Baixado 39 vezes
Carregado porRicardo Viana Vargas
Aplicando Redes Neurais e Estimativa Análoga para Determinar o Orçamento do Projeto
O artigo discute a aplicação de redes neurais artificiais (RNAs) na estimativa de orçamentos de projetos, especialmente quando métodos tradicionais não são viáveis. Ele apresenta um exemplo fictício utilizando dados de 500 projetos para prever custos de gerenciamento com base em variáveis como complexidade, localização e número de stakeholders. O documento também explica o processo de treinamento das RNAs para melhorar a previsão de resultados em ambientes de projetos complexos.
Mais conteúdo relacionado
Semelhante a Aplicando Redes Neurais e Estimativa Análoga para Determinar o Orçamento do Projeto
Aplicando Redes Neurais e Estimativa Análoga para Determinar o Orçamento do Projeto
- 1. APLICANDO REDES NEURAIS EESTIMATIVA ANÁLOGA PARA DETERMINAR O ORÇAMENTO DO PROJETO Publicações PMI Global Congress 2015 - América do Norte Orlando – Flórida – EUA – 2015
- 2. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto2 Resumo Este artigo procura discutir o uso de Redes Neuras Artificiais (RNAs) para modelar aspectos do orçamento do projeto em casos em que os algoritmos tradicionais e fórmulas não estão disponíveis ou não são de fácil aplicação. Redes neurais usam um processo análogo ao cérebro humano, onde um componente de treinamen- to é feito a partir de dados existentes e, subsequentemente, têm-se uma rede neural treinada “especialista” na categoria de informação analisada. Esse “espe- cialista”pode, então, ser utilizado para fazer projeções a partir de novas situações baseadas numa aprendizagem adaptativa (STERGIOU & CIGANOS, 1996). O artigo também apresenta um exemplo fictício que ilustra o uso de redes neurais para determinar o custo das atividades de gerenciamento do projeto de acordo com a complexidade, localização, orçamento, duração e número de stakeholders considerados relevantes. O exemplo baseia-se em dados de 500 projetos e é usa- do para prever o custo do gerenciamento de um novo projeto. Podcasts Relacionados ♫♫Importância da Estrutura Analítica (EAP) no Gerenciamen- to de Custos do Projeto http://rvarg.as/93 ♫♫Estimativas de Custos – Parte 1 de 3 http://rvarg.as/ct ♫♫Estimativas de Custos – Parte 2 de 3 http://rvarg.as/cz ♫♫Estimativas de Custos – Parte 3 de 3 http://rvarg.as/d1 ♫♫Aplicando Redes Neurais e Estimativa Análoga para Deter- minar o Orçamento do Projeto http://rvarg.as/ev
- 3. ricardo-vargas.com 3 Redes NeuraisArtificiais (RNA) Algumas categorias de problemas e desafios enfrentados em ambientes de pro- jetos podem depender de vários fatores sutis de tal maneira que um algoritmo computacional não pode ser criado para calcular seu resultado (KRIESEL, 2005). Redes Neurais Artificiais (RNAs) são uma família de modelos estatísticos de apren- dizagem cujo funcionamento é inspirado na maneira com que sistemas nervosos biológicos, como o cérebro, processam informação. Eles processam registros um por vez, e“aprendem”comparando os resultados obtidos com os resultados reais previamente conhecidos. Os erros da classificação inicial do primeiro registro são retroalimentados à rede e são usados para modificar os algoritmos da mesma para a segunda iteração, e assim por diante continua, para um grande número de repetições, num processo de aprendizagem cujo o objetivo é prever resultados confiáveis a partir de dados complicados ou imprecisos (STERGIOU & CIGANOS, 1996) (Figura 01). Figura 01 - Arquiteturas de Redes Neurais Artificiais (adaptado de MCKIM, 1993, e STERGIOU & CIGANOS, 1996) Algumas aplicações típicas das RNAs são: • Reconhecimento de escrita; • Previsões no mercado de ações; • Compressão de imagens; • Gerenciamento de riscos; • Previsão de vendas; • Controle de processos industriais. O processo matemático que fundamenta os cálculos usa diferentes configu- rações de redes neurais para um melhor ajuste para as previsões. Os tipos mais comuns de redes são descritos a seguir. Redes Neurais Probabilísticas (RNP) – Algoritmos estatísticos onde as operações são organizadas em redes multicamadas sem realimentação (“feedforward”). É composta por quatro camadas (entrada, padrão, somas e saída). É treinada mais rapidamente mas possui uma execução mais lenta e requer muita memória.Tam-
- 4. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto4 bém não é tão geral quanto as outras redes sem realimentação (CHEUNG & CAN- NONS, 2002). Redes Multicamadas sem Realimentação (RMSR) – RMSR, treinadas com algo- ritmos de aprendizagem com retropropagação (Figura 02). São os modelos mais populares de redes neurais (SVOZIL, KVASNIČKA & POSPÍCHAL, 1997). Figura 02 - Dados de treinamento do modelo e generalização em Redes Multicamadas sem Realimentação SVOZIL, D , KVASNIČKA, V. & POSPÍCHAL, J. , 1997) Redes Neurais com Regressão Generalizada (RNRR) – Semelhante às RNPs, é uma rede“baseada em memória”(registros prévios) que fornece estimativas para variáveis contínuas. O algoritmo pode ser utilizado para qualquer problema de regressão onde a premissa de linearidade não é justificada (SPECHT, 2002). Processo de Analogia e Conjunto de Dados Um dos pontos principais das Redes Neurais é o conjunto de dados usados para o processo de aprendizagem. Se o conjunto não for consistente, os resultados obtidos a partir dos cálculos também não serão. O uso de Redes Neurais Artifi- ciais pode ser considerado um tipo de analogia (BAILER-JONES & BAILER-JONES, 2002). A analogia é uma comparação entre dois ou mais elementos, tipicamente com o propósito de explicação ou esclarecimento (Figura 03). Um dos mais relevant- es usos da analogia é previsão de resultados futuros baseados em resultados similares obtidos em condições similares (BARTHA, 2013). O desafio é entender o que é uma condição similar. Projetos no passado podem ser utilizados como referência para projetos futuros se as condições subjacentes anteriores persistem no cenário atual.
