
|
|
### 5. Analisis de Tendencias
|
|
- [ ] Veo graficas de tendencias mostrando:
|
|
- **Burn Rate Chart:** Velocidad de gasto vs planeado
|
|
- **Progress Trend:** Velocidad de avance vs planeado
|
|
- **Cost Performance Index (CPI):** Eficiencia de costos en el tiempo
|
|
- **Schedule Performance Index (SPI):** Eficiencia de tiempo
|
|
- [ ] Las tendencias muestran ultimos 3, 6, 12 meses
|
|
- [ ] Puedo comparar tendencia actual vs proyectos similares
|
|
|
|
### 6. Proyeccion de Flujo de Efectivo
|
|
- [ ] Veo una proyeccion del flujo de efectivo futuro:
|
|
- Egresos estimados por mes
|
|
- Ingresos estimados por facturacion
|
|
- Saldo mensual proyectado
|
|
- Momento de maxima necesidad de efectivo
|
|
- [ ] La proyeccion considera:
|
|
- Programacion de obra pendiente
|
|
- Estimaciones por aprobar
|
|
- Pagos a proveedores comprometidos
|
|
- Calendario de facturacion al cliente
|
|
- [ ] Puedo exportar proyeccion a Excel para analisis financiero
|
|
|
|
### 7. Comparacion con Proyectos Similares
|
|
- [ ] Veo como se compara mi proyecto con proyectos similares historicos:
|
|
- Proyectos del mismo tipo (vertical/horizontal)
|
|
- Rango de presupuesto similar
|
|
- Misma region geografica
|
|
- [ ] La comparacion muestra:
|
|
- Desviacion promedio de costos en proyectos similares
|
|
- Tiempo promedio de ejecucion
|
|
- Factores de exito comunes
|
|
- Lecciones aprendidas
|
|
- [ ] Uso de Machine Learning para encontrar proyectos mas similares
|
|
|
|
### 8. Alertas Predictivas
|
|
- [ ] Recibo alertas automaticas cuando:
|
|
- La prediccion de costo final excede +10% del presupuesto
|
|
- La fecha estimada de termino se retrasa >15 dias
|
|
- Un nuevo riesgo alto es detectado
|
|
- La tendencia cambia significativamente (>5% en una semana)
|
|
- [ ] Las alertas se envian por:
|
|
- Notificacion en sistema
|
|
- Email al Director de Proyecto
|
|
- Dashboard de alertas
|
|
- [ ] Puedo configurar umbrales de alertas personalizados
|
|
|
|
### 9. Explicabilidad del Modelo
|
|
- [ ] Puedo ver que factores influyen mas en la prediccion:
|
|
- Peso de cada variable (% de influencia)
|
|
- Graficas de importancia de caracteristicas
|
|
- Explicacion en lenguaje natural
|
|
- [ ] Ejemplo:
|
|
```
|
|
La prediccion de costo final esta influenciada principalmente por:
|
|
1. Tendencia de sobrecosto en Estructura (40% de peso)
|
|
2. Velocidad de gasto actual (30% de peso)
|
|
3. Estacionalidad de precios (20% de peso)
|
|
4. Otros factores (10% de peso)
|
|
```
|
|
- [ ] Puedo ajustar manualmente supuestos del modelo
|
|
|
|
### 10. Historial de Predicciones
|
|
- [ ] Veo el historial de predicciones pasadas:
|
|
- Prediccion hecha hace 1, 2, 3 meses
|
|
- Como ha evolucionado la prediccion
|
|
