ماذا تخبرنا 4,517 مشروعاً عن تأخر الجداول الزمنية؟

كل مدير مشاريع رأى جدولاً زمنياً يتأخر ببطء: الحالة تبقى خضراء لأسابيع، ثم تتحول إلى حمراء في اجتماع لجنة توجيهية واحد. وعندها تكون كل الخيارات مكلفة. أردت أن أعرف: هل كانت علامات التحذير ظاهرة قبل ذلك في بيانات تملكها أغلب مكاتب إدارة المشاريع أصلاً؟

ماذا فعلنا

مع زميليّ في البحث هالة عبده وأحمد عبده، درّبنا نموذج Gradient Boosting Machine على قاعدة بيانات عامة تضم 4,517 مشروعاً. يستخدم النموذج خمسة مدخلات تسجّلها كل منشأة تقريباً: المدة المخططة، والتكلفة الإجمالية، وحجم الفريق، وعامل المخاطر، ورضا العميل. ثم يتنبأ بنسبة تأخر الجدول الزمني.

ماذا وجدنا

على بيانات لم يرها النموذج من قبل، فسّر النموذج نحو 83.5% من التباين في نسبة التأخير (R² يساوي 0.835)، وكان متوسط خطئه أقل بقليل من 6 نقاط مئوية (MAE يساوي 5.946). بمعنى عملي: إذا كان مشروع متجهاً إلى تأخير بنسبة 30%، فغالباً سيقدّره النموذج بين 24% و36%. وهذه دقة كافية لترتيب المشاريع حسب المخاطر وتحديد أين تبدأ المراجعة.

حمل مدخلان معظم الإشارة: عامل المخاطر والمدة المخططة، ثم يأتي رضا العميل. أما حجم الفريق والتكلفة فكان أثرهما أقل مما يتوقعه كثيرون.

كيف يستفيد مكتب إدارة المشاريع من ذلك

• استخدمه كإنذار مبكر لا كحُكم نهائي. شغّل التنبؤ عند كل بوابة مرحلة، وراجع المشاريع ذات الدرجات العالية. التشخيص الحقيقي ما زال يحدث في الحوار مع مدير المشروع.
• تعامل مع تقييم المخاطر بجدية. إذا كان عامل المخاطر يتنبأ بالتأخير بهذه القوة، فسجل المخاطر الشكلي أو المنسوخ له تكلفة حقيقية. بيانات مخاطر أفضل تعني تنبؤات أدق.
• راقب المشاريع الطويلة عن قرب. كلما طالت المدة المخططة زاد التعرض للتأخير، وتقسيم المشروع إلى مراحل أقصر لكل منها معالمها يقلل ذلك.
• ابدأ بالبيانات المتوفرة لديك. خمسة حقول تكفي لنموذج أولي، ويمكن إضافة سياق أكثر لاحقاً.

حدود الدراسة

البيانات عامة وغير مخصصة لقطاع معين. والمنشأة التي تدرّب النهج نفسه على سجلها التاريخي ستحصل على نموذج يعكس قطاعها ومورديها وطريقة عملها، وهذه هي الخطوة التي أنصح بها. البحث الكامل منشور في مجلة Frontiers in Computer Science and Artificial Intelligence ويشرح المنهجية والنتائج بالتفصيل.