- 5. ricardo-vargas.com 5 are to aretoas Figura 03 - Exemplo de uma simples analogia:“meais são para os pés e luvas são para as mãos”(Adaptada de Spitzig, 2013) Um dos aspectos mais relevantes da analogia está relacionada com um processo simples de estimativas baseado em fatos e eventos semelhantes. Esse processo reduz a granularidade de todos os cálculos, onde os custos finais do projeto po- dem ser determinados por uma série de variáveis fixas e finitas. Conjunto de Dados, Categorias Dependentes e Independentes e Variáveis Numéricas O primeiro passo para desenvolver uma Rede Neural Artificial é preparar um conjunto básico de dados que será utilizada como referência no “processo de treinamento” da rede neural. É importante salientar que construir um conjun- to correto de dados para o processo é usualmente caro e consome tempo (IN- GRASSIA & MORLINI, 2005). Esse conjunto de dados é composto por uma série de variáveis que formatam a referência do treinamento. Cada composição de variáveis agrupada é chamada de caso (Figura 04). VARIABLES INDEPENDENT VARIABLES DEPENDENT VARIABLE (OUTPUT) V1 V2 V3 Vn V’1 CASES Case 1 Case 2 Case 3 Case n Figura 04 - Estrutura de um conjunto de dados básico Os tipos de variáveis mais comuns são: Dependente Categórica – variável dependente ou saída cujos valores são per- tencentes a uma categoria qualquer; por exemplo: Sim ou Não, ou Vermelho, Verde ou Azul; Dependente Numérica – variável dependente ou saída cujos valores possíveis são numéricos;
- 6. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto6 Independente Categórica – uma variável independente cujos valores possíveis são pertencentes a uma categoria qualquer; por exemplo: Sim ou Não, ou Ver- melho, Verde ou Azul; Independente Numérica – uma variável independente cujos valores possíveis são numéricos; Em ambientes de projetos, muitas variáveis podem ser usadas para calcular o orçamento do projeto. Alguns exemplos comuns são: Complexidade – Nível de complexidade do projeto (Baixa, Média e Alta). Geral- mente é de categoria independente; Local – Local onde o trabalho do projeto irá acontecer. Associada à complexi- dade do trabalho e da logística do projeto. É, quase sempre, uma de categoria independente. Orçamento – Orçamento planejado para o projeto. É um valor numérico que pode ser independente e dependente (saída); Custo Atual – Aquilo que já foi gasto até o presente no projeto. É, quase sempre, uma variável numérica independente; Variância do Custo – A diferença entre o valor planejado e o custo atual. É uma variável numérica que pode ser independente ou dependente (saída); Duração da Linha de Base – Duração do projeto. Variável numérica independen- te; Duração Atual – Duração atual do projeto. Usualmente, uma variável numérica independente; Variância da Duração – A diferença entre a duração da linha de base e a duração atual; Tipo de Contrato – variável categórica independente que define o tipo do con- trato usado no trabalho do projeto (por exemplo: Preço Fixo, Preço Unitário, Taxa de Administração, etc.); Número de Grupos de Stakeholders Relevantes – Variável numérica indepen- dente que reflete o número de grupos de stakeholders relevantes no projeto. Alguns exemplos de variáveis de entrada são apresentados nas Figuras 05, 06 e 07.
- 7. ricardo-vargas.com 7 INPUT VARIABLESDESCRIPTION UNIT RANGE PWA Predominant Work Activity Category New Construction Asphalt or Concrete WD Work Duration month 14–30 PW Pavement Width m 7–14 SW Shoulder Width m 0–2 GRF Ground Rise Fall nillan 2–7 ACG Average Site Clear/Grub m2 /kin 12605–30297 EWV Earthwork Volume m3 /kin 13134–31941 SURFCLASS Surface Class Category Asphalt or Concrete BASEMATE Base Material Category Crushed Stone or Cement Stab. OUTPUT VARIABLE USDPERKM Unit Cost of New Construction Project US Dollars (2000) 572.501.64-4.006.103.95 Figura 05 – Exemplos de Variáveis em Construção de Rodovias (SODIKOV, 2005) DESCRIPTION RANGE Ground floor 100–3668 m2 Area of the typical floor 0–2597 m2 No. of storeys 1–8 No. of columns 10–156 Type of foundation 1 – isolated 2 – isolated and combined 3 – raft or piles No. of elevators 0–3 No. of rooms 2–38 Cost of structural skeleton 6,282469,680 USD Figura 06 – Exemplos de Variáveis Importantes para Edifícios (ARAFA & ALQEDRA, 2011)
- 8. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto8 PROJECT CHARACTERISTICS UNIT TYPE OF INFORMATION DESCRIPTORS Gross Floor Area (GFA) m2 Quantitative n.a Principal structural material No unit Categorical 1 – steel 2 – concrete Procurement route No unit Categorical 1 – traditional 2 – design and construct Type of work No unit Categorical 1 – residential 2 – commercial 3 – office Location No unit Categorical 1 – central business district 2 – metropolitan 3 – regional Sector No unit Categorical 1 – private sector 2 – public sector Estimating method No unit Categorical 1 – superficial method 2 – approximate quantities Number of storey No unit Categorical 1 – one to two storey(s) 2 – three to seven storeys 3 – eight storeys and above Estimated Sum Cost/m2 Quantitative n.a Figura 07 – Exemplos de Variáveis para Construção de Edifícios (AIBINU, DASSANAYAKE & THIEN, 2011) Treinando Redes Neurais Artificiais Quando o conjunto de dados está pronto o treinamento da rede pode ser ini- ciado. Duas abordagens podem ser usadas para o processo de aprendizagem: supervisionada ou treinamento adaptativo. No treinamento supervisionado, ambas entradas e saídas são fornecidas e a rede compara os resultados fornecido pelo modelo com as saídas fornecidas. Isso permite o monitoramento da qualidade da convergência dos resultados da rede neural artificial com os valores históricos e sua habilidade de predizer a resposta correta. No treinamento adaptativo, apenas as entradas são fornecidas ao modelo. Usan- do mecanismos auto organizáveis, a rede neural beneficia-se da aprendizagem contínua no intuito de se adaptar a novas situações e ambientes. Esse tipo de rede é comumente chamada Mapa Auto Organizável (MAO) e foi desenvolvido por Teuvo Kohonen (KOHONEN, 2014). Um dos maiores desafios dos métodos de treinamento é decidir que tipo de rede deve-se utilizar e o tempo de execução do modelo em computadores. Algumas
- 9. ricardo-vargas.com 9 redes podemser treinadas em segundos, mas em aplicações mais complexas, em que são utilizadas várias variáveis e casos, podem ser necessárias várias horas. Os resultados do processo de treinamento são fórmulas complexas que relacio- nam as entradas (ou variáveis independentes) com as saídas (variáveis depen- dentes), como no gráfico apresentado na Figura 02. A maioria dos pacotes comerciais comumente testam os resultados do trein- amento com alguns pontos do conjunto de dados para avaliar a qualidade do treinamento. Cerca de 10 a 20% das amostras são utilizadas com o propósito de treinamento (Figura 08). Figura 08 – Exemplos de resultados de treinamento para previsão da pressão sanguínea onde alguns dados são utilizados para testar as saídas do modelo (o software utilizado: Palisade Neural Tools) Resultados da Previsão Depois do treinamento, o modelo está pronto para a predição de resultados. A informação mais relevante que deve ser foco de investigação é a contribuição individual de cada variável para os resultados previstos (Figura 09) e a confiança do modelo (Figura 10).
- 10. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto10 Figura 09 - Exemplo de impacto relativo das variáveis, demonstrando que a variável Salário é responsável por mais de 50% do impacto na variável dependente (software usado: Palisade Neural Tools) Figura 10 – Exemplo de histograma de Probabilidade de Categorias Incorretas evidenciando uma chance de 30% que 5% da previsões podem estar erradas (software usado: Palisade Neural Tools) É importante enfatizar que uma rede treinada que falha em obter um resultado confiável em 30% dos casos é muito menos confiável que outro que falha em apenas 1% dos casos.
- 11. ricardo-vargas.com 11 Exemplo deModelagem de Custos usando Redes Neurais Artificiais A título de exemplo do processo, um caso fictício foi desenvolvido para predizer o custo de gerenciamento do projeto a partir de dados históricos de 500 casos1 . As variáveis utilizadas estão apresentadas na Figura 11. O perfil dos casos usados para o treinamento está apresentado nas Figuras 12, 13, 14, 15 e 16 e o conjunto de dados está apresentado integralmente no Apêndice. Location Projects % Local 250 50.00% Remote 250 50.00% Total 500 100.00% Local 50% Remote 50% Figura 12 – Distribuição dos casos por Local Complexity Projects % Low 201 40.20% Medium 176 35.20% High 123 24.60% Total 500 100.00% Low 40% Medium 35% High 25% Figura 13 – Distribuição de casos por Complexidade Budget Range Projects % Budget Range Projects 500000-750000 158 31.60% 500000-750000 158 750000-1000000 111 22.20% 750000-1000000 111 1000000-1250000 99 19.80% 1000000-1250000 99 1250000-1500000 74 14.80% 1250000-1500000 74 1500000-1750000 43 8.60% 1500000-1750000 43 1750000-2000000 15 3.00% 1750000-2000000 15 Total 500 100.00% Total 5000 20 40 60 80 100 120 140 160 180 Figura 14 – Distribuição de casos por Orçamento do projeto 1 O exemplo foi desenolvido apenas para demonstração do uso das redes artificiais e não foi contruído a partir de dados reais. Todos os dados são fictícios e devem ser encarados apenas como exemplo.
