Aplicación del análisis de series temporales para la predicción de variables en la gestión del valor ganado
La Gestión del Valor Ganado (Earned Value Management, EVM) se ha consolidado como una metodología esencial para el control integrado del alcance, el coste y el cronograma en proyectos complejos. A través de indicadores como el Índice de Rendimiento de Costes (CPI) y el Índice de Rendimiento de Crono...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad del País Vasco |
| Repositorio: | Addi. Archivo Digital para la Docencia y la Investigación |
| OAI Identifier: | oai:addi.ehu.eus:10810/75406 |
| Acceso en línea: | http://hdl.handle.net/10810/75406 |
| Access Level: | acceso abierto |
| Palabra clave: | gestión del valor ganado lortutako balioaren kudeaketa earned value management series temporales predicción ARIMA aurreikuspena ikaskuntza automatikakoa Machine Learning time series forecasting |
| Sumario: | La Gestión del Valor Ganado (Earned Value Management, EVM) se ha consolidado como una metodología esencial para el control integrado del alcance, el coste y el cronograma en proyectos complejos. A través de indicadores como el Índice de Rendimiento de Costes (CPI) y el Índice de Rendimiento de Cronograma (SPI), permite analizar el desempeño del proyecto en tiempo real. No obstante, su capacidad predictiva es limitada, ya que se basa en el análisis de valores acumulados que no ofrecen una proyección robusta del comportamiento futuro. El presente trabajo explora la aplicación de técnicas de previsión de series temporales para anticipar la evolución de los indicadores clave del EVM. Se han utilizado modelos estadísticos clásicos como ARIMA y algoritmos de machine learning como Random Forest y Ridge, aplicados en distintas configuraciones (recursiva, directa y con variables exógenas). Los modelos se han entrenado y validado utilizando datos reales de un proyecto de reconstrucción vial en un entorno semiurbano. Los resultados permiten comparar la precisión de los distintos enfoques y aportan evidencia sobre el potencial de estas herramientas para mejorar la capacidad de anticipación en la gestión de proyectos. Además, se proponen recomendaciones metodológicas para su aplicación en otros contextos. |
|---|