- Precision de predicciones anteriores
|
|
- [ ] Puedo comparar:
|
|
- Prediccion inicial vs prediccion actual
|
|
- Prediccion vs realidad (cuando el proyecto termina)
|
|
- [ ] El modelo aprende de errores para mejorar predicciones futuras
|
|
|
|
---
|
|
|
|
## Mockup / Wireframe
|
|
|
|
```
|
|
┌─────────────────────────────────────────────────────────────────────────────┐
|
|
│ 🔮 Predicciones y Analisis Predictivo - Proyecto: Los Pinos │
|
|
├─────────────────────────────────────────────────────────────────────────────┤
|
|
│ │
|
|
│ ┌─ Resumen de Predicciones ────────────────────────────────────────────┐ │
|
|
│ │ │ │
|
|
│ │ Avance Actual: 78% | Presupuesto Original: $45.2M | Plazo: 350d │ │
|
|
│ │ Ultima actualizacion: 18/11/2025 06:00 AM (proxima en 7 dias) │ │
|
|
│ └───────────────────────────────────────────────────────────────────────┘ │
|
|
│ │
|
|
│ ┌─ Tres Escenarios de Prediccion ──────────────────────────────────────────┐│
|
|
│ │ ││
|
|
│ │ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ ││
|
|
│ │ │ 😊 OPTIMISTA │ │ 😐 ESPERADO │ │ 😟 PESIMISTA │ ││
|
|
│ │ │ Confianza: 90% │ │ Confianza: 50% │ │ Confianza: 10% │ ││
|
|
│ │ │ │ │ │ │ │ ││
|
|
│ │ │ Costo Final: │ │ Costo Final: │ │ Costo Final: │ ││
|
|
│ │ │ $46.8M │ │ $48.3M │ │ $50.1M │ ││
|
|
│ │ │ 🟢 +3.5% │ │ 🟡 +6.9% │ │ 🔴 +10.8% │ ││
|
|
│ │ │ │ │ │ │ │ ││
|
|
│ │ │ Fecha Termino: │ │ Fecha Termino: │ │ Fecha Termino: │ ││
|
|
│ │ │ 20/11/2025 │ │ 05/12/2025 │ │ 22/12/2025 │ ││
|
|
│ │ │ 🟢 -11 dias │ │ 🟡 +4 dias │ │ 🔴 +21 dias │ ││
|
|
│ │ │ │ │ │ │ │ ││
|
|
│ │ │ Factores: │ │ Factores: │ │ Factores: │ ││
|
|
│ │ │ • Eficiencia MO │ │ • Tendencia │ │ • Lluvias │ ││
|
|
│ │ │ • Negociacion │ │ actual │ │ • Retrabajos │ ││
|
|
│ │ │ │ │ • Estacionalidad│ │ • Sobrecostos │ ││
|
|
│ │ └─────────────────┘ └─────────────────┘ └─────────────────┘ ││
|
|
│ └───────────────────────────────────────────────────────────────────────────┘│
|
|
│ │
|
|
│ ┌─ Proyeccion de Costos ────────────┬─ Proyeccion de Cronograma ──────────┐ │
|
|
│ │ │ │ │
|
|
│ │ $M │ % │ │
|
|
│ │ 50│ ┌──┐ │ 100│ ┌──── │ │
|
|
│ │ 45│ ┌────┘ │ │ 80│ ┌───╯ │ │
|
|
│ │ 40│ ┌───╯ │ │ 60│ ┌──╯ │ │
|
|
│ │ 35│ ┌───╯ Rango de │ │ 40│ ┌──╯ │ │
|
|
│ │ 30│ ┌───╯ Confianza │ │ 20│ ┌──╯ │ │
|
|
│ │ 25│───╯ │ │ 0└──────────────────────── │ │
|
|
│ │ 0└──────────────────────── │ │ E F M A M J J A S O N D │ │
|
|
│ │ E F M A M J J A S O N D │ │ │ │
|
|
│ │ │ │ ─── Planeado │ │
|
|
│ │ ─── Real │ │ ─── Real │ │
|
|
│ │ ─── Presupuesto │ │ ─── Proyeccion │ │
|
|
│ │ ─── Proyeccion Esperada │ │ ▓▓▓ Rango confianza │ │
|
|
│ │ ▓▓▓ Rango confianza 80% │ │ │ │
|
|
│ └────────────────────────────────┴──────────────────────────────────────────┘ │
|
|
│ │
|
|
│ ┌─ Factores de Riesgo Detectados ──────────────────────────────────────────┐ │