- 12. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto12 Duration Range Projects % Duration Range Projects 12-17 145 29.00% 12-17 145 18-23 189 37.80% 18-23 189 24-29 96 19.20% 24-29 96 30-36 70 14.00% 30-36 70 Total 500 100.00% Total 500 0 20 40 60 80 100 120 140 160 180 200 12-17 18-23 24-29 30-36 Figura 15 – Distribuição de casos por Duração do Projeto Stakeholder Groups Projects % 3 238 47.60% 4 158 31.60% 5 104 20.80% Total 500 100.00% 3 47% 4 32% 5 21% Figura 16 – Distribuição dos casos por Grupos de Stakeholders Relevantes O treinamento e os testes foram executados usando o software Palisade Neural Tools. O teste foi executado com 20% da amostra e com um modelo de previsões numéricas baseado em Redes Neurais com Regressão Generalizada. O resumo do treinamento da RNA está apresentado na Figura 17.
- 13. ricardo-vargas.com 13 NET INFORMATION NameNet Trained on Project Data Configuration GRNN Numeric Predictor Location This Workbook Independent Category Variables 3 (Location, Complexity, Relevant Stakeholder Groups) Independent Numeric Variables 2 (Budget, Duration) Dependent Variable Numeric Var. (PM Cost) TESTING Number of Cases 100 % Bad Predictions (30% Tolerance) 0.0000% Root Mean Square Error 1,508.66 Mean Absolute Error 1,170.24 Std. Deviation of Abs. Error 952.16 TRAINING Number of Cases 400 Training Time 00:00:38 Number of Trials 75 Reason Stopped Auto-Stopped % Bad Predictions (30% Tolerance) 0.0000% Root Mean Square Error 944.70 Mean Absolute Error 706.47 Std. Deviation of Abs. Error 627.18 PREDICTION Number of Cases 1 Live Prediction Enabled YES DATA SET Name Project Data Number of Rows 501 Manual Case Tags NO VARIABLE IMPACT ANALYSIS Budget 54.3124% Duration 25.4821% Location 8.2800% Complexity 7.0677% Relevant Stakeholder Groups 4.8578% Figura 17 – Tabela de Resumo do Palisade Neural Tools O impacto relativo das cinco variáveis independentes está descrito na Figura 18, demonstrando que, no exemplo apresentado, mais de 50% do impacto do custo de gerenciamento do projeto está relacionado com a variável Orçamento. 10000 20000 30000 40000 50000 60000 Predicted 54.3124% 25.4821% 8.2800% 7.0677% 4.8578% 0% 10% 20% 30% 40% 50% 60% 70% 80% Budget Dura9on Loca9on Complexity Relevant Stakeholder Groups Rela%ve Variable Impacts Figura 18 – Impacto Relativo das Variáveis
- 14. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto14 O treinamento e os testes foram então usados para prever o custo de gerencia- mento de um projeto fictício com as seguintes características. Após a execução da simulação, a previsão do custo de gerenciamento do proje- to, baseando-se nos padrões do conjunto de dados, é $ 24.334,75, aproximada- mente 3% do orçamento do projeto. Conclusão O uso de Redes Neurais Artificiais pode ser uma ferramenta útil para determinar aspectos do orçamento do projeto como o custo do gerenciamento do proje- to, a estimativa do valor de uma proposta de um fornecedor ou o custo de um seguro de um equipamento. A Rede Neural permite a tomada de decisão com considerável precisão sem o emprego de um processo baseado em fórmulas ou algoritmos. Com o recente desenvolvimento de ferramentas computacionais, o cálculo tende a ser muito simples e franco.Todavia, o grande desafio para obter resultados con- fiáveis está na qualidade das informações presentes. O processo por completo é baseado em dados históricos, e muitas vezes é exatamente essa a parte mais laboriosa e cara: conseguir um conjunto de dados confiáveis para o treinamento e teste do modelo. Bibliografia AIBINU, A. A., DASSANAYAKE, D. &THIEN,V. C. (2011). Use of Artificial Intelligence to Predict the Accuracy of Pretender Building Cost Estimate. Amsterdam: Management and Innovation for a Sustainable Built Environment. ARAFA, M. & ALQEDRA, M. (2011). Early Stage Cost Estimation of Buildings Con- struction Projects using Artificial Neural Networks. Faisalabad: Journal of Artificial Intelligence. BAILER-JONES, D & BAILER-JONES, C. (2002). Modeling data: Analogies in neural networks, simulated annealing and genetic algorithms. New York: Model-Based Reasoning: Science, Technology, Values/Kluwer Academic/Plenum Publishers. BARTHA, P (2013). Analogy and Analogical Reasoning. Palo Alto: Stanford Center for the Study of Language and Information. CHEUNG, V. & CANNONS, K. (2002). An Introduction to Neural Networks. Winnipeg, University of Manitoba. INGRASSIA, S & MORLINI, I (2005). Neural Network Modeling for Small Datasets In Technometrics: Vol 47, n 3. Alexandria: American Statistical Association and the
- 15. ricardo-vargas.com 15 American Societyfor Quality KOHONEN, T. (2014). MATLAB Implementations and Applications of the Self-Organizing Map. Helsinki: Aalto University, School of Science. KRIESEL, D. (2005). A Brief Introduction to Neural Networks. Downloaded on 07/01/2015 at http://www.dkrie- sel.com/_media/science/neuronalenetze-en-zeta2-2col-dkrieselcom.pdf MCKIM, R. A. (1993). NeuralNetworkApplicationsforProjectManagement. Newtown Square: Project Manage- ment Journal. SODIKOV, J. (2005). Cost Estimation of Highway Projects in Developing Countries: Artificial Neural Network Ap- proach. Tokyo: Journal of the Eastern Asia Society for Transportation Studies, Vol. 6. SPECHT, D. F. (2002). A General Regression Neural Network. New York, IEEE Transactions on Neural Networks, Vol 2, Issue 6. SPITZIG, S. (2013). Analogy in Literature: Definition & Examples in SAT Prep: Help and Review. Link accessed on 06/30/2015: http://study.com/academy/lesson/analogy-in-literature-definition-examples-quiz.html STERGIOUS, C & CIGANOS, D. (1996). Neural Networks in Surprise Journal Vol 4, n 11. London, Imperial College London. SVOZIL, D, KVASNIČKA, V. & POSPÍCHAL, J. (1997). Introduction to multi-layer feed-forward neural networks In Chemometrics and Intelligent Laboratory Systems, Vol 39. Amsterdam, Elsevier Journals.
