Escolar Documentos
Profissional Documentos
Cultura Documentos
Tradução Do Artigo
Tradução Do Artigo
Adoko
Trabalha atualmente na Nasa como Vice-chefe de conhecimento da NASA. Como sua Ele apóia
o engenheiro-chefe da Nasa e o diretor de conhecimento da agência
Resumo:
Introdução:
Este estudo foi projetado para desenvolver um modelo empírico para prever a probabilidade
de estouro de custos durante a implementação do projeto. Os dados de desempenho do
projeto sobre os principais drivers de desenvolvimento do sistema podem ser aproveitados
para percepções críticas sobre estouros de custo. Um uso inovador para os dados de
desempenho do projeto seria utilizá-los para prever a conformidade com as expectativas de
custo ou metas. Os autores usaram análise de regressão logística para desenvolver um modelo
que prevê a probabilidade de estouro de custos em projetos aeroespaciais e de defesa em
grande escala.
Assim, este estudo enfoca a capacidade do setor aeroespacial em grande escala e projetos de
defesa para prever sua conformidade com a métrica de estouro de custos Nunn McCurdy
instituída pelo governo dos EUA. O modelo preditivo proposto analisa o impacto do
desempenho do sistema, Nível de preparação da tecnologia (TRL), cronograma, risco e
confiabilidade nas diretrizes de estouro de custo significativo da Nunn-McCurdy.
O estudo apresentado neste artigo contribuirá para a conversa sobre estouros de custo
experimentados por projetos de desenvolvimento de sistemas complexos, para as análises em
andamento de fatores frequentemente apontados como causas do crescimento de custos e
para a discussão sobre estratégias para aquisição bem-sucedida de sistemas complexos
Além disso, pesquisas anteriores documentam claramente que os excessos de custo dos
chamados "megaprojetos" estão acontecendo em muitos países (Brady & Davies, 2014;
Flyvbjerg, 2014; Molloy & Chetty, 2015) e, portanto, não se restringem a projetos financiados
pelo governo nos Estados Unidos. Assim, os usuários em outros países também podem
aproveitar e adaptar nosso modelo preditivo para gerenciar desafios de estouro de custos. No
entanto, outras questões importantes projetos, como “fazer a inovação acontecer” (Davies,
MacAulay, DeBarro, & Thurston, 2014) ou “melhores estratégias de conhecimento” (Molloy &
Chetty, 2015; Turner et al., 2014) requerem medidas adicionais.
modelo preditivo de estouro de custo com base nos parâmetros de sucesso do projeto
estabelecidos e para descrever como nosso modelo foi desenvolvido. O artigo conclui com os
insights do estudo, incluindo a aplicação do modelo, contribuições para a pesquisa e a prática
e sugestões para estudos futuros.
Sistemas Complexos
Projeto de desenvolvimento
Fatores de Desempenho
Thamhain (2013) indica ainda que parte do desafio da avaliação do projeto é que os gerentes
de projeto e gerentes seniores muitas vezes discordam sobre as causas reais das deficiências
de desempenho do projeto. Pode-se argumentar que a avaliação do desempenho do projeto
não trata de medições de desempenho, mas sim de uma tentativa de usar as análises para
determinar as causas do estado atual e usar os indicadores de desempenho para informar as
decisões de gerenciamento do projeto, como conformidade de custos. A definição da medição
do sucesso do projeto é o assunto de um debate contínuo dentro da comunidade de
gerenciamento de projetos.
Nosso estudo segue trabalhos anteriores sobre avaliações de sucesso de projetos em geral e
projetos de desenvolvimento de sistemas complexos em particular. Conforme ilustrado por
meio da revisão da literatura, vários estudos e autores forneceram percepções sobre os
indicadores de desempenho do projeto e modelos para analisar os critérios de sucesso do
projeto (Gemuenden & Lechler, 1997; Gemünden, 2015; Meier, 2008; Serrador & Turner, 015;
Thamhain, 2013; Turner & Zolin, 2012). Nosso trabalho contribui para a discussão examinando
o impacto relativo de cinco parâmetros de sucesso estabelecidos em estouros de custo
significativos em projetos de desenvolvimento de sistemas complexos. O estudo fornece
insights sobre critérios de sucesso que são mais críticos para gerenciamento de estouro de
custos por meio do uso de um modelo desenvolvido empiricamente. O esforço contribui para a
busca de ferramentas eficazes e práticas inovadoras para enfrentar o desafio da superação de
custos. Outro benefício da investigação é a compreensão da relação entre os cinco parâmetros
usados por patrocinadores de projetos complexos como critérios de sucesso e o limite de
estouro de custo de Nunn-McCurdy. No restante deste artigo, os autores discutem
características de projetos de desenvolvimento de sistemas complexos; descrever o contexto
legislativo e da indústria, gerando a necessidade de modelo preditivo; definir o modelo
preditivo; e descrever seu desenvolvimento, aplicação e uso.
