Приветствую вас, уважаемые подписчики и читатели моего канала. Сегодня мы с вами поговорим о такой важной теме, как реализация проектов. Я, как человек, имеющий непосредственное отношение к IT сфере, делаю обзор реальных IT кейсов, но данная статья думаю будет полезна всем, кто планирует начать свое дело и хочет оценить возможные риски. Ведь любое дело, имеющее начало и конечную цель является проектом. Я постаралась дать обобщенное описание, без сильных углублений в заумные математические расчеты (кому они интересны?)), чтобы сформировать у вас принципиальное представление о проектных рисках на примере реального кейса.
Компания‑разработчик SaaS‑решений столкнулась с системной проблемой: 40 % IT‑проектов завершались с превышением сроков и бюджета. Для устранения потерь руководство поставило задачу — создать модель прогнозирования успешности проектов на ранних этапах (на стадии предпродажной подготовки).
Постановка задачи
Цель: разработать систему оценки рисков, позволяющую с точностью ≥ 85 % предсказывать:
· вероятность завершения в срок (Pсрок);
· вероятность соблюдения бюджета (Pбюджет);
· общий индекс успешности проекта (Iусп).
Критерии успешности модели:
· точность прогноза ≥ 85 %;
· интерпретируемость результатов для менеджеров;
· интеграция в существующий процесс планирования.
Методология
Для прогнозирования использовали комбинацию методов:
1. Статистический анализ исторических данных (50 завершённых проектов). Выборка признана репрезентативной на основании теста на статистическую мощность.
2. Машинное обучение (алгоритм Random Forest). Выбор обоснован:
- устойчивостью к переобучению;
- способностью работать с нелинейными зависимостями;
- интерпретируемостью важности признаков.
3. Экспертные оценки (опрос 15 тимлидов) для калибровки весовых коэффициентов.
Ключевые метрики для модели (нормализованные значения от 0 до 1):
· сложность требований (Sтреб);
· опыт команды (Eком);
· стабильность ТЗ (TТЗ);
· ресурсная обеспеченность (Rрес);
· внешние риски (Rвнеш).
Формула итогового индекса (веса нормированы, их сумма = 1):
Iусп=0,3⋅Sтреб+0,25⋅Eком+0,2⋅TТЗ+0,15⋅Rрес+0,1⋅Rвнеш
Реализация
Этап 1. Сбор и предобработка данных
Извлечены параметры 50 проектов:
· длительность (от 2 до 18 месяцев);
· бюджет (от 500 тыс. до 12 млн руб.);
· количество участников (3–25 человек);
· число изменений в ТЗ (0–17).
Пропуски в данных заполнялись медианой по группе аналогичных проектов.
Этап 2. Обучение модели
Данные разбили на:
· обучающую выборку (70 %);
· тестовую выборку (30 %).
Этап 3. Валидация
Проведена кросс‑проверка на 5 фолдах. Результаты:
· точность прогноза сроков: 87 %;
· точность прогноза бюджета: 84 %;
· F1‑мера: 0,86.
Результаты
Пример применения
Проект «Модуль аналитики» (старт — январь 2025).
Входные параметры:
· Sтреб=0,6 (средняя сложность);
· Eком=0,8 (опытная команда);
· TТЗ=0,4 (частые правки);
· Rрес=0,7 (достаточные ресурсы);
· Rвнеш=0,5 (умеренные риски).
Расчёт (с промежуточными шагами):
0,3⋅0,6=0,18;0,25⋅0,8=0,2;0,2⋅0,4=0,08;0,15⋅0,7=0,105;0,1⋅0,5=0,05;Iусп=0,18+0,2+0,08+0,105+0,05=0,615.
Прогноз:
· Pсрок=78%;
· Pбюджет=72%;
· статус: «Жёлтая зона» (повышенный риск).
Фактический итог (июль 2025):
· задержка на 3 недели;
· превышение бюджета на 8 %;
· проект завершён с доработками.
Прогноз подтвердился с погрешностью 6 %.
Выводы и рекомендации
Подтверждённые гипотезы:
1. Комбинация ML и экспертных оценок даёт точность выше 85 %.
2. Ключевые факторы риска — стабильность ТЗ и внешние условия.
3. Модель позволяет корректировать ресурсы на этапе планирования.
Ограничения модели:
· требует актуализации данных каждые 6 месяцев;
· низкая эффективность для инновационных проектов (R&D);
· зависимость от качества входных оценок;
· не учитывает кадровые риски (болезни, увольнения);
· чувствительна к смене технологического стека.
Рекомендации для внедрения:
1. Использовать модель на этапе предпродажной подготовки.
2. Задавать критические индикаторы риска при Iусп<0,6 («красная зона»).
3. Включать прогноз в отчётность для стейкхолдеров.
4. Переобучать модель раз в 6 месяцев на новых данных.
5. Добавлять в анализ качественные факторы (мотивация команды, репутация заказчика).
Итог:
Внедрение системы:
· снизило число провальных проектов на 25 % за 12 месяцев;
· сэкономило 1,2 млн руб. на 10 проектах;
· стало стандартом для оценки портфеля IT‑инициатив компании.
Модель доказала свою практическую ценность, но требует регулярного мониторинга и адаптации под изменяющиеся условия.