- 16. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto16 Apêndice – Conjunto de Dados do Exemplo LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPS PM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Remote Medium 703,998.33 17 3 21,547.87 3.06% train Remote High 902,327.29 17 5 33,934.58 3.76% test 33,275.83 Good 658.75 1.94% Local Low 904,824.77 27 3 14,789.98 1.63% train Local Low 640,833.02 17 3 15,128.69 2.36% train Local Low 683,992.89 16 3 16,985.82 2.48% test 17,240.60 Good -254.78 -1.50% Remote High 1,467,802.93 20 5 49,416.03 3.37% train Remote High 569,532.07 26 4 16,983.74 2.98% train Remote Low 1,235,140.98 12 4 47,896.02 3.88% train Remote Low 1,254,182.69 13 4 45,954.54 3.66% test 43,510.55 Good 2,443.99 5.32% Local Low 634,127.64 16 3 15,747.50 2.48% test 16,691.89 Good -944.38 -6.00% Remote High 1,310,397.18 25 3 34,507.13 2.63% train Local High 1,045,689.31 15 3 31,603.05 3.02% test 29,729.94 Good 1,873.11 5.93% Local Medium 1,070,909.21 20 5 27,486.67 2.57% train Remote High 1,069,089.15 25 4 31,359.95 2.93% train Remote Low 600,174.43 14 4 21,491.96 3.58% train Remote Low 1,274,790.04 17 4 39,018.57 3.06% test 37,604.96 Good 1,413.61 3.62% Remote Low 1,333,972.58 13 5 50,212.10 3.76% train Remote High 1,600,399.26 16 4 58,948.04 3.68% train Remote High 1,208,443.26 32 3 28,297.71 2.34% train Local Low 1,618,395.90 12 3 49,810.63 3.08% test 43,252.94 Good 6,557.69 13.17% Remote Low 580,524.22 15 3 18,125.26 3.12% test 18,178.96 Good -53.70 -0.30% Remote Low 1,277,669.74 26 4 30,434.75 2.38% train Local High 1,465,538.27 27 5 35,679.52 2.43% test 36,732.46 Good -1,052.93 -2.95% Local High 534,389.92 19 5 16,322.33 3.05% test 16,106.84 Good 215.49 1.32% Local Low 1,110,809.34 19 4 26,152.74 2.35% test 24,588.71 Good 1,564.03 5.98% Remote Low 938,755.52 14 4 33,616.39 3.58% train Remote Medium 573,363.07 22 5 17,287.77 3.02% train Remote High 1,030,776.33 24 3 27,716.43 2.69% train Remote High 961,099.65 13 5 41,943.37 4.36% train Local Medium 765,884.98 16 3 20,551.25 2.68% train Remote High 1,074,273.06 15 3 37,838.28 3.52% train Local Low 762,219.86 16 3 18,928.46 2.48% train Local Low 964,410.00 20 3 19,931.14 2.07% train Remote Low 911,404.26 24 4 23,595.24 2.59% test 22,578.66 Good 1,016.59 4.31% Remote High 1,930,468.28 20 3 57,270.56 2.97% train Remote High 981,611.00 23 5 31,895.24 3.25% train Local Low 1,126,200.40 21 3 21,254.80 1.89% test 22,151.95 Good -897.15 -4.22% Local High 708,383.15 21 3 17,619.63 2.49% train Local Low 852,403.45 17 4 22,680.62 2.66% train Remote Low 816,178.39 16 3 24,349.32 2.98% train
- 17. ricardo-vargas.com 17 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPSPM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Remote Low 1,151,686.39 22 5 31,270.03 2.72% train Remote High 624,255.72 13 3 24,746.14 3.96% train Remote High 531,076.00 25 3 14,516.08 2.73% train Local Low 1,219,803.85 21 5 27,900.59 2.29% train Remote Low 1,359,202.77 17 4 41,602.27 3.06% train Local Low 693,228.75 15 3 18,178.00 2.62% train Local High 801,510.16 28 3 16,755.38 2.09% train Local High 511,096.39 26 5 13,196.77 2.58% train Local Low 590,242.71 15 5 17,838.45 3.02% train Remote Low 1,116,386.68 17 4 34,170.19 3.06% train Remote Medium 1,123,846.83 23 4 30,897.64 2.75% test 31,578.29 Good -680.64 -2.20% Remote High 547,802.19 23 5 17,799.60 3.25% train Remote High 966,086.13 15 4 37,892.04 3.92% train Local Medium 1,273,716.73 22 3 25,667.32 2.02% train Local High 778,993.21 20 4 22,331.14 2.87% test 22,044.71 Good 286.43 1.28% Local Low 894,732.93 19 3 19,276.00 2.15% train Remote Low 1,171,008.92 19 4 33,425.11 2.85% train Remote Low 551,582.86 21 4 15,374.28 2.79% train Remote High 546,599.66 29 4 15,574.95 2.85% train Remote High 1,789,071.54 28 4 49,923.62 2.79% train Local Low 1,323,310.37 28 3 19,723.63 1.49% train Remote Low 845,707.18 20 3 21,706.48 2.57% train Local Medium 782,095.09 21 5 20,235.16 2.59% train Local Medium 512,318.31 18 4 14,098.24 2.75% train Remote High 1,056,680.60 23 4 32,221.10 3.05% train Local Low 1,399,151.60 12 4 47,260.23 3.38% train Remote Low 1,629,835.05 19 4 46,521.78 2.85% train Local Low 1,747,728.47 19 5 42,896.00 2.45% train Local High 584,824.62 24 4 15,140.46 2.59% train Remote High 1,522,611.48 36 4 38,460.04 2.53% train Remote Low 1,234,685.15 19 4 35,242.68 2.85% train Local Low 982,920.06 21 3 19,533.59 1.99% train Local Medium 1,788,200.40 12 4 63,977.84 3.58% train Local High 1,082,133.01 21 4 29,080.18 2.69% test 28,236.53 Good 843.65 2.90% Remote High 1,035,386.38 25 4 30,371.33 2.93% test 31,220.71 Good -849.38 -2.80% Remote Medium 1,264,034.73 14 3 42,736.41 3.38% train Remote High 1,367,409.84 19 4 45,868.20 3.35% train Remote Low 1,002,553.31 13 5 37,737.13 3.76% train Local Low 1,420,828.51 19 3 29,189.30 2.05% train Local Low 1,709,337.52 15 4 48,241.30 2.82% train Local High 609,335.11 28 4 14,566.01 2.39% test 14,651.91 Good -85.90 -0.59% Remote High 833,883.05 30 4 23,441.38 2.81% train
- 18. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto18 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPS PM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Remote Low 1,297,801.29 23 3 29,191.12 2.25% train Remote Low 1,119,369.76 14 3 35,606.62 3.18% train Local Low 925,628.02 19 4 22,718.48 2.45% train Local High 667,414.59 24 3 15,276.38 2.29% train Remote High 1,722,870.56 19 5 59,514.60 3.45% train Local Low 951,195.05 23 5 21,395.00 2.25% test 20,650.89 Good 744.11 3.48% Local Low 1,363,830.91 18 5 34,802.94 2.55% train Remote Medium 1,151,990.74 24 4 30,975.75 2.69% train Local High 1,125,818.31 30 5 26,018.91 2.31% train Remote High 1,279,302.89 28 3 31,860.73 2.49% train Local Medium 555,745.83 16 3 14,912.51 2.68% test 17,164.08 Good -2,251.57 -15.10% Local High 1,437,619.16 15 5 49,198.52 3.42% train Remote Low 512,839.97 15 3 16,012.00 3.12% train Remote Low 1,108,388.88 18 3 29,392.83 2.65% train Local Low 1,491,757.71 14 4 44,468.59 2.98% train Local High 573,367.88 25 4 14,525.32 2.53% train Local