Aprendizaje automático para la predicción de plazos en proyectos aeroespaciales

Abstract

[Resumen] La gestión de plazos en proyectos de ingeniería industrial constituye un reto persistente, especialmente en sectores como el aeroespacial, donde los proyectos pueden extenderse durante varios años, involucrar múltiples disciplinas técnicas y estar sujetos a compromisos contractuales estrictos. En este contexto, las fechas planificadas inicialmente pueden quedar desalineadas respecto a la evolución real del proyecto, generando desviaciones de varios meses o incluso superiores al año. Este trabajo presenta un sistema de aprendizaje automático diseñado para estimar los días calendario reales restantes hasta el cierre de un tramo contractual, entendido como una fase o unidad de seguimiento dentro de un proyecto. La propuesta principal se basa en observaciones temporales o snapshots, cada una de las cuales representa el estado de un tramo contractual en una fecha concreta. A partir de datos históricos y confidenciales de una empresa del sector aeroespacial, se construyó un conjunto de 9.666 snapshots anuales. Sobre este conjunto se entrenó un modelo XGBoost de regresión cuantil orientado a estimar la mediana condicional del plazo restante. En la evaluación principal, realizada mediante validación cruzada agrupada por proyecto para evitar que observaciones de un mismo proyecto aparezcan simultáneamente en entrenamiento y prueba, el modelo redujo el error absoluto medio de la línea de base contractual en un 49,6%. Además del modelo principal de predicción de días con granularidad anual, se desarrollaron dos variantes complementarias: una basada en seguimiento mensual continuo y otra orientada a la predicción del esfuerzo restante en horas. Estas variantes permiten analizar la adaptabilidad del flujo de trabajo ante distintas granularidades temporales y distintas variables objetivo, aunque la propuesta de referencia de la memoria sigue siendo el modelo anual de predicción de días por su mayor viabilidad operativa. El sistema propuesto no pretende sustituir al gestor o planificador, sino complementar la planificación contractual mediante una estimación predictiva actualizada. Para ello, aprende patrones históricos de desviación respecto a la línea de base contractual e incorpora información sobre avance, esfuerzo, complejidad organizativa y renegociaciones. La solución se completa con herramientas de interpretabilidad y con bandas de predicción calibradas empíricamente, de forma que cada estimación pueda acompañarse de una medida de incertidumbre.[Abstract] Deadline management in industrial engineering projects remains a persistent challenge, especially in sectors such as aerospace, where projects may span several years, involve multiple technical disciplines and be subject to strict contractual commitments. In this context, initially planned dates may become misaligned with the actual evolution of the project, producing deviations of several months or even more than one year. This work presents a machine learning system designed to estimate the real remaining calendar days until the completion of a contractual phase, understood as a monitoring unit within a project. The main proposal is based on temporal observations or snapshots, each representing the state of a contractual phase at a specific date. Using confidential historical data from an aerospace company, a dataset of 9,666 annual snapshots was constructed. An XGBoost quantile regression model was then trained to estimate the conditional median of the remaining duration. In the main evaluation, performed through Project grouped cross-validation to prevent observations from the same Project from appearing simultaneously in training and test sets, the model reduced the mean absolute error of the contractual baseline by 49.6%. In addition to the main annual days prediction model, two complementary variants were developed: one based on continuous monthly tracking and another focused on predicting remaining effort in hours. These variants make it possible to analyse the adaptability of the workflow to different temporal granularities and target variables, although the annual days model remains the reference proposal of this thesis due to its greater operational viability. The proposed system does not aim to replace the project manager or planner, but rather to complement contractual planning through an updated predictive estimate. To this end, it learns historical deviation patterns with respect to the contractual baseline and incorporates information about progress, effort, organisational complexity and renegotiations. The solution is complemented by interpretability tools and empirically calibrated prediction bands, so that each estimate can be accompanied by a measure of uncertainty.