Mais importante ainda, os gerentes de projeto precisam verificar os fatores relevantes que, se
não controlados, podem resultar em estouros de custo. Projetos nesses setores enfrentaram
muitos estouros de custo nos últimos tempos (GAO, 2013) e, portanto, apresentam
oportunidades para investigar os indicadores de desempenho do projeto para as causas
relevantes. O aeroespacial e os setores de defesa representam domínios de produtos onde os
sistemas são caracterizados por altos níveis de complexidade e altos custos de
desenvolvimento. Por exemplo, os limites de custo do ciclo de vida dos sistemas de defesa
podem chegar a milhões de dólares (Departamento de Defesa dos EUA Selecionado
É ainda mais importante entender como esses parâmetros afetam ou impactam os excessos de
custo. Uma tentativa de modelar essas variáveis preditivas usando um grande conjunto de
dados de resultados de desempenho do projeto contribuirá para a discussão e fornecerá
informações valiosas para gerentes de projeto e engenheiros de sistema durante a
implementação do projeto.
o custo aumenta 15% ou mais em relação à linha de base atual ou 30% ou minério em relação
à linha de base original. Um estouro de custo crítico ocorre quando o custo de aquisição do
programa aumenta 25% ou mais em relação à estimativa da linha de base atual ou 50% ou
mais em relação à linha de base original (Schwartz, 2010).
A lei permitiu ao Congresso exercer supervisão eficaz sobre os excessos de custo de aquisição
do sistema DoD e outros esforços de desenvolvimento de sistema em grande escala do
governo, incluindo sistemas aeroespaciais complexos desenvolvidos pela NASA. Os autores
decidiram usar as estimativas de limite de estouro de custo significativo para seu modelo. Em
outras palavras, o modelo preditivo desenvolvido tem como objetivo orientar projetos para a
tomada de decisões que levariam a aumentos de custo de aquisição que não excedem 15% de
sua linha de base atual ou 30% de sua linha de base original. O limite de estouro de custo
significativo foi escolhido para a análise, porque projetos que evitam estouro de custo
significativo também evitam estouro de custo crítico.
Parâmetros e Avaliação
Critério
1 Performance de sistema: refere-se aos requisitos de desempenho técnico do sistema
de interesse, conforme refletido nos indicadores de estabilidade do projeto. A avaliação desta
variável é um indicador de se os critérios de estabilidade do projeto definidos, conforme
refletido nas informações de linha de base, foram "alcançados" ou "não alcançados". O GAO
usa a estabilidade do projeto como indicador da capacidade de um projeto para demonstrar
que é capaz de atender aos requisitos de desempenho do sistema (GAO, 2009, p. 7; GAO,
2010, p. 8) dentro do custo e do cronograma. Este estudo usa essa definição como base para a
avaliação dos parâmetros de desempenho do sistema e subsequente codificação. Embora o
design amadureça com o tempo, o GAO estabeleceu por meio de suas várias avaliações que os
projetos do DoD e da NASA que atenderam aos critérios de estabilidade de design conforme
definidos, alcançaram os requisitos de desempenho do sistema dentro de determinadas
restrições de custo e cronograma (GAO, 2010). A estabilidade do projeto pode melhorar com o
tempo e atender aos requisitos de desempenho do sistema, mas a que custo? O U.S.