High 577,732.27 28 5 14,388.28 2.49% test 13,498.17 Good 890.11 6.19% Remote Low 1,340,923.44 30 3 25,626.54 1.91% train Local Medium 1,218,034.19 30 3 19,623.88 1.61% train Remote Medium 982,929.62 15 4 35,603.90 3.62% train Remote Low 918,511.12 15 3 28,677.96 3.12% train Remote High 799,134.56 34 3 19,022.54 2.38% train Local Medium 1,699,228.84 14 4 54,051.66 3.18% train Local Medium 557,737.83 20 4 14,315.27 2.57% train Local Medium 1,308,696.78 25 4 27,918.86 2.13% train Local Low 823,502.63 21 3 16,365.48 1.99% train Local Low 1,277,239.09 22 5 28,292.78 2.22% train Remote High 951,405.82 17 3 31,974.70 3.36% train Remote Low 615,510.45 19 5 18,800.06 3.05% train Local Low 852,551.98 24 3 15,251.21 1.79% test 16,513.71 Good -1,262.50 -8.28% Local Low 514,229.05 22 5 11,905.18 2.32% train Local Medium 831,541.04 19 4 22,072.31 2.65% train Local Medium 1,035,118.41 21 4 24,711.40 2.39% train Remote High 813,527.00 16 4 30,778.44 3.78% test 31,776.14 Good -997.71 -3.24% Local Low 534,936.99 27 5 10,883.66 2.03% test 11,947.44 Good -1,063.79 -9.77% Remote High 839,992.75 27 3 22,130.18 2.63% test 21,463.60 Good 666.58 3.01% Local High 968,941.49 20 4 27,776.32 2.87% train Local High 1,455,430.69 23 3 32,736.64 2.25% train Remote Low 553,402.62 20 4 15,864.21 2.87% train Remote Low 1,550,217.54 15 3 46,851.02 3.02% train Remote Medium 1,571,769.84 20 3 41,913.86 2.67% train Local Low 958,266.50 21 4 21,918.44 2.29% train
- 19. ricardo-vargas.com 19 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPSPM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Remote High 1,203,129.39 12 5 53,873.46 4.48% train Local Medium 512,774.70 19 4 13,611.02 2.65% train Remote Low 1,572,775.22 24 3 34,426.30 2.19% train Local High 928,720.44 21 3 23,100.08 2.49% test 22,313.20 Good 786.88 3.41% Local Low 1,286,047.40 13 5 41,977.91 3.26% test 43,382.91 Good -1,405.01 -3.35% Local Medium 897,200.07 21 3 19,624.47 2.19% train Local Medium 506,773.64 28 3 9,073.66 1.79% test 10,009.00 Good -935.33 -10.31% Remote Medium 1,561,191.51 16 5 54,381.50 3.48% test 53,120.34 Good 1,261.17 2.32% Local High 903,316.02 20 4 25,895.06 2.87% train Remote Medium 580,211.77 20 3 16,052.53 2.77% test 17,675.50 Good -1,622.97 -10.11% Remote Low 595,520.47 15 5 20,975.55 3.52% train Local Low 1,001,793.43 19 4 23,586.08 2.35% test 21,799.23 Good 1,786.85 7.58% Local Low 655,421.89 16 5 18,898.00 2.88% train Local High 897,256.60 20 4 25,721.36 2.87% train Remote Low 604,357.31 19 3 16,041.98 2.65% train Remote High 868,980.86 18 4 30,864.91 3.55% train Local Medium 1,054,258.00 16 3 27,235.00 2.58% train Local Low 504,023.79 19 3 10,858.62 2.15% train Remote Medium 984,726.14 26 3 23,456.68 2.38% train Remote Low 914,671.35 20 3 23,476.56 2.57% test 23,342.33 Good 134.24 0.57% Local Low 816,984.05 33 3 11,520.30 1.41% train Local Medium 1,102,518.04 15 5 34,423.06 3.12% test 32,270.39 Good 2,152.67 6.25% Local Medium 1,568,418.96 18 3 36,886.89 2.35% train Local Low 866,386.50 27 4 16,760.84 1.93% train Remote Low 945,814.91 19 3 25,105.58 2.65% train Remote Medium 1,352,496.54 25 4 35,615.74 2.63% train Remote Low 1,007,543.31 21 3 24,053.10 2.39% train Local Medium 1,585,230.00 17 4 43,764.78 2.76% train Remote High 599,627.37 28 3 15,533.20 2.59% test 15,007.94 Good 525.27 3.38% Local Medium 1,063,937.52 33 3 16,066.53 1.51% test 19,098.46 Good -3,031.93 -18.87% Remote Low 1,316,509.72 17 3 36,345.99 2.76% train Local Low 819,992.37 36 5 14,152.46 1.73% train Remote Medium 1,059,271.62 15 3 34,132.09 3.22% test 34,598.62 Good -466.54 -1.37% Remote High 661,598.27 36 3 15,388.29 2.33% train Local Low 556,860.84 22 3 10,664.73 1.92% train Remote High 1,629,259.58 20 4 53,222.48 3.27% train Local Medium 560,885.36 27 5 12,533.36 2.23% train Remote Low 1,128,949.92 36 3 19,484.84 1.73% train Remote Low 1,140,022.19 16 3 32,870.64 2.88% train Local Medium 1,277,998.06 23 5 30,023.69 2.35% test 29,794.51 Good 229.18 0.76% Local Low 1,370,381.07 13 4 43,360.26 3.16% train Remote Medium 622,821.80 20 3 17,231.40 2.77% train
- 20. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto20 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPS PM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Local Low 606,852.57 26 5 12,634.98 2.08% train Remote Low 951,616.00 12 5 38,804.79 4.08% train Remote Medium 617,490.46 35 3 12,673.26 2.05% train Local Low 704,413.02 34 3 9,723.66 1.38% test 9,729.60 Good -5.94 -0.06% Remote Low 580,202.08 32 3 11,265.59 1.94% train Local Low 1,283,482.92 30 5 23,245.30 1.81% train Remote Low 1,615,066.28 23 4 41,172.49 2.55% test 38,529.89 Good 2,642.60 6.42% Remote Medium 1,221,684.39 25 3 28,505.97 2.33% train Local Low 1,554,072.32 21 4 33,992.25 2.19% test 32,400.12 Good 1,592.13 4.68% Local Medium 1,147,660.40 21 3 23,955.13 2.09% test 25,670.99 Good -1,715.86 -7.16% Remote Low 1,226,103.02 27 3 24,945.90 2.03% train Remote Low 514,184.61 22 3 12,418.34 2.42% train Remote Medium 1,559,320.98 22 3 39,219.29 2.52% train Remote Medium 904,655.73 18 3 26,704.10 2.95% train Remote Low 1,304,661.29 22 4 34,118.87 2.62% test 32,420.45 Good 1,698.42 4.98% Remote Medium 573,409.51 16 4 19,973.76 3.48% train Remote High 545,633.58 21 3 16,299.72 2.99% train Remote High 503,090.27 33 4 13,634.25 2.71% train Local Medium 525,195.05 30 5 11,087.45 2.11% train Local Low 894,012.12 17 5 24,681.75 2.76% train Local Medium 833,563.20 22 3 17,631.12 2.12% train Local Low 535,711.70 22 4 11,866.83 2.22% train Local Medium 1,325,009.13 24 4 29,002.98 2.19% train Remote Medium 590,318.95 22 5 17,799.01 3.02% train Local High 1,770,395.16 22 3 40,987.33 2.32% train Local High 1,405,512.56 16 3 40,525.61 2.88% train Local Medium 1,286,163.78 17 3 31,649.72 2.46% train Local Low 1,103,463.05 15 3 27,831.79 2.52% train Remote Medium 885,202.32 20 4 27,146.20 3.07% test 25,689.17 Good 1,457.04 5.37% Local Low 1,220,977.54 27 4 22,399.66 1.83% train Remote High 679,641.98 31 3 16,822.97 2.48% train Local Medium 1,158,479.42 20 5 29,734.31 2.57% train Remote High 1,297,008.10 16 3 43,882.11 3.38% train Local Medium 595,980.69 31 3 9,984.28 1.68% train Remote Low 812,827.47 19 3 21,575.58 2.65% train Remote Low 800,720.74 20 4 22,953.99 2.87% train Local Low 1,360,528.32 31 4 22,792.51 1.68% test 22,768.65 Good 23.86 0.10% Remote Medium 622,078.94 25 3 15,137.25 2.43% train Local Medium 1,048,802.19 22 4 24,281.36 2.32% test 25,044.15 Good -762.79 -3.14% Local High 964,150.49 20 4 27,638.98 2.87% train Remote Low 1,270,776.17 21 4 34,149.59 2.69% train Local Medium 1,236,912.47 26 5 26,990.06 2.18% test 27,084.03 Good -93.96 -0.35%
