Projektin läpiviennin ennustaminen resurssisuunnitelman pohjalta koneoppimisen keinoin

Abstract

Projektiliiketoiminnassa osa projekteista epäonnistuu aikataulullisesti tai vaatii suunniteltua enemmän resursseja pysyäkseen aikataulussa. Projektien suunnittelussa yhdistetään tieto ennustetusta työkuormasta, eli resurssisuunnitelmasta, ja toteutuneista tunneista. Näitä vertaamalla voidaan tutkia suunnitelmien onnistumista ja määritellä aikataulun ja tuntibudjetin mukaiset kriteerit projektin onnistumiselle.

Silverbucket Oy:n toteuttamassa resursointityökalussa yhdistetään projektien resursointisuunnitelma, toteutuneet tunnit, aikataulu ja tuntibudjetti. Tässä työssä tutkittiin pystyisikö näillä tiedoilla ennustamaan projektin onnistumisen mahdollisuuden aikataulun suhteen koneoppimisen keinoin jo ennen kuin projekti on päättynyt. Mahdollisimman varhaisessa vaiheessa ongelmalliseksi tunnistettu projekti olisi projektipäällikölle arvokas tieto.

Aikataulun ylityksen lisäksi projektin onnistuminen määriteltiin projektinhallinnan teorian mukaisesti ja pohdittiin erityisesti resursoinnin näkökulmasta olennaisia tunnuslukuja projektin onnistumisen mittaamiseksi.

Koneoppimisen keinoin kone tekee johtopäätöksiä oppimansa aineiston perusteella. Erityisen tehokas kone on ratkomaan yksinkertaista ongelmaa, joka vaatii suuren datan lukemista ja siitä itsenäisesti syy-seuraussuhteiden löytämistä. Käytännön toteutusta tehdessä havaittiin ongelman olevan sopiva koneoppimisen ratkaistavaksi, mutta datassa todettiin suuresta määrästä huolimatta olevan puutteita kunnollisen onnistumisen ennustamisen tekemiseen.

Toteutuksessa käytettiin neuroverkkoja koneoppimisen ratkaisuna. Tämä valittiin suorituskykynsä ja intuititiota jäljittelevän kykynsä vuoksi. Määritelty toteutus on modulaarinen, joten neuroverkkojen vaihtaminen esimerkiksi satunnaismetsään ei vaadi suuria muutoksia toteutuksen muihin osiin.

Työn tuloksena saatiin varmuutta ratkaisun toimivuudelle toteutetun työkalun muodossa sekä määritelmä niille parannuksille, joita toteutukseen, erityisesti datan keräämiseen, tulee tehdä projektin onnistumisen ennustamisen tehostamiseksi. Toteutusta kannattaa jatkokehittää ja erityisesti datan keräämistä koskeviin parannuksiin Silverbucket Oy aikoo tarttua mahdollisimman pian.

In project business some of the projects will eventually fail to meet the planned schedule or will need extra hours to meet the goal. Project planning combines planned allocation which is called resource plan and realised hours. By comparing these two one can study allocation accuracy of projects and define schedule and hour budget based criteria for successful project.

Project resourcing tool made by Silverbucket Oy combines the information of resourcing plan, realised hours, schedule and hour budget. This study researched the possibility of predicting project's possibility of success in the scope of resourcing by the information that is at hand within the resourcing tool. At the early states of the project this would be the most informative and valuable for the project manager as there would still be time to address the possibly problematic project.

Successful project is defined with project management theory and there is more than simply examining how project meets the agreed schedule. Attributes to represent project's success that are relevant in the scope of resourcing were chosen from project management theory.

Machine learning means that computer makes decisions on it's own based on the material it was taught with. Machine learning techniques are especially well performing where it is required to find causes and effects on its own from a massive dataset and a straightforward target result. While working on the implementation for this study I understood that this problem is quite fitting to be solved by machine learning techniques but the dataset has it's limitations.

For the implementation neural networks were chosen as the fitting solution due their raw performance and intuition like features. The specification made for the new implementation is modular and so changing neural network solution to random forest for example will be possible without the need to change much else of the tool.

As a result from the research made within this study I got a so called working prototype that shows potential for solving the problem that was raised. Then this study resulted a specifications for an improved version of the first version of the solution that makes improvements especially on how the data should be stored in order to get more accurate estimations for the project success analysis. Further improvements for this tool should be made and as a first thing Silverbucket Oy is going to improve data storing as soon as possible as that is simply better done early.