Government Accountability Office (GAO, 2015) afirma que os projetos de aquisição de
sistemas complexos devem demonstrar que seus projetos de sistema atendem aos requisitos
de desempenho e podem ser produzidos dentro do custo e cronograma em níveis de
qualidade especificados. O design deve ser demonstrado para mostrar que funciona conforme
necessário por meio de testes realistas em nível de sistema antes de tomar decisões de
produção (GAO, 2015, p. 87). Em outras palavras, os projetos podem considerar a estabilidade
do projeto como um indicador de desempenho do sistema em uma determinada meta de
custo e cronograma. A escala utilizada para a pontuação e os critérios alavancados para as
avaliações são apresentados a seguir:
Escala: 0 ou 1:
Escala: 0 ou 1:
• Pontuação = 1: tecnologias críticas alcançaram maturidade TRL 6 pelo PDR ou antes de serem
integradas ao desenvolvimento de produto / sistema.
Escala: 0 ou 1:
cronograma.
Escala: 0 ou 1:
• Pontuação = 1: O projeto não tem nenhum dos seguintes: (1) problemas de design; (2) falhas
de teste de peças ou subsistema; e (3) problemas de teste e integração, conforme indicado
pela seção Atualização do Projeto do Relatório GAO anual intitulado Avaliações de Projetos
Selecionados de Grande Escala.
• Pontuação = 0: o critério acima não foi atendido.
Escala: 0 ou 1:
• Pontuação = 1: O projeto não tem nenhum dos seguintes: (1) gerenciamento de aquisição ou
problemas de desempenho do contratado; (2) questões técnicas ou de confiabilidade das
peças; (3) questões de parceiros externos; e (4) questões de financiamento conforme indicado
pela seção Atualização do Projeto do Relatório GAO anual intitulado Avaliações de Projetos
Selecionados de Grande Escala.
Para serem selecionados para inclusão em nosso conjunto de dados, os projetos foram
avaliados usando os seguintes critérios: (1) o projeto era de alto custo (ou seja, orçamento de
US $ 250 milhões ou mais) ?; (2) o projeto estava em fase de desenvolvimento (para projetos
DoD) ou em fase de implementação (para projetos da NASA) ?; e (3) os dados para todas as
cinco variáveis (ou seja, desempenho do sistema, TRL, risco, cronograma e confiabilidade)
estavam disponíveis para o projeto? A pesquisa começou com 38 projetos da NASA e 56 do
DoD. Três dos 38 projetos da NASA estavam em organização e, portanto, não atendiam aos
critérios para inclusão no conjunto de dados. Sete foram removidos do conjunto de dados
porque estavam faltando uma ou mais das variáveis críticas; portanto, um total de 28 projetos
da NASA foram incluídos no conjunto de dados para análise. Da mesma forma, 15 dos 56
projetos do DoD foram eliminados do conjunto de dados final porque estavam faltando uma
ou mais das variáveis críticas. Usando esses critérios, 69 projetos de desenvolvimento de
sistemas da NASA e DoD foram selecionados como a amostra para esta pesquisa, e seus
resultados de desempenho em termos de desempenho do sistema, TRL, confiabilidade, risco e
cronograma foram anotados e codificados para análise estatística.
Da mesma forma, havia critérios de avaliação para os outros parâmetros do modelo. Esses
critérios estabelecidos pelo GAO foram usados para avaliar o resultado de cada parâmetro
para todos os 69 projetos.
Também é importante observar que o método de pontuação binária tem limitações. As etapas
de preparação de dados, como o método de pontuação binária para análise estatística, podem
ser influenciadas por vieses (IBM, 2013) e ajustes de julgamento individual (Eroglu & Croxton,
2010). A fim de mitigar a possibilidade de viés de entrada, validamos as pontuações em relação
aos indicadores de resultados de desempenho do projeto documentados pelo GAO e
garantimos a consistência entre a estrutura de avaliação de critérios e a interpretação dos
resultados de desempenho para pontuação.
Uma gama de valores intermediários ou uma abordagem granular também poderia ter sido
usada para pontuar os resultados de desempenho; entretanto, este método exigirá um ponto
de linha de base para a faixa de valores e interpretações associadas. É importante notar que os
autores decidiram usar a escala binária principalmente porque ela corresponde às informações
originadas do GAO sendo analisadas (IBM, 2013, p. 55) e também para garantir a consistência
com a estrutura de avaliação de critérios do conjunto de dados GAO.