|
|
│ │ │ │
|
|
│ │ ┌─────────────────────────────────────────────────────────────────────┐ │ │
|
|
│ │ │Riesgo │Sev.│Impacto $│Impacto T│Prob.│Accion │Est.│ │ │
|
|
│ │ ├─────────────────────────────────────────────────────────────────────┤ │ │
|
|
│ │ │Sobrecosto Acabados │🔴 A│ +$850K │ +12d │ 75% │[Mitigar] │⚠️ │ │ │
|
|
│ │ │Retraso Instalaciones│🟡 M│ +$320K │ +8d │ 45% │[Revisar] │⏳ │ │ │
|
|
│ │ │Clima epoca lluvias │🟡 M│ +$180K │ +5d │ 60% │[Monitor] │👁️ │ │ │
|
|
│ │ │Escasez de MO │🟢 B│ +$95K │ +2d │ 25% │[Prevenir]│✅ │ │ │
|
|
│ │ └─────────────────────────────────────────────────────────────────────┘ │ │
|
|
│ │ │ │
|
|
│ │ Impacto Total Estimado: +$1.45M (+3.2%) | +27 dias │ │
|
|
│ └───────────────────────────────────────────────────────────────────────────┘ │
|
|
│ │
|
|
│ ┌─ Indicadores de Desempeno ────────────────────────────────────────────┐ │
|
|
│ │ │ │
|
|
│ │ CPI (Cost Performance Index): 0.96 🟡 Ligeramente sobre presup. │ │
|
|
│ │ SPI (Schedule Performance Index): 1.03 🟢 Adelante del programa │ │
|
|
│ │ Burn Rate: $2.1M/mes 🟡 +5% vs planeado │ │
|
|
│ │ Velocidad de Avance: 8.7% /mes 🟢 Normal │ │
|
|
│ └────────────────────────────────────────────────────────────────────────┘ │
|
|
│ │
|
|
│ ┌─ Explicacion del Modelo ──────────────────────────────────────────────┐ │
|
|
│ │ │ │
|
|
│ │ La prediccion de costo final esta basada en: │ │
|
|
│ │ │ │
|
|
│ │ 1. Tendencia de sobrecosto en Acabados ████████████ 40% │ │
|
|
│ │ 2. Velocidad de gasto actual (burn rate) ████████ 30% │ │
|
|
│ │ 3. Estacionalidad de precios (Q4) ████ 20% │ │
|
|
│ │ 4. Riesgos climaticos identificados ██ 10% │ │
|
|
│ │ │ │
|
|
│ │ Precision historica del modelo: 87% (error promedio: ±2.3%) │ │
|
|
│ └────────────────────────────────────────────────────────────────────────┘ │
|
|
│ │
|
|
│ [📊 Ver Detalles Tecnicos] [📈 Comparar con Similares] [⚙️ Ajustar Modelo] │
|
|
│ [📥 Exportar Proyecciones] [🔔 Configurar Alertas] [📚 Historial] │
|
|
└─────────────────────────────────────────────────────────────────────────────┘
|
|
```
|
|
|
|
---
|
|
|
|
## Flujo de Trabajo
|
|
|
|
```
|
|
1. SISTEMA EJECUTA PREDICCION AUTOMATICA (CADA SEMANA)
|
|
↓
|
|
Scheduler ejecuta job: "Actualizar Predicciones"
|
|
↓
|
|
Para cada proyecto activo:
|
|
- Extrae datos historicos (ultimos 6 meses)
|
|
- Calcula tendencias de costo y tiempo
|
|
- Identifica factores de riesgo
|
|
- Ejecuta modelo de ML
|
|
↓
|
|
Predicciones se almacenan en BD
|
|
↓
|
|
Si hay cambios significativos → Genera alertas
|
|
|
|
2. DIRECTOR ACCEDE A PREDICCIONES
|
|
↓
|
|
Dashboard de Proyecto → Tab "Predicciones"
|
|
↓
|
|
Sistema muestra ultima prediccion (7 dias antiguedad)
|
|
↓
|
|
Usuario ve 3 escenarios y factores de riesgo