- 21. ricardo-vargas.com 21 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPSPM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Local Medium 828,706.86 16 4 24,723.09 2.98% train Remote High 946,925.63 15 3 34,299.75 3.62% train Local Medium 826,666.64 20 5 22,044.44 2.67% train Local Medium 744,008.05 22 4 17,968.92 2.42% train Local Medium 1,335,476.56 18 3 31,408.43 2.35% train Remote Low 540,059.74 12 3 19,862.20 3.68% train Remote Medium 1,937,816.91 19 3 53,374.96 2.75% train Remote Medium 769,785.60 17 3 23,561.48 3.06% train Local Medium 1,094,632.16 20 4 27,000.93 2.47% train Remote High 1,280,061.70 22 3 36,035.68 2.82% train Remote High 896,347.09 36 4 23,537.41 2.63% train Local Low 704,793.42 16 3 17,502.37 2.48% train Remote High 849,940.50 21 4 27,940.11 3.29% train Local Low 1,325,031.76 28 4 23,724.38 1.79% train Remote Medium 1,493,825.11 21 5 44,625.06 2.99% train Remote Low 640,849.31 33 3 12,240.87 1.91% test 11,703.26 Good 537.61 4.39% Remote Medium 536,908.21 19 3 15,325.43 2.85% train Remote Low 1,167,617.40 16 4 37,169.15 3.18% train Local High 1,192,348.18 26 3 24,825.30 2.08% train Remote Low 531,703.85 15 3 16,600.98 3.12% test 17,783.95 Good -1,182.98 -7.13% Remote Medium 1,510,277.92 19 3 41,598.88 2.75% train Local Medium 1,438,409.49 35 3 20,891.19 1.45% test 19,508.51 Good 1,382.68 6.62% Remote Medium 866,217.66 17 5 29,977.92 3.46% train Local High 1,830,390.71 28 4 37,189.23 2.03% train Remote Medium 993,322.40 12 4 41,498.80 4.18% train Local Low 948,143.98 15 3 24,862.44 2.62% train Local Medium 1,379,684.09 21 4 32,937.22 2.39% train Remote Low 1,120,685.21 14 5 40,131.20 3.58% test 38,958.02 Good 1,173.18 2.92% Local Medium 1,163,330.12 19 4 29,715.94 2.55% train Local Medium 1,028,805.86 21 3 21,474.28 2.09% train Local Medium 698,116.99 19 3 16,436.37 2.35% train Local Medium 520,721.77 21 3 11,389.76 2.19% train Remote Medium 1,761,126.50 20 5 54,007.88 3.07% train Remote High 1,657,808.50 31 4 44,350.83 2.68% test 46,338.40 Good -1,987.57 -4.48% Local Medium 1,458,640.17 25 4 31,117.66 2.13% train Remote High 1,143,918.74 19 3 34,939.69 3.05% train Remote Low 539,042.04 24 5 14,494.24 2.69% test 16,519.13 Good -2,024.88 -13.97% Local Medium 809,443.86 15 5 26,082.08 3.22% train Local High 1,767,884.50 25 3 37,714.87 2.13% train Local High 771,280.77 21 3 19,184.08 2.49% train Remote Low 625,360.95 26 5 16,147.14 2.58% train Remote Low 599,119.11 15 5 21,102.31 3.52% train
- 22. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto22 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPS PM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Local High 854,967.79 22 3 20,648.77 2.42% train Local Low 614,910.44 18 4 15,691.60 2.55% train Local High 1,010,812.89 16 3 29,145.11 2.88% train Local Low 1,605,359.49 15 3 40,490.73 2.52% train Local Low 909,185.58 25 5 19,395.96 2.13% train Remote Medium 559,258.89 15 3 18,579.82 3.32% train Remote High 575,367.10 20 4 19,370.69 3.37% test 18,927.68 Good 443.01 2.29% Remote Medium 565,256.88 30 5 14,759.49 2.61% train Local Medium 868,794.53 20 3 19,692.68 2.27% test 19,750.18 Good -57.50 -0.29% Local Medium 513,426.44 24 3 10,211.48 1.99% train Local Medium 565,225.63 33 3 9,100.70 1.61% train Remote Low 1,750,698.16 16 5 57,481.26 3.28% train Remote Low 777,901.92 18 3 21,406.71 2.75% train Local Low 1,485,078.05 32 4 24,380.03 1.64% test 25,014.55 Good -634.52 -2.60% Local High 785,613.65 34 3 14,772.62 1.88% train Local Low 706,311.75 19 3 15,216.68 2.15% train Remote Low 739,540.41 21 5 21,352.76 2.89% train Remote High 1,342,549.88 20 3 39,828.98 2.97% train Local High 1,201,962.84 21 3 28,694.48 2.39% train Remote High 735,242.88 17 3 24,709.93 3.36% test 24,688.38 Good 21.55 0.09% Remote High 1,712,608.43 16 3 57,943.25 3.38% train Local High 1,050,306.81 16 4 33,434.77 3.18% train Remote Medium 538,418.45 28 4 13,947.60 2.59% train Local Medium 606,669.12 32 5 12,386.16 2.04% train Local Low 888,601.69 20 3 18,364.43 2.07% train Local High 602,631.37 25 3 13,458.77 2.23% train Local Medium 528,769.94 28 5 11,582.58 2.19% train Remote Medium 733,381.20 24 5 21,186.57 2.89% test 19,471.21 Good 1,715.35 8.10% Remote Low 615,606.68 31 5 14,622.31 2.38% train Local Low 1,038,350.37 30 3 14,652.28 1.41% train Remote Low 1,008,605.83 15 3 30,482.31 3.02% train Remote Medium 1,537,920.89 23 4 42,281.68 2.75% train Remote Medium 1,246,255.59 14 4 45,874.07 3.68% train Remote Medium 563,905.89 21 4 16,845.57 2.99% train Local High 1,033,174.25 18 4 30,497.77 2.95% test 28,677.64 Good 1,820.13 5.97% Remote Low 658,752.67 20 3 16,907.99 2.57% train Remote Medium 829,602.26 20 3 22,952.33 2.77% train Local Medium 1,771,365.49 16 5 52,845.74 2.98% train Remote Medium 511,380.29 22 4 14,907.51 2.92% test 17,273.01 Good -2,365.50 -15.87% Local Medium 1,543,534.66 20 3 33,443.25 2.17% train Remote Medium 629,687.82 27 3 14,700.49 2.33% train Remote Medium 895,421.00 25 4 24,474.84 2.73% train