O Statistical Analysis System (SAS) versão 9.3 foi usado para conduzir a análise de regressão
logística no conjunto de dados. Uma validação cruzada de 10 vezes foi empregada para provar
que o modelo não foi super ajustado e que o modelo faria previsões precisas em novos
conjuntos de dados. Para executar a modelagem de validação cruzada de 10 vezes, o conjunto
de dados foi dividido aleatoriamente em 10 subgrupos. Uma abordagem iterativa foi então
empregada para ajustar o modelo a 9/10 dos elementos em cada um dos 10 subgrupos, cada
vez deixando 1/10 dos dados fora do esforço de construção do modelo. O modelo foi então
aplicado aos dados de teste de validação e probabilidades previstas das observações de teste
feitas. Depois de repetir o procedimento para todos os 10 subgrupos, a precisão do modelo e
as estatísticas de ajuste foram calculadas com base na área sob a curva Receiver Operating
Characteristic (ROC) gerada. Um ROC é um gráfico de sensibilidade contra 1-especificidade,
que descreve a significância estatística da capacidade do modelo de prever observações
futuras. O ROC também indica que o modelo não está sobreajustado. Para nossa pesquisa, a
área sob a curva ROC foi estimada em 0,7402% ou 74,02%.
Precisão do modelo
O processo de validação cruzada delineado deu uma avaliação mais precisa da capacidade do
modelo de prever resultados em novos conjuntos de dados, confirmando que o modelo não
foi superdimensionado. A fim de determinar a significância estatística da predição do modelo,
testes de sensibilidade e especificidade foram realizados para descartar cenários de predições
falso-negativas e falso-positivas. A sensibilidade é uma probabilidade calculada de que o teste
de um modelo estatístico resultará em positivo para uma estatística verdadeira, enquanto a
especificidade é a probabilidade calculada de que o teste do modelo produzirá negativo para
uma estatística verdadeira negativa.
Usando os valores de previsão de validação cruzada, uma regra de decisão de dois pontos de
corte foi adotada em que a taxa de falsos positivos (FPR) e a taxa de falsos negativos (FNR)
eram igualmente pequenas, o que corresponde à seleção de dois pontos de corte com valores
igualmente grandes de sensibilidade e especificidade. Um conceito estatístico de p-hat foi
empregado para apoiar a regra de decisão de dois pontos de corte. Um p-hat, neste contexto,
é definido como a proporção do tamanho total da amostra que é usada como representativa
da amostra em estudo; para nossa análise, os valores de p-hat são 0,6 e 0,4, respectivamente.
Portanto, nossos dois pontos de corte foram p-hat> 0,6 e p-hat <0,4, com valores de FPR e FNR
de 0,359 e 0,400, respectivamente. Os pontos de corte foram então usados para estabelecer o
força do modelo, incluindo previsões de falsos positivos e falsos negativos:
1. Sensibilidade (taxa positiva verdadeira): 60,0% dos casos de estouro de custo são
identificados corretamente como violação do requisito de estouro de custo significativo da
Nunn-McCurdy.
2. Especificidade (taxa negativa verdadeira): 64,1% dos projetos que não sofreram estouro de
custo significativo são corretamente identificados como atendendo ao requisito de estouro de
custo significativo da NunnMcCurdy.
3. Valor preditivo positivo (PPV): Cerca de 62,1% dos estouros de custo significativos previstos
são, na verdade, casos de estouro de custo significativo, uma condição da precisão do PPV.
4. Valor preditivo negativo (NPV): Aproximadamente 83,3% dos casos não previstos de estouro
de custo significativo, na verdade, não experimentaram um estouro de custo significativo, uma
condição de precisão do NPV.
A precisão da previsibilidade do modelo final foi de 62,1% para estouros de custo significativos
e 83,3% para estouros de custo não significativos, respectivamente, dentro dos limites
estatísticos descritos.
onde a resposta de estouro de custo é expressa como E (Log (pi / (1 - pi)). Os demais termos da
equação são:
µ = interceptar
Usando esta equação original e as estimativas na Tabela 2, uma expressão logit para o modelo
final é definida como:
Onde:
T = TRL (0/1)
Ri = Risco (0/1)
S = Cronograma (0/1)
Re = Confiabilidade (0/1)
Durante o processo de modelagem, todas as variáveis foram fatoradas na análise. * dod foi
usado como indicador para as variáveis do projeto de defesa. A Tabela 1 representa o
resultado da atividade de seleção de modelo inicial usando SAS 9.3.
