ستة نماذج وسؤال واحد: أيّها يتنبأ بتأخر الجداول بشكل أفضل؟

بعد أن أثبت بحثي الأول أن نموذج Gradient Boosting يستطيع التنبؤ بتأخر الجداول، كان السؤال الطبيعي من قادة مكاتب إدارة المشاريع: لماذا هذا النموذج تحديداً؟ هل تكون الشبكة العصبية أفضل؟ وهل يكفي نموذج أبسط؟ فصمّمنا مع زميليّ مقارنة عادلة لنعرف الجواب.

سباق عادل

أخذنا 4,517 سجلاً لمشاريع برمجية واختبرنا ست خوارزميات: الانحدار الخطي، وشجرة الانحدار، والغابة العشوائية، وانحدار المتجهات الداعمة، و Gradient Boosting، وشبكة عصبية عميقة. حصل كل نموذج على المتغيرات نفسها وإعداداته الافتراضية، وقيّمناها جميعاً بالتحقق المتقاطع بعشر طيّات، فلم يتميّز أي نموذج بضبط خاص.

النتائج

• Gradient Boosting الأقل خطأً. سجّل أقل RMSE (4.578) وأقل MAE (3.503).
• الشبكة العصبية العميقة اقتربت جداً وحققت أعلى معامل ارتباط تربيعي (0.875).
• الغابة العشوائية في المرتبة الثالثة.
• انحدار المتجهات الداعمة الأضعف بالإعدادات الافتراضية.

لماذا ما زلت أنصح بـ Gradient Boosting

الدقة نصف القرار فقط. على مكتب إدارة المشاريع أن يشرح للجنة التوجيهية لماذا تم التنبيه على مشروع معيّن. و Gradient Boosting يعطي دقة قريبة من الأفضل، ويُظهر في الوقت نفسه العوامل التي قادت إلى التنبؤ، فيكون أسهل في الثقة والتطبيق من الشبكة العصبية.

الإشارات الثلاث نفسها مجدداً

في النماذج القابلة للتفسير، تصدّرت المتغيرات نفسها مرة أخرى: عامل المخاطر، والمدة، ورضا العميل. وعندما تشير دراستان إلى الإشارات نفسها، فهذا مؤشر قوي على أين يجب أن تركّز الرقابة على المشاريع.

كيف تستفيد من ذلك

• ابدأ بنموذج Gradient Boosting كأساس لنظام الإنذار المبكر.
• استثمر في جودة بيانات المخاطر، لأنها تحمل معظم الإشارة.
• استخدم التنبؤات لترتيب الأولويات وخطط الإنقاذ، لا كأحكام تلقائية.

الخطوات القادمة في البحث: بيانات مستقلة من منشآت فعلية، ونماذج مضبوطة، وتفسير موحّد لكل الخوارزميات. وإذا أرادت منشأتك تجربة ذلك على بياناتها، يسعدني الحديث معك.