Todos conocemos la importancia de controlar periódicamente el avance de nuestros proyectos para identificar tempranamente retrasos y anteponernos a ellos. La Curva S es una herramienta muy útil para ello, al comparar el avance esperado del programa inicial contra el avance real y la proyección según el programa actual. Para ello, el principal indicador utilizado, conocido como Schedule Performance Index (SPI), se calcula básicamente como el avance real (AR) sobre avance esperado (LB) [SPI = AR/LB]. De esta manera un SPI > 100% indicará adelanto, mientras que un SPI < 100% indica un retraso, que de no corregirse, crecerá en el tiempo, empujando el término del proyecto.
Objeto de estudio
Ahora, el SPI es sólo uno de los múltiples indicadores de LPS, tales como el Porcentaje del Plan Completado (PPC) y Porcentaje de Cumplimiento de Restricciones (PCR), ambos disponibles semanalmente en IMPERA. Por ende, en esta publicación, buscamos comparar el porcentaje de confiabilidad obtenida en la predicción del cumplimiento final de programa de proyectos, utilizando por un lado sólo el SPI como medida de desempeño, contra la utilización del set de indicadores de IMPERA para dicha predicción.
Metodología
Para ello, tomamos más de 3.000 semanas de datos de 113 proyectos de edificación en altura, distribuidos en 10 intervalos de tiempo, dados por horizontes de 10% de avance según el programa inicial. Sobre estos datos, aplicamos más de 1.000.000 de regresiones lineales del cumplimiento final de programa, utilizando Machine Learning, con el fin de encontrar la confiabilidad óptima alcanzable para predecir el término de proyectos y poder comparar el beneficio de utilizar indicadores de LPS vs. El uso exclusivo del SPI y la curva S.
Resultados
A continuación, se presentan dos gráficos donde el eje X corresponde a los 10 intervalos de tiempo de los proyectos (horizontes de 10% de avance) y el eje Y presenta la confiabilidad de la regresión, dada por el coeficiente R, donde R=1 indica que la predicción se ajusta 100% a la realidad y R=0 indica que la predicción no se ajusta en absoluto al resultado real. El primer gráfico representa la capacidad de predecir el SPI a término del proyecto, es decir, el cumplimiento de programa alcanzado al término de la línea base (programa inicial). El segundo gráfico presenta la capacidad de predecir la desviación final del programa, es decir, el retraso o adelanto observado al alcanzar el 100% de avance real.
Discusión
En ambos gráficos es posible observar cómo la utilización de múltiples indicadores de LPS supera la capacidad de predicción del SPI a lo largo de todo el horizonte de ejecución del proyecto. Además, se observa que las predicciones realizadas con indicadores de LPS alcanzan un nivel aceptable de confiabilidad desde el 10% de avance del proyecto, tanto para el cumplimiento final de programa como para la desviación final. Así mismo, en el gráfico de cumplimiento final de programa, se observa que la predicción de LPS supera la confiabilidad mínima desde el cuarto intervalo [I04], con una confiabilidad que sólo es alcanzada por la predicción tradicional en el séptimo [I07]. Similarmente, con la predicción de la desviación de programa, LPS supera la confiabilidad mínima en el quinto intervalo [I05], mientras que los indicadores tradicionales sólo alcanzan esa capacidad predictiva en el octavo [I08].
Por lo tanto, este estudio demuestra el beneficio de utilizar indicadores de LPS para el control de proyectos y la necesidad de complementar el control tradicional de la Curva S, con una mirada de procesos a través de la medición periódica de indicadores como el PPC y PCR. Obviamente, no todas las empresas tienen la capacidad de generar modelos de regresión utilizando Machine Learning para predecir su desempeño, sin embargo, los resultados muestran que criterios simples de control con LPS e IMPERA, tales como
medir el promedio y la variabilidad del PPC y PCR mejorarán significativamente la capacidad de identificar y alertar problemas que impacten el desempeño de la obra, antes de que necesariamente se reflejen en una caída del SPI.
Sobre IMPERA
IMPERA es una herramienta de planificación y control chilena, basada en la colaboración digital de equipos de obra mediante la metodología Last Planner System® (LPS). Fue desarrollada hace más de 20 años por la Pontificia Universidad Católica de Chile a través de GEPUC y con el apoyo de un proyecto de investigación financiado por ANID y la Cámara Chilena de la Construcción, pionero en la digitalización de LPS y que ha atendido a más de 1.000 proyectos en múltiples países a lo largo de su historia.
El equipo de IMPERA, fiel a entregar valor continuo a sus clientes, se focaliza en entregar continuamente mejoras a la plataforma, mediante desarrollo iterativo, así como asegurar una correcta capacitación, implementación y onboarding a los más de 80 proyectos activos en nuestro sistema. Para más información, agradecemos ingresar a www.impera.cl o escribirnos a soporte@impera.cl.
Mayores antecedentes del estudio
Cabe mencionar que el modelo basado en el SPI toma 5 indicadores como base: El último SPI reportado, la variación del SPI en el último intervalo, el promedio acumulado del SPI en el tiempo, su desviación estándar acumulada en el tiempo y su pendiente en el tiempo, representativa de la tendencia. De esta manera, el modelo de Machine Learning corrió 36 regresiones tradicionales para cada intervalo (basadas en las combinatorias de entre 1 y 5 variables del SPI), eligiendo la mejor para cada intervalo. Así mismo, para las regresiones de LPS, se incorporó el promedio y desviación estándar del PPC, PCR, tanto acumuladas como del último período, cantidad de restricciones identificadas por período y número de causas de no cumplimiento por período, así como los indicadores de SPI, identificándose miles de regresiones posibles para cada intervalo, dadas por la combinatoria de variables en el modelo. Sin embargo, para simplificar los modelos de LPS, se seleccionaron sólo combinaciones que utilizaran como máximo seis variables. Finalmente, en ambos casos, se eliminaron de la muestra aquellas regresiones que se sobre-entrenaran, es decir, aquellas que forzaran un efecto ilógico de una variable para ajustarse al modelo; por ejemplo, se eliminaron aquellas regresiones que postularan que un mayor SPI o PPC afecta negativamente el resultado.
Autor | Camilo Lagos
Líder del squad IMPERA en GEPRO, Ingeniero Civil, Magister y Candidato a Doctor de la Pontificia Universidad Católica de Chile, con background como consultor Lean, investigador y data scientist en gestión de la construcción en los últimos 7 años.
Actualmente, además de su rol en GEPRO, es investigador del Centro de Excelencia en Gestión de la Producción GEPUC e investigador invitado en el Karlsruher Institut für Technologie, KIT de Alemania.
