Monitoramento estatístico de projetos: contribuições para a literatura por meio do uso de gráficos de controle e aprendizado de máquina.

• Ano de defesa: 2025
• Autor(a) principal: Carneiro, André Henrique Alves
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Bootstrap; Control charts; Conway-Maxwell-Poisson distribution; Delineamento experimental; Distribuição gama; Earned duration, Earned duration management; Experimental design; Gamma distribution; Gráficos de controle; Inteligência artificial; Machine learning; Monitoramento estatístico de projetos; Monte Carlo Simulation; Simulação de Monte Carlo; Statistical project monitoring
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3136/tde-14012026-081541/

O objetivo desta tese é unificar dois estudos distintos relacionados ao monitoramento de projetos. O monitoramento de projetos é um processo crítico para garantir o sucesso dos projetos, assegurando que as atividades sejam entregues no prazo e dentro do orçamento. O primeiro estudo explora o uso de metodologias de gráficos de controle estatístico para avaliar novos indicadores de duração derivados de técnicas tradicionais, bem como novas métricas de desempenho desenvolvidas para analisar o comportamento dos gráficos de controle. Além disso, também é investigado o impacto de distribuições de probabilidade alternativas, como Gamma e Conway-Maxwell- Poisson (CMP), na modelagem das atividades do projeto. As principais contribuições deste estudo são três: (i) o Duration Performance Index (DPI), proveniente da abordagem Earned Duration Management (EDM), é confirmado como um indicador confiável para o acompanhamento da duração total do projeto; (ii) a Probability of Overreaction () e a Accuracy () são identificadas como as métricas de desempenho mais robustas para avaliar o comportamento dos gráficos de controle; e (iii) embora a escolha da distribuição de probabilidade, especialmente Gamma e CMP, não afete significativamente a duração total do projeto, ela pode interferir no sinal correto emitido pelos gráficos de controle. O segundo estudo aborda uma questão tanto acadêmica quanto prática: Quando um projeto deve ser monitorado? Ele propõe uma metodologia integrada que combina diversas técnicas consolidadas para definir períodos ideais de revisão, com base em critérios predefinidos, a fim de avaliar se um projeto será entregue no prazo. Modelos de machine learning, em combinação com o algoritmo de seleção de variáveis Boruta, são utilizados para identificar os períodos de revisão mais informativos, minimizando a perda de desempenho. Dada a alta correlação entre os indicadores de projeto, um planejamento experimental também é aplicado para avaliar o impacto de diferentes técnicas de pré-processamento e algoritmos de aprendizado de máquina no desempenho preditivo. As principais contribuições deste segundo estudo são: (i) a identificação de oito períodos de revisão capazes de prever o atraso geral do projeto com perda mínima de desempenho; e (ii) a definição de técnicas e modelos de machine learning como o Random Forest nos dois primeiros períodos de avaliação, seleção manual de variáveis e feature engineering, impactaram positivamente o desempenho. Em contraste, estratégias de reamostragem (como o oversampling) e técnicas de redução de dimensionalidade apresentaram impacto negativo no desempenho dos modelos. Ambos os estudos utilizam simulação de Monte Carlo para gerar conjuntos de dados sintéticos destinados ao treinamento e avaliação dos modelos, uma abordagem amplamente adotada na análise de riscos em projetos.