Projelerin Kazanılmış Değer Analizinde Yapay Sinir Ağlarıyla Bütünleşik Çok Değişkenli Kontrol Grafiklerinin Kullanımı

Abstract

Proje yönetimi kapsam, zaman ve maliyet kısıtları altında projelerin etkin ve verimli şekilde tamamlanmasını hedefleyen, sistematik ve veri odaklı bir yaklaşımdır. Özellikle karmaşıklık ve belirsizlik içeren projelerde, performansın izlenebilmesi ve kontrol dışı durumların zamanında tespit edilerek gerekli müdahalelerin yapılması başarılı bir proje yönetimi açısından için kritik öneme sahiptir. Bu doğrultuda yürütülen bu tez çalışması kapsamında otomotiv yan sanayii sektöründen alınan bir Ar-Ge projesi, uygulama projesi olarak değerlendirilmiştir. Projenin yönetiminde süre ve maliyet performans göstergelerinin birlikte izlenerek olası kontrol dışı durumların tespiti amacıyla yapay zeka destekli bir sistem geliştirilmesi amaçlanmaktadır. Çalışmanın ilk aşamasında projelerdeki performans göstergelerinin eş zamanlı analizi amacıyla kazanılmış değer analizi yöntemi kullanılmış ve süreçten elde edilen süre ve maliyet parametreleri çok değişkenli kontrol grafiklerinden Hotelling T2 kontrol grafiğiyle incelenmiştir. Çok değişkenli kontrol grafiklerinin kontrol dışılıkları tespit etme kabiliyetine karşın, bu kontrol dışılığın hangi parametreden kaynaklandığını belirleyebilmede yeterli olmadığı için makine öğrenmesi yöntemlerinden yapay sinir ağı yöntemi temelli bir sınıflandırma modeli tasarlanmıştır. Yapay sinir ağının eğitilebilmesi için öncelikle veri üretimi yapılmış ve ardından kontrol dışı durumların tespiti için ayrıştırma yöntemlerinden Mason, Young ve Tracey yöntemi kullanılmıştır. Tasarlanan modelin performansını artırabilmek için yapay sinir ağının yapısal ve eğitsel parametrelerinin optimizasyonunda Box-Behnken deney tasarımı yöntemi kullanılmıştır. Ardından uygulama projesinde farklı öğrenme algoritmaları ve veri sayılarıyla bu entegre sistem çalışılmış ve en uygun model mimarisi belirlenmiştir. Çalışma sonunda geliştirilen entegre model test edilmiş ve tahminleme doğruluğu gözlemlenmiştir. Elde edilen sonuçlar doğrultusunda, proje yönetiminde kontrol dışı durumları tespit edebilen ve bu durumların kaynağını doğru biçimde sınıflandırabilen, yapay zeka destekli entegre bir sistem geliştirilmiştir.Project management is a systematic and data-driven approach that aims to complete projects effectively and efficiently within scope, time and cost constraints. Especially in projects involving complexity and uncertainty, the ability to monitor performance and identify uncontrolled situations in a timely manner to take necessary actions is critical for successful project management. In this context, an R&D project from the automotive industry was evaluated as an application project within the scope of this thesis. The aim is to develop an artificial intelligence-supported system to monitor time and cost performance indicators simultaneously and identify potential uncontrolled situations in the management of the project. In the first phase of the study, the earned value analysis method was used to analyse performance indicators in projects simultaneously, and the time and cost parameters obtained from the process were examined using the Hotelling T2 control chart from multi-variable control charts. Despite the ability of multivariate control charts to detect out-of-control conditions, they are insufficient in determining which parameter is causing the out-of-control condition. Therefore, a classification model based on the artificial neural network method, one of the machine learning methods, was designed. To train the artificial neural network, data was first generated, and then the Mason, Young, and Tracey method, one of the separation methods, was used to detect out-of-control conditions. To improve the performance of the designed model, the Box-Behnken experimental design method was used to optimise the structural and training parameters of the artificial neural network. Subsequently, this integrated system was tested in the application project using different learning algorithms and data sets, and the most suitable model architecture was determined. At the end of the study, the developed integrated model was tested, and its prediction accuracy was observed. Based on the results obtained, an artificially intelligent integrated system capable of detecting uncontrolled situations in project management and accurately classifying their sources was developed.