|
|
|
|
3. ANALIZAR ESCENARIO PESIMISTA
|
|
↓
|
|
Usuario hace clic en "Pesimista"
|
|
↓
|
|
Sistema despliega detalles:
|
|
- Costo final: $50.1M (+10.8%)
|
|
- Fecha termino: 22/12/2025 (+21 dias)
|
|
↓
|
|
Muestra factores que llevan a este escenario:
|
|
- Lluvias en Nov-Dic: +8 dias
|
|
- Retrabajos en Acabados: +$1.2M
|
|
- Incremento precios materiales: +$0.5M
|
|
|
|
4. REVISAR FACTORES DE RIESGO
|
|
↓
|
|
Usuario revisa tabla de riesgos
|
|
↓
|
|
Identifica riesgo critico: "Sobrecosto Acabados"
|
|
- Probabilidad: 75%
|
|
- Impacto: +$850K
|
|
↓
|
|
Usuario hace clic en [Mitigar]
|
|
↓
|
|
Sistema abre panel de acciones sugeridas:
|
|
- Renegociar contrato con subcontratista
|
|
- Revisar especificaciones
|
|
- Buscar proveedores alternativos
|
|
|
|
5. COMPARAR CON PROYECTOS SIMILARES
|
|
↓
|
|
Usuario hace clic en [Comparar con Similares]
|
|
↓
|
|
Sistema usa ML para encontrar 5 proyectos mas similares
|
|
↓
|
|
Muestra comparacion:
|
|
- Los Pinos: +6.9% desviacion proyectada
|
|
- Promedio similar: +4.2% desviacion real
|
|
- Insight: "Proyecto esta 2.7% por encima del promedio"
|
|
|
|
6. AJUSTAR MODELO MANUALMENTE
|
|
↓
|
|
Usuario hace clic en [Ajustar Modelo]
|
|
↓
|
|
Panel de supuestos editables:
|
|
- Velocidad de avance futura: [8.5% /mes]
|
|
- Incremento de precios esperado: [2.5%]
|
|
- Probabilidad de lluvias: [60%]
|
|
↓
|
|
Usuario ajusta velocidad a 9.0% (mas optimista)
|
|
↓
|
|
Sistema recalcula prediccion en tiempo real
|
|
↓
|
|
Nueva prediccion esperada: $47.8M (+5.8%)
|
|
|
|
7. EXPORTAR PARA JUNTA
|
|
↓
|
|
Usuario hace clic en [Exportar Proyecciones]
|
|
↓
|
|
Sistema genera PDF/Excel con:
|
|
- Resumen ejecutivo de 3 escenarios
|
|
- Graficas de proyeccion
|
|
- Tabla de riesgos
|
|
- Explicacion del modelo
|
|
- Recomendaciones de acciones
|
|
↓
|
|
Archivo listo para presentacion a cliente/direccion
|
|
```
|
|
|
|
---
|
|
|
|
## Notas Tecnicas
|
|
|
|
### Modelo de Machine Learning
|
|
|
|
```python
|
|
# Modelo de prediccion basado en Gradient Boosting
|
|
import xgboost as xgb
|
|
from sklearn.model_selection import train_test_split
|
|
|
|
# Caracteristicas (features)
|
|
features = [
|
|
'progress_percentage', # % avance actual
|
|
'spent_to_date', # Gasto acumulado
|
|
'days_elapsed', # Dias transcurridos
|
|
'burn_rate', # Velocidad de gasto
|
|
'progress_rate', # Velocidad de avance
|
|
'cost_variance_trend', # Tendencia de desviacion
|
|
'schedule_variance_trend', # Tendencia de tiempo
|
|
'num_change_orders', # Numero de cambios
|
|
'weather_risk_score', # Riesgo climatico
|
|
'labor_availability_score', # Disponibilidad MO
|
|
'material_price_index', # Indice precios materiales
|
|
'historical_cpi', # CPI historico
|
|
'historical_spi', # SPI historico
|
