Summary: | Submitted by Maike Costa (maiksebas@gmail.com) on 2016-04-29T13:48:06Z
No. of bitstreams: 1
arquivo total.pdf: 1906817 bytes, checksum: 6bf3c54782cfdea75b86311d9bc28cb9 (MD5) === Made available in DSpace on 2016-04-29T13:48:06Z (GMT). No. of bitstreams: 1
arquivo total.pdf: 1906817 bytes, checksum: 6bf3c54782cfdea75b86311d9bc28cb9 (MD5)
Previous issue date: 2016-02-22 === Several researches highlight the importance of risk management in project management.
Many authors propose traditional models with statistical and deterministic methods, though
some risk project management issues are based on conceptual frameworks, expert opinion and
human experience. This kind of problem makes difficult the use of classical models, but can
be mathematically treated using fuzzy logic. In addition, historical data of projects can
provide information about the organization's risk analysis experience and be modelled by a
learning mechanism. The method used in this work is the Adaptive Neuro-fuzzy Inference
System (ANFIS), which is capable of aggregating the mathematical treatment capacity of
conceptual models with a hybrid learning algorithm. Thus, the aim of this study is to model an
ANFIS that is able to analyze the risks of projects. A set of projects was analyzed by means of
a risk management checklist with factors arranged in a risk breakdown structure (RBS).
Estimates were made using probability and impact matrix, and expert opinion. The risk of
each project was defined as an integer between 1 and 10. To select the best model among 32
different ANFIS settings, 84% of the data were used in 10-fold cross-validation. The model
with the best results in validation process was selected and tested with the remaining data.
The results attained in the evaluation were: mean squared error (MSE) of 0.2207, mean
absolute error (MAE) of 0.3084, coefficient of determination (R²) of 0.9733 and 80% of
accuracy. These results indicate that the project risk management can be successfully
performed by ANFIS. This enables the modeling of knowledge and human experience and
can reduce costs of skilled labor and improve the speed of analysis. === Diversas pesquisas ressaltam a importância do gerenciamento de risco na gestão de projetos.
Muitos autores propõem modelos tradicionais com métodos estatísticos ou determinísticos,
entretanto alguns problemas de gerenciamento de risco em projetos são baseados em
estruturas conceituais, na opinião especializada e na experiência humana. Esse tipo de
problema dificulta a utilização de modelos clássicos, mas pode ser tratado matematicamente
por meio da lógica fuzzy. Além disso, dados históricos de projetos podem fornecer
informações sobre a experiência de analise de risco da organização e ser modelados por
mecanismo de aprendizagem. O mecanismo utilizado nesse trabalho é o Adaptive Neuro-fuzzy
Inferece System (ANFIS), que é capaz de agregar a capacidade de tratamento matemático de
modelos conceituais com um algoritmo de aprendizagem híbrido. Desse modo, o objetivo
desse trabalho é modelar um Adaptive Neuro-fuzzy Inferece System capaz de analisar os riscos
de projetos. Um conjunto de projetos foi analisado por meio de uma lista de verificação com
fatores de risco organizados em uma estrutura analítica de risco (EAR). As estimativas foram
realizadas por meio de matrizes de probabilidade e impacto e opinião especializada. O risco
de cada projeto foi definido como um número inteiro entre 1 e 10. Foram utilizados 84%
dados na validação cruzada 10-fold para seleção do melhor modelo entre 32 diferentes
configurações de ANFIS. O modelo com os melhores resultados de validação foi selecionado
e testado com os dados restantes. Os resultados alcançados na avaliação foram: erro
quadrático médio (MSE) de 0,2207, erro absoluto médio de 0,3084, coeficiente de
determinação (R²) de 0,9733 e acurácia de 80%. Esses resultados indicam que o
gerenciamento de riscos em projetos pode ser realizado com sucesso através do ANFIS. Isso
possibilita a modelagem de conhecimento e experiências humanas e pode diminuir custos
com mão de obra especializada e aumentar a velocidade das análises.
|