Прогнозирование успешности проектов на основе анализа структурных характеристик коммуникационных сетей

В статье представлена методика прогнозирования успешности проектных инициатив на основе анализа структурных характеристик коммуникационных сетей проектных команд. Исследование базируется на данных из систем трекинга задач (Jira, Trello), отражающих формальные взаимодействия участников проекта.

Методология исследования включает комплекс аналитических инструментов: корреляционный анализ с применением коэффициентов Спирмена и Пирсона, регрессионное моделирование на основе алгоритма Random Forest, а также методы обнаружения аномалий с использованием Isolation Forest. Исследование показало статистически значимые взаимосвязи между ключевыми сетевыми метриками (betweenness centrality, плотность сети, диаметр графа) и показателями эффективности проектов (соблюдение сроков, бюджета, качество результатов). Выявлена статистически значимая отрицательная корреляция между избыточной централизацией и соблюдением сроков (ρ = — 0,72), а также положительная взаимосвязь между плотностью сети и качеством результатов (r = 0,68).

Разработанная модель на основе Random Forest демонстрирует точность прогнозирования успешности проектов на уровне 84%. Установлено, что избыточная централизация коммуникаций снижает вероятность успешной реализации проекта, тогда как оптимальная плотность коммуникационной сети способствует достижению проектных KPI.

Практическая значимость исследования заключается в возможности раннего выявления рисков срыва проектов на основе объективных метрик коммуникационной активности. Разработанная методика, апробированная на данных IT-компании, позволяет не только прогнозировать риски, но и формировать рекомендации по оптимизации командных взаимодействий. Результаты исследования представляют интерес для проектных менеджеров, HR-аналитиков и специалистов по data-driven управлению.

1. Кон М. Agile: Оценка и планирование проектов. Пер. с англ. М.: Альпина Паблишер; 2022. 418 с. URL: https://stroki.mts.ru/book/agile-otsenka-i-planirovaniye-proyektov-1759?ysclid=mdhbufcngh64422956

2. Durland M., Fredericks K. An Introduction to Social Network Analysis. New Directions for Evaluation. 2006;2005(107):5–13. DOI: 10.1002/ev.157

3. Otte E., Rousseau R. Social network analysis: A powerful strategy, also for the information sciences. Journal of Information Science. 2002;28(6):441–453. DOI: 10.1177/016555150202800601

4. Krackhardt D., Hanson J. R. Informal networks: The company behind the charts. Harvard Business Review. 2000;78(4):104–11. URL: https://www.researchgate.net/publication/40961009_Informal_Networks_the_Company_behind_the_Charts

5. Pryke S. D. Towrds a social network theory of project governance. Construction Management and Economics. 2005;23(9):927–939. DOI: 10.1080/01446190500184196

6. Chinowsky P., Diekmann J. and Galotti V. Social network model of construction. Journal of Construction Engineering and Management. 2008;134(10). DOI: 10.1061/(ASCE)0733-9364(2008)134:10(804)

7. Титов С.А. Исследование взаимосвязи структуры внутрипроектных коммуникаций и результативности инновационных проектов с помощью анализа социальных сетей. Cloud of Science. 2014;1(4):665–695. URL: https://www.elibrary.ru/thbiwr

8. Плохов Д. В. и др. Методика оценки влияния социальных коммуникаций на результативность инновационного проекта. Cloud of Science. 2016;3(3). URL: https://www.researchgate.net/publication/309788251_Metodika_ocenki_vliania_socialnyh_kommunikacij_na_rezultativnost_innovacionnogo_proekta

9. Ilin I., Voronova O., Pavlov D. et al. System of project management at a medical hub as an instrument for implementation of open innovation. Systems. 2023;11(4):182. DOI: 10.3390/systems11040182

10. Павлов Д.А., Кирий А.В. Методика мониторинга и контроля инновационных проектов методами анализа социальных сетей. Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2021;166:169–181. DOI: 10.21515/1990-4665-166-015

11. Павлов Д.А., Кирий А.В. Разработка комплекса проблемно-ориентированных программ для решения проблем сетевого распределения производственных задач. Труды Кубанского государственного аграрного университета. 2020;86:26–30. URL: http://opac.skunb.ru/index.php?url=/notices/index/IdNotice:1396389/Source:default&ysclid=mdhdf669fe544643381#

12. Рашка С., Мирджалили В. Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2. 3-е изд. Пер. с англ. СПб.: Диалектика; 2020. 848 с. URL: https://www.williamspublishing.com/Books/978-5-907203-57-0.html

13. Павлов Д.А., Кирий А. В. Прогнозирование успешности выполнения ИТ-проектов. Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2024;203:505-514. DOI: 10.21515/1990-4665-203-045