- 23. ricardo-vargas.com 23 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPSPM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Remote Low 556,260.00 14 4 19,919.41 3.58% test 20,022.91 Good -103.50 -0.52% Local Medium 1,817,837.94 27 3 31,531.63 1.73% train Local Medium 1,622,698.23 20 4 40,026.56 2.47% test 38,438.01 Good 1,588.54 3.97% Remote Medium 846,257.51 27 3 19,756.46 2.33% train Local Medium 1,611,292.85 16 3 41,625.07 2.58% train Remote Low 1,262,421.26 18 5 38,527.23 3.05% test 37,941.67 Good 585.56 1.52% Remote Medium 612,061.28 36 3 12,399.91 2.03% train Remote High 1,129,246.13 12 3 46,048.15 4.08% train Local Low 537,807.95 25 4 10,935.43 2.03% train Local Low 955,684.84 26 3 16,075.11 1.68% train Remote High 1,134,051.12 25 4 33,265.50 2.93% train Remote Medium 600,240.51 19 4 18,933.90 3.15% train Remote Low 995,130.04 27 3 21,241.73 2.13% train Remote Low 1,141,834.26 19 3 29,166.85 2.55% train Remote Medium 950,139.68 16 3 30,246.11 3.18% train Remote High 1,236,433.40 12 3 50,419.01 4.08% train Local Low 1,149,263.50 28 5 21,726.55 1.89% test 22,898.96 Good -1,172.40 -5.40% Local High 697,640.20 21 3 17,352.42 2.49% train Remote Medium 584,742.74 26 3 13,928.87 2.38% train Local High 1,439,365.41 15 3 43,500.82 3.02% train Local High 644,115.39 35 5 14,507.93 2.25% train Remote Low 875,107.31 19 3 23,228.73 2.65% train Local Low 1,471,608.90 30 5 26,652.47 1.81% train Local Medium 630,681.97 21 5 16,317.64 2.59% train Local Low 1,134,830.22 15 3 28,622.94 2.52% test 27,401.45 Good 1,221.49 4.27% Local Low 1,515,009.77 24 3 25,586.83 1.69% train Local Medium 503,379.10 24 4 11,521.79 2.29% train Local Medium 1,289,329.63 13 5 44,663.70 3.46% train Remote Low 540,092.44 20 3 13,862.37 2.57% train Remote Medium 1,506,018.23 27 3 33,653.00 2.23% test 36,646.12 Good -2,993.12 -8.89% Local Low 1,223,357.49 20 3 24,059.36 1.97% train Remote Low 1,177,260.33 22 3 27,255.36 2.32% train Remote Low 567,631.63 20 3 14,569.21 2.57% train Remote Low 1,059,977.22 30 3 20,257.34 1.91% train Remote High 1,426,212.38 33 3 32,946.95 2.31% train Remote Low 1,078,018.55 34 5 23,505.03 2.18% test 20,705.97 Good 2,799.07 11.91% Local Medium 1,642,148.81 23 4 36,936.45 2.25% train Remote Medium 568,875.01 27 3 13,280.77 2.33% train Local Medium 1,323,716.42 12 5 48,683.35 3.68% test 45,392.41 Good 3,290.94 6.76% Remote Low 1,242,074.92 22 3 28,755.92 2.32% train Remote Low 533,466.84 19 5 16,294.14 3.05% train Remote High 1,341,511.76 20 5 45,164.23 3.37% train
- 24. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto24 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPS PM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Remote Medium 1,190,106.86 17 3 35,236.50 2.96% train Remote Medium 1,639,194.71 12 4 66,842.72 4.08% train Local High 557,365.65 17 4 17,617.13 3.16% train Remote Low 840,319.07 15 4 28,757.59 3.42% test 29,966.92 Good -1,209.33 -4.21% Local Low 575,092.91 30 3 8,690.29 1.51% train Local Medium 865,197.22 19 3 20,370.08 2.35% train Local Low 1,283,649.31 21 4 28,077.28 2.19% train Local High 1,127,308.76 21 4 30,294.19 2.69% train Remote Low 863,172.40 15 5 30,402.85 3.52% train Local Medium 822,039.76 24 4 18,815.58 2.29% train Remote Low 562,812.48 15 4 19,260.69 3.42% train Local Low 502,502.19 24 4 10,496.71 2.09% test 11,330.66 Good -833.95 -7.94% Remote Low 518,239.43 34 5 11,817.89 2.28% train Local High 1,282,007.44 15 4 42,591.14 3.32% train Remote Medium 774,354.55 35 3 15,892.71 2.05% train Remote Low 589,499.15 21 4 16,431.12 2.79% test 16,242.83 Good 188.28 1.15% Remote Medium 1,682,541.00 24 3 40,194.04 2.39% train Local Medium 838,064.15 24 3 16,668.16 1.99% test 18,249.56 Good -1,581.39 -9.49% Remote Medium 1,197,097.75 15 3 38,573.15 3.22% train Local Low 673,022.37 15 3 17,648.14 2.62% train Local Medium 989,563.79 14 4 32,467.12 3.28% train Local Low 1,314,990.27 26 3 20,803.82 1.58% test 21,387.48 Good -583.66 -2.81% Local High 1,768,637.41 33 5 39,088.67 2.21% train Remote Medium 902,133.76 34 3 18,767.92 2.08% train Remote Medium 768,791.62 21 4 22,966.12 2.99% train Local Medium 834,143.17 21 3 18,245.23 2.19% train Local Low 1,721,279.85 20 3 33,851.84 1.97% train Remote Medium 649,359.38 28 4 16,821.50 2.59% test 14,796.02 Good 2,025.48 12.04% Remote Medium 1,292,141.59 30 5 32,447.11 2.51% train Local Medium 1,162,828.90 31 3 18,317.68 1.58% test 19,475.00 Good -1,157.31 -6.32% Remote Low 522,425.32 24 3 11,957.74 2.29% test 13,711.25 Good -1,753.51 -14.66% Remote Low 1,259,321.65 18 5 38,432.63 3.05% train Local High 753,129.64 34 3 14,161.79 1.88% test 14,469.25 Good -307.46 -2.17% Local High 1,591,469.31 13 4 58,313.07 3.66% train Local High 1,815,026.04 15 5 62,114.22 3.42% train Remote Medium 539,535.55 16 4 18,793.82 3.48% test 19,527.43 Good -733.61 -3.90% Remote Medium 1,012,917.15 17 3 29,990.29 2.96% train Local Low 1,191,074.21 24 3 20,115.92 1.69% train Remote Medium 1,242,927.66 25 3 29,001.65 2.33% train Local Low 866,382.17 26 3 14,572.99 1.68% train Remote High 1,809,778.83 14 3 66,617.10 3.68% train Local Low 1,200,895.52 19 4 28,273.72 2.35% train
- 25. ricardo-vargas.com 25 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPSPM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Remote High 664,897.90 21 3 19,862.51 2.99% train Remote Low 838,060.77 19 3 22,245.37 2.65% test 22,111.30 Good 134.06 0.60% Local High 708,604.12 15 3 22,124.20 3.12% train Remote High 721,495.49 21 5 24,439.23 3.39% test 22,337.15 Good 2,102.08 8.60% Local Medium 1,455,977.09 15 3 39,634.93 2.72% train Local Low 1,111,810.02 27 3 17,061.48 1.53% test 17,956.39 Good -894.91 -5.25% Remote Low 1,587,492.55 16 5 52,122.67 3.28% train Local Low 879,426.14 20 3 18,174.81 2.07% train Remote Low 814,569.24 24 3 18,644.58 2.29% train Remote Low 550,677.71 29 3 11,285.73 2.05% train Remote Low 654,244.47 28 3 13,676.82 2.09% train Local Medium 1,142,844.15 19 5 30,335.49 2.65% train Local Medium 873,476.34 21 3 19,105.56 2.19% train Remote Medium 554,435.96 13 3 20,315.10 3.66% train Local Medium 825,566.09 15 4 25,776.01 3.12% train Remote Low 633,649.59 26 3 13,826.56 2.18% train Remote High 587,307.33 20 4 19,772.68 3.37% train Remote Low 641,383.96 35 3 11,880.87 1.85% train Remote Medium 1,481,728.02 17 3 43,870.77 2.96% test 42,949.19 Good 921.58 2.10% Local Medium 1,007,413.35 34 5 18,943.32 1.88% train Local Medium 643,538.40 26 5 14,685.88 2.28% train Remote Low 1,827,161.32 16 3 52,683.15 2.88% train Remote Low 964,830.02 15 4 33,018.63 3.42% train Local Low 632,906.70 22 3 12,121.12 1.92% train Local Low 526,027.21 34 3 7,261.24 1.38% train Remote Medium 731,439.19 20 3 20,236.48 2.77% train Local Low 886,535.29 20 3 18,321.73 2.07% train Remote Medium 1,055,346.94 20 4 31,308.63 2.97% test 31,889.28 Good -580.66 -1.85% Local Low 1,248,941.20 33 3 16,362.39 1.31% train Local High 618,518.54 21 3 15,384.42 2.49% train Local Low 530,522.61 15 3 13,911.48 2.62% train Local Low 1,009,146.22 22 4 21,344.97 2.12% train Local High 1,021,674.63 27 3 20,786.66 2.03% train Remote Low 1,121,376.46 22 5 30,447.07 2.72% train Local Low 638,464.57 31 4 11,334.46 1.78% train Remote Medium 1,256,833.06 34 3 24,890.22 1.98% train Remote High 546,298.17 30 4 15,357.05 2.81% train Local Medium 987,396.42 15 3 27,866.52 2.82% test 26,778.88 Good 1,087.64 3.90% Remote Medium 1,046,307.06 21 5 31,256.35 2.99% train Local High 694,023.76 29 4 16,305.57 2.35% train Local Medium 1,234,868.04 27 5 26,359.10 2.13% train Local Medium 632,587.31 24 3 12,581.46 1.99% train
- 26. Aplicando Redes Neuraise Estimativa Análoga para Determinar o Orçamento do Projeto26 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPS PM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Remote High 1,366,884.27 21 4 43,566.72 3.19% train Remote Medium 869,516.65 12 3 33,717.92 3.88% test 34,888.20 Good -1,170.28 -3.47% Remote High 924,774.23 20 4 31,134.07 3.37% train Remote High 1,729,408.45 21 3 49,933.24 2.89% train Local Low 1,633,982.66 35 4 25,365.64 1.55% train Local Medium 814,029.10 15 4 25,415.80 3.12% train Local High 994,502.93 21 3 24,736.29 2.49% test 24,108.59 Good 627.70 2.54% Remote Low 573,443.71 23 3 13,471.77 2.35% train Local Medium 586,644.29 30 5 12,384.71 2.11% test 12,332.61 Good 52.10 0.42% Local Low 1,194,191.56 20 3 23,485.77 1.97% train Local Low 640,851.46 29 4 11,852.07 1.85% train Local High 653,026.72 15 3 20,388.95 3.12% train Remote Low 1,123,457.64 30 3 21,470.52 1.91% train Remote Medium 807,182.36 23 3 20,577.30 2.55% train Remote Low 1,367,692.12 17 4 41,862.11 3.06% train Local Low 573,685.93 27 4 11,098.34 1.93% train Local Medium 567,217.09 20 3 12,856.92 2.27% train Remote Medium 1,188,181.44 21 4 34,306.38 2.89% train Local Medium 552,218.25 12 3 18,652.71 3.38% train Local Medium 575,508.83 19 5 15,851.73 2.75% train Local Low 1,022,032.17 16 3 24,358.43 2.38% test 24,273.38 Good 85.06 0.35% Remote High 1,245,112.01 17 3 40,600.42 3.26% train Local Medium 764,762.97 35 3 11,872.03 1.55% test 12,294.49 Good -422.46 -3.56% Remote High 534,546.78 16 4 20,223.69 3.78% train Local Medium 934,959.92 19 5 25,752.40 2.75% train Local High 1,680,626.26 17 5 53,120.97 3.16% train Local Medium 1,072,671.58 24 4 23,479.59 2.19% train Remote High 1,556,942.09 17 3 50,768.52 3.26% test 52,653.72 Good -1,885.20 -3.71% Local Low 1,368,257.92 16 4 36,714.92 2.68% train Remote Low 551,086.24 20 3 14,144.55 2.57% train Local Medium 860,268.78 25 5 20,072.94 2.33% train Local High 584,003.61 16 4 19,174.79 3.28% train Remote Low 625,248.12 18 3 17,205.90 2.75% train Local Low 1,689,416.73 30 4 28,907.80 1.71% test 26,945.85 Good 1,961.94 6.79% Remote Medium 1,069,349.15 15 5 38,734.20 3.62% train Remote Low 627,751.93 15 4 21,483.07 3.42% test 20,197.79 Good 1,285.28 5.98% Local High 1,268,675.38 20 4 35,100.02 2.77% train Local High 1,547,340.00 27 5 37,671.04 2.43% train Local Medium 1,294,799.07 20 4 31,938.38 2.47% train Remote High 1,185,245.00 32 4 31,310.22 2.64% test 28,602.72 Good 2,707.50 8.65% Local Low 524,430.06 33 3 7,394.99 1.41% train Local Medium 663,249.69 28 5 14,528.33 2.19% train
- 27. ricardo-vargas.com 27 LOCA- TION COMPLE- XITY BUDGET DURA- TION RELE- VANT STAKE- HOLDER GROUPSPM COST % PM COST TAG USED TEST GOOD OR BAD RESIDUAL % Local Medium 1,653,133.09 15 4 49,961.36 3.02% train Local Medium 528,820.61 20 4 13,573.06 2.57% train Local Medium 519,719.13 30 3 8,892.97 1.71% train Remote Medium 743,037.32 33 5 18,650.99 2.51% train Remote Medium 856,258.79 24 3 21,311.33 2.49% test 21,521.34 Good -210.01 -0.99% Local High 620,702.06 31 4 14,122.64 2.28% train Remote Medium 1,284,054.66 24 4 34,526.80 2.69% test 33,189.13 Good 1,337.68 3.87% Remote Low 1,221,724.86 15 5 41,810.14 3.42% train Local Low 1,713,664.43 16 4 45,983.33 2.68% train Remote Medium 1,277,241.72 36 3 24,598.73 1.93% test 25,616.68 Good -1,017.95 -4.14% Remote Medium 1,376,535.12 15 3 44,355.02 3.22% train Local Medium 1,201,960.23 30 3 19,364.91 1.61% train Local Medium 1,048,096.64 16 4 30,220.12 2.88% train Local Medium 781,372.88 16 3 20,966.84 2.68% train Local Low 889,253.80 16 4 24,750.90 2.78% test 22,245.27 Good 2,505.62 10.12% Remote Low 635,992.33 32 5 14,892.82 2.34% test 13,943.56 Good 949.26 6.37% Local Low 510,489.36 31 4 9,062.56 1.78% train Local Medium 880,766.98 15 3 24,857.20 2.82% train Remote Medium 843,268.82 20 3 23,330.44 2.77% test 23,204.29 Good 126.15 0.54% Local High 1,296,821.96 23 5 34,356.38 2.65% train Local Medium 1,484,991.68 14 5 48,721.87 3.28% train Local Medium 1,273,825.30 24 3 24,061.14 1.89% train Local Low 1,066,325.50 20 3 20,971.07 1.97% train Remote Low 941,441.39 16 5 31,852.10 3.38% train Local Low 546,951.49 23 3 10,114.64 1.85% train Remote Low 661,069.81 20 4 18,950.67 2.87% train Local Medium 568,661.89 20 4 14,595.66 2.57% train Remote Low 1,240,392.01 16 3 35,764.64 2.88% train Remote Medium 1,474,071.34 34 4 33,614.61 2.28% train Remote High 504,448.03 31 3 12,486.44 2.48% train Remote Low 869,608.71 23 4 23,038.33 2.65% train Remote Medium 1,484,723.62 20 4 44,046.80 2.97% train Remote Low 568,098.78 22 3 13,720.45 2.42% train Remote High 809,584.87 21 5 27,423.08 3.39% test 28,005.36 Good -582.28 -2.12% Remote Medium 1,283,825.59 19 5 40,496.81 3.15% train Remote Low 568,442.98 34 3 10,688.96 1.88% test 11,691.38 Good -1,002.42 -9.38% Local Medium 543,071.16 17 5 16,079.17 2.96% train Remote Medium 1,206,922.14 20 3 32,184.59 2.67% train Local Low 1,565,873.75 23 5 33,654.94 2.15% train Remote Low 686,957.91 19 3 18,234.51 2.65% train