Inteligencia Artificial para líderes de proyectos: anticipando retrasos en construcción

Resumen

Los retrasos en proyectos de construcción representan una de las principales causas de sobrecostos y falta de confianza en las empresas del sector, lo que afecta especialmente a las micro, pequeñas y medianas empresas (MiPymes), que enfrentan condiciones de planificación más frágiles y un reducido acceso a herramientas de analítica predictiva. Este estudio propone una metodología basada en el modelo CRISP-DM para anticipar retrasos mediante técnicas de aprendizaje automático supervisadas, como Bosques Aleatorios, Máquinas de Soporte Vectorial, Redes Neuronales, y no supervisadas, como Agrupamiento Jerárquico, utilizando un conjunto de datos sintético que simula las condiciones de proyectos de construcción, y se evaluaron diferentes estrategias para definir umbrales para clasificar el retraso. Los resultados muestran que los enfoques híbridos logran un mejor desempeño que la definición de umbrales fijos, al alcanzar altos niveles de precisión (97%) y revelar patrones latentes, como los “pequeños proyectos con grandes retrasos”, que evidencian la vulnerabilidad de obras de menor escala ante incumplimientos de plazo. La metodología desarrollada muestra que, con pocas variables, como área, duración y precio por metro cuadrado, los líderes de proyectos de las MiPymes pueden implementar modelos predictivos replicables que fortalecen la planificación y la toma de decisiones.