• A interceptação é 0,4454.
• O coeficiente T é 3,1182.
• O coeficiente S é -2,6413.
• O coeficiente Re é -1,3014.
• O coeficiente T * P é -2,2134.
Achados Significativos
A Tabela 2, a saída do modelo final, mostra que os coeficientes para cronograma e
confiabilidade têm o maior impacto na diminuição da probabilidade de um estouro de custo
(ou seja, uma pontuação de 1 para essas variáveis levará a uma probabilidade menor de
estouro de custo). Na verdade, atingir tanto o cronograma quanto a condição de confiabilidade
conduzirá a probabilidade do modelo de estouro de custo para o nível mais baixo possível.
Um resultado curioso é o efeito reverso que a variável TRL tem sobre a probabilidade de
estouro de custos. A Tabela 2 também indica que quando o TRL é introduzido como uma
entrada variável “autônoma” com um valor de 1, isso fará com que a probabilidade de um
estouro de custo seja muito alta. Esta observação pode sugerir que ultrapassar com sucesso o
limite de TRL especificado por si só não é adequado para evitar um estouro de custo (isso pode
ser atribuído à natureza subjetiva do TRL), e que há uma necessidade de corroboração de
outros limites especificados, como confiabilidade, cronograma, ou desempenho conforme
indicado por seus valores variáveis. Esta observação é um bom assunto para trabalhos futuros.
O modelo gerou percepções estatísticas críticas sobre as previsões de estouro de custos. Uma
matriz de correlação de modelo foi gerada com base nos pontos de corte de 0,4 e 0,6. No
geral, o modelo é inconclusivo em 10 casos, prevê 29 casos como estouros de custo
significativos e mostra 30 casos como dentro do orçamento. Para os projetos aeroespaciais, o
modelo é inconclusivo em 7,14% dos casos, prevê 35,71% dos casos como estouro de custo
significativo e prevê 57,14% dos casos como nenhum resultado de estouro significativo. Para
os projetos de defesa, o modelo é inconclusivo em 19,51% dos casos, prevê 46,34% dos casos
como estouros de custo significativos e 34,15% dos casos como nenhum resultado de estouro
de custo significativo.
Portanto, o modelo prevê mais estouros de custo para os projetos de defesa do que para os
projetos aeroespaciais. Especificamente, o modelo prevê estouros de custo significativos de
aproximadamente 36% para a indústria aeroespacial projetos e 46% para projetos de defesa.
1. O conjunto de dados usado para a análise mostra que, em média, os projetos do DoD
experimentaram mais estouros de custo do que os projetos da NASA.
2. Havia um total de 41 projetos do DoD contra 28 projetos da NASA no conjunto de dados que
foi analisado. Essa diferença numérica também pode impactar a produção estatística.
Os coeficientes dos parâmetros do modelo e os odds ratios são indicadores usados para
demonstrar os impactos do regressor do modelo e as forças relativas de associação entre as
variáveis preditoras e a resposta desejada (Seibel, Mazzuchi, & Sarkani, 2006). Para esta
pesquisa, as estimativas dos coeficientes dos parâmetros foram obtidas a partir da expressão
logit do modelo. A seguir está uma interpretação resumida dos coeficientes dos parâmetros
obtidos a partir da regressão logística análise e o modelo final.
Para usar o modelo, os gerentes de projeto devem criar uma estrutura para pontuar o status
da linha de base de seus projetos. A análise deve começar com os indicadores de desempenho
do projeto de linha de base pontuados conforme descrito na seção Captura e codificação de
dados deste artigo. A próxima etapa é calcular a probabilidade de saída do modelo, inserindo
as entradas binárias correspondentes de 0 e 1 da pontuação na equação. Deve-se observar
que o modelo é baseado em dados de diferentes fases do ciclo de vida do programa. Isso
apresenta um desafio no que diz respeito a preencher o modelo para uso por projetos nos
estágios iniciais do ciclo de vida. No entanto, mesmo com observações parciais, a faixa de
produtos potenciais para o resto dos parâmetros pode ser calculada usando a estrutura de
estudo delineada para identificar a probabilidade de um estouro de custos. O modelo pode ser
aplicado em qualquer fase do ciclo de vida após o PDR. Os gerentes de projeto e engenheiros
de sistema podem usar a probabilidade de projeções de estouro de custos em qualquer fase
do ciclo de vida após o PDR para planejar ou redirecionar o foco nos principais fatores que
podem impactar os resultados dos custos. Os gerentes de projeto podem usar previsões do
modelo para se comunicar com as partes interessadas sobre suas projeções de estouro de
custos.
Uma saída de probabilidade do modelo maior ou igual a 0,6% ou 60% é uma forte indicação de
que o projeto que está sendo analisado violará o limite de estouro de custo significativo da
Nunn-McCurdy. Por outro lado, uma saída de probabilidade menor ou igual a 0,4% ou 40% é
uma forte indicação de que o projeto que está sendo analisado não violará o limite de estouro
de custo significativo da Nunn-McCurdy. Se a saída do modelo cair entre 0,4 (ou 40%) e 0,6 (ou
60%), há incerteza se o modelo pode prever com precisão o desempenho do projeto com
relação ao excesso de custo significativo de Nunn-McCurdy.
Além disso, os projetos na fase de formulação do ciclo de vida podem usar as previsões para
prever onde direcionar os esforços máximos a fim de evitar estouros de custo significativos. Os
projetos devem gerenciar ativamente as atividades de desenvolvimento de tecnologia para
garantir que, PDR suas tecnologias alcançaram TRL de 6 ou mais maturidade e fidelidade. No
entanto, esses esforços de maturação de tecnologia devem ser acompanhados por um foco
igual em metas de confiabilidade ou limites de desempenho do sistema. Além disso, os
esforços de engenharia devem ser estrategicamente monitorados e medidos para que pelo
menos 90% de todos os modelos de engenharia sejam concluídos pelo CDR, conforme
recomendado pelo GAO. Como uma ferramenta de comunicação, os resultados preditivos do
modelo também podem ser usados por projetos para informar seus patrocinadores, partes
interessadas e tomadores de decisão sobre os riscos em termos de desempenho do sistema,
maturidade da tecnologia, cronograma e problemas de confiabilidade que afetam os custos.
Consequentemente, o modelo pode ser usado como uma ferramenta de apoio à tomada de
decisões para cancelamento de projetos, ajustes e alocação de recursos.
Esta pesquisa foi projetada para desenvolver um modelo preditivo de estouro de custos para
projetos complexos de grande escala. O amplo contexto do tema e as limitações da
metodologia utilizada devem ser apontados:
Estrutura do modelo
Esta pesquisa foi conduzida dentro de uma estrutura limitada pelos seguintes fatores:
● 7. Fase do ciclo de vida - Os projetos que foram alavancados para a análise estavam na
fase de desenvolvimento (para os sistemas de defesa) e na fase de implementação
(para os sistemas aeroespaciais).
● 9. Tamanho dos dados - Sessenta e nove projetos diferentes que atenderam aos
critérios da pesquisa foram aproveitados para o estudo.
Conclusões
Este artigo discutiu um modelo preditivo de estouro de custo que foi desenvolvido usando
análise de regressão logística. O modelo foi baseado na análise de dados de 69 projetos de
desenvolvimento de sistemas complexos aeroespaciais e de defesa. Os dados foram
obtidos nas Avaliações do GAO dos EUA de Projetos Selecionados em Grande Escala. O
modelo final proposto consiste no desempenho do sistema e estabilidade do projeto,
maturidade da tecnologia ou nível de TRL, risco, cronograma e confiabilidade. O modelo
foi validado usando um método de validação cruzada de 10 vezes, incluindo o uso de
sensibilidade, especificidade e avaliações da curva ROC para verificar sua precisão de
predição. Essas etapas de validação e avaliação confirmaram que o modelo prevê com
precisão e é mais eficaz do que adivinhar dