Les apports de l’intelligence artificielle en gestion de projet
30/07/2019
6min
L’intelligence artificielle et gestion de projet est un sujet tendance depuis maintenant plusieurs années. Selon ses apôtres, l’intelligence artificielle pourrait avoir des conséquences sur de nombreux aspects de notre société.
Nous vous présentons dans cet article : « Project selection in project portfolio management: An artificial neural network model based on critical success factors » rédigé par Francesco Costantino, Giulio Di Gravio, Fabio Nonino trois chercheurs de l’université de Rome.
Intelligence artificielle et gestion de projet : contexte
Dans leur article “Project selection in project portfolio management: An artificial neural network model based on critical success factors”, les chercheurs de l’université de Rome proposent une approche innovante pour optimiser la gestion des portefeuilles de projets en s’appuyant sur l’intelligence artificielle.
Leur modèle utilise un réseau de neurones artificiels pour évaluer les projets en fonction de facteurs clés de succès, afin de sélectionner ceux qui contribueront le plus efficacement aux objectifs stratégiques de l’entreprise. Cette approche vise à maximiser les bénéfices au niveau du portefeuille global, tout en maîtrisant les risques.
Les auteurs soulignent l’importance d’une gestion de portefeuille efficace, qui englobe l’identification, l’évaluation, la priorisation, la sélection et l’autorisation des projets et programmes. L’allocation optimale des ressources limitées est un enjeu central pour concrétiser la stratégie d’entreprise.
Chez Blue Soft Consulting, nous partageons la conviction que l’intelligence artificielle peut considérablement renforcer les capacités de gestion de portefeuilles de projets. Nous accompagnons nos clients dans l’intégration de ces approches innovantes pour gagner en maturité et en performance.
En combinant l’expertise méthodologique de nos consultants et la puissance de l’IA, nous aidons les organisations à prendre des décisions éclairées pour prioriser leurs projets, optimiser leurs investissements et accélérer l’atteinte de leurs objectifs stratégiques. Notre accompagnement personnalisé vous permettra de tirer le meilleur parti de ces avancées pour transformer votre gestion de portefeuilles.
Mise en relation de la complexité du projet et des différentes sources de risques pouvant influencer sa réussite
- indétermination, ambiguïté ou mauvaise définition des cibles ;
- peu ou aucune mesure des cibles et, par conséquent, une faible capacité à évaluer la performance ;
- l’inadéquate affectation des ressources, c’est-à-dire des ressources adéquates, mais mal gérées ou insuffisantes en raison d’une mauvaise estimation ;
- une identification incorrecte et non détaillée de toutes les exigences du client ou de l’entreprise ;
- des marchés et des industries en rapide évolution avec un besoin continu de réajustement et de replanification des objectifs ;
- une planification inexacte ou des erreurs dans la mise en œuvre des processus de gestion de projet.
Il est nécessaire d’avoir une bonne vision de ces menaces et opportunités pour évaluer un projet et prendre la décision ou non de le lancer. Les auteurs s’inscrivent alors dans une logique de réduction des risques et d’optimisation de cette réduction. Ils présentent plusieurs méthodologies mobilisées afin de circonscrire les risques en fiabilisant la méthode de sélection des projets.
Deux grandes tendances existent : les modèles financiers et les non-financiers. Et ces modèles vont de l’analyse coûts-avantages selon un critère unique aux méthodes de notation et de classement multicritères ou aux méthodes subjectives d’évaluation par un comité. Des chercheurs emploient même des algorithmes issus de la génétique ou des modèles aléatoires (fuzzy decision). A partir de ces travaux, les trois chercheurs proposent de mobiliser les réseaux de neurones, une technique d’apprentissage profonde, afin de l’appliquer à la sélection des projets du portefeuille.
Il est alors nécessaire de définir les critères sur lesquels nous allons évaluer les projets et posséder des données pour entraîner l’algorithme. Ils proposent une liste comprenant des éléments organisationnels (exemple le type de structure), la taille du projet, le secteur industriel ou encore des facteurs corrélés aux parties prenantes ou au stade du projet.
Pour mener à bien cette recherche, Costantino et ses collègues appliquent leur approche à une grande entreprise italienne. Après avoir présenté leur algorithme (en particulier le nombre de neurones et la profondeur de l’apprentissage), ils reviennent sur les résultats de leur étude.
Le réseau de neurones se base sur la classification des projets, en identifiant leur degré de succès en fonction d’une évaluation précoce des facteurs clés de succès (qui seront mis à jour en fonction des résultats du modèle). Une application à 30 projets a permis de tester la meilleure configuration démontrant une performance satisfaisante.
La meilleure configuration d’après Costantino
Figure 1 : fonctionnement du modèle proposé appliqué à la gestion de portefeuille et de projet avec l’intelligence artificielle– Costantino et al. (2015)
S’inscrivant dans une logique de boucle rétroactive, le modèle se met à jour en permanence afin d’intégrer de nouveaux paramètres si besoin et sert à l’évaluation précoces des projets de sorte à améliorer la performance globale du portefeuille, notamment avec l’intégration de l’intelligence artificielle.
Si un premier constat est la faible différence des résultats obtenus entre l’algorithme et les experts projets, plus l’algorithme sera appliqué et plus les critères de succès favorables à la réussite des projets dans l’organisation devraient s’affiner jusqu’à réussir à sélectionner majoritairement les meilleurs projets.
Cet article et l’approche proposée (dont les résultats ne sont pas généralisables) illustrent une approche innovante mobilisant les technologies liées à l’intelligence artificielle afin d’aider à la décision dans une logique de portefeuille projet. S’ils restent pionniers sur le sujet, la question va se poser de plus en plus, au rythme des progrès réalisés dans le domaine de l’intelligence artificielle.
Intelligence artificielle et gestion de projet : bibliographie indicative
Cooke-Davies, T., 2002. The “real” success factors on projects. Int. J. Proj. Manag. 20, 185–190. http://dx.doi.org/10.1016/S0263-7863(01)00067-9
Dutra, C.C., Ribeiro, J.L.D., de Carvalho, M.M., 2014. An economic–probabilistic model for project selection and prioritization. Int. J. Proj. Manag. 32, 1042–1055. http://dx.doi.org/10.1016/j.ijproman.2013.12.004
Ghapanchi, A.H., Tavana, M., Khakbaz, M.H., Low, G., 2012. A methodology for selecting portfolios of projects with interactions and under uncertainty. Int. J. Proj. Manag. 30, 791–803. http://dx.doi.org/10.1016/j.ijproman.2012.01.012
Lin, C., Hsieh, P.-J., 2004. A fuzzy decision support system for strategic portfolio management. Decis. Support. Syst. 38, 383–398. http://dx.doi.org/10.1016/S0167-9236(03)00118-0
Wang, Y.-R., Yu, C.-Y., Chan, H.-H., 2012. Predicting construction cost and schedule success using artificial neural networks ensemble and support vector machines classification models. Int. J. Proj. Manag. http://dx.doi.org/10.1016/j.ijproman.2011.09.002