|
'project_type_encoded', # Tipo de proyecto
|
|
'region_encoded' # Region
|
|
]
|
|
|
|
# Target (objetivo a predecir)
|
|
target_cost = 'final_cost'
|
|
target_date = 'completion_date'
|
|
|
|
# Entrenamiento del modelo
|
|
def train_prediction_model(historical_data):
|
|
X = historical_data[features]
|
|
y_cost = historical_data[target_cost]
|
|
y_date = historical_data[target_date]
|
|
|
|
X_train, X_test, y_train, y_test = train_test_split(X, y_cost, test_size=0.2)
|
|
|
|
model = xgb.XGBRegressor(
|
|
n_estimators=100,
|
|
learning_rate=0.1,
|
|
max_depth=6,
|
|
random_state=42
|
|
)
|
|
|
|
model.fit(X_train, y_train)
|
|
|
|
# Evaluar precision
|
|
score = model.score(X_test, y_test)
|
|
print(f"Model R² score: {score:.3f}")
|
|
|
|
return model
|
|
|
|
# Prediccion con intervalos de confianza
|
|
def predict_with_confidence(model, current_project_data):
|
|
# Prediccion puntual
|
|
prediction = model.predict([current_project_data])[0]
|
|
|
|
# Calcular intervalos usando quantile regression
|
|
optimistic = prediction * 0.95 # 5% mejor
|
|
expected = prediction
|
|
pessimistic = prediction * 1.10 # 10% peor
|
|
|
|
return {
|
|
'optimistic': optimistic,
|
|
'expected': expected,
|
|
'pessimistic': pessimistic,
|
|
'confidence': 0.80 # 80% confidence interval
|
|
}
|
|
|
|
# Explicabilidad con SHAP
|
|
import shap
|
|
|
|
def explain_prediction(model, project_data):
|
|
explainer = shap.TreeExplainer(model)
|
|
shap_values = explainer.shap_values(project_data)
|
|
|
|
# Obtener importancia de features
|
|
feature_importance = sorted(
|
|
zip(features, shap_values[0]),
|
|
key=lambda x: abs(x[1]),
|
|
reverse=True
|
|
)
|
|
|
|
return feature_importance
|
|
```
|
|
|
|
### Calculo de Indicadores
|
|
|
|
```typescript
|
|
// Cost Performance Index (CPI)
|
|
const CPI = earnedValue / actualCost;
|
|
// CPI > 1.0: Por debajo del presupuesto
|
|
// CPI < 1.0: Por encima del presupuesto
|
|
|
|
// Schedule Performance Index (SPI)
|
|
const SPI = earnedValue / plannedValue;
|
|
// SPI > 1.0: Adelantado
|
|
// SPI < 1.0: Atrasado
|
|
|
|
// Estimate at Completion (EAC) - Costo final estimado
|
|
const EAC = budgetAtCompletion / CPI;
|
|
|
|
// Estimate to Complete (ETC) - Costo restante estimado
|
|
const ETC = EAC - actualCost;
|
|
|
|
// Variance at Completion (VAC) - Variacion esperada
|
|
const VAC = budgetAtCompletion - EAC;
|
|
|
|
// Time to Complete - Tiempo restante
|
|
const totalDuration = plannedDuration / SPI;
|
|
const timeRemaining = totalDuration - daysElapsed;
|
|
```
|
|
|
|
### Endpoints Necesarios
|
|
|
|
```typescript
|
|
// Predicciones
|
|
GET /api/predictions/:projectId // Obtener predicciones
|
|
POST /api/predictions/:projectId/calculate // Calcular nuevas predicciones
|
|
PUT /api/predictions/:projectId/adjust // Ajustar supuestos
|
|
GET /api/predictions/:projectId/history // Historial de predicciones
|
|
|
|
// Riesgos
|
|
GET /api/predictions/:projectId/risks // Factores de riesgo
|
|
PUT /api/predictions/:projectId/risks/:id/status // Actualizar estado de riesgo
|
|
|
|
// Comparaciones
|
|
GET /api/predictions/:projectId/similar-projects // Proyectos similares
|
|
GET /api/predictions/:projectId/benchmarks // Benchmarks
|
|
|
|
// Exportacion
|
|
POST /api/predictions/:projectId/export // Exportar predicciones
|
|
```
|
|
|
|
### Job Programado
|
|
|
|
```typescript
|
|
// Actualizar predicciones semanalmente
|
|
import cron from 'node-cron';
|
|
|
|
// Cada lunes a las 6:00 AM
|
|
cron.schedule('0 6 * * 1', async () => {
|
|
console.log('Ejecutando actualizacion de predicciones...');
|
|
|
|
const activeProjects = await getActiveProjects();
|
|
|
|
for (const project of activeProjects) {
|
|
try {
|
|
// Extraer datos del proyecto
|
|
const data = await extractProjectData(project.id);
|
|
|
|
// Ejecutar modelo de prediccion
|
|
const predictions = await runPredictionModel(data);
|
|
|
|
// Guardar predicciones
|
|
await savePredictions(project.id, predictions);
|
|
|
|
// Detectar riesgos
|
|
const risks = await detectRisks(project.id, predictions);
|
|
await saveRisks(project.id, risks);
|
|
|
|
// Generar alertas si es necesario
|
|
if (predictions.expected.variance > 0.10) {
|
|
await createAlert(project.id, 'HIGH_COST_VARIANCE');
|
|
}
|
|
|
|
} catch (error) {
|
|
console.error(`Error en proyecto ${project.id}:`, error);
|
|
}
|
|
}
|
|
|
|
console.log('Predicciones actualizadas correctamente');
|
|
});
|
|
```
|
|
|
|
---
|
|
|
|
## Definicion de "Done"
|
|
|
|
- [ ] Modelo de ML entrenado con datos historicos
|
|
- [ ] Prediccion de costo final funcional
|
|
- [ ] Prediccion de fecha de termino funcional
|
|
- [ ] Tres escenarios (optimista, esperado, pesimista) calculados
|
|
- [ ] Deteccion automatica de factores de riesgo
|
|
- [ ] Graficas de proyeccion de costos y cronograma
|
|
- [ ] Calculo de CPI, SPI, Burn Rate
|
|
- [ ] Proyeccion de flujo de efectivo
|
|
- [ ] Comparacion con proyectos similares usando ML
|
|
- [ ] Alertas predictivas configurables
|
|
- [ ] Explicabilidad del modelo con importancia de features
|
|
- [ ] Historial de predicciones almacenado
|
|
- [ ] Job programado ejecutando semanalmente
|
|
- [ ] Precision del modelo >= 85%
|
|
- [ ] Exportacion de predicciones a PDF/Excel
|
|
- [ ] Tests del modelo de ML
|
|
- [ ] Documentacion del modelo y endpoints
|
|
- [ ] Validado con Directores de Proyecto
|
|
|
|
---
|
|
|
|
**Estimacion:** 8 Story Points
|
|
**Dependencias:** Requiere datos historicos de multiples proyectos
|
|
**Fecha:** 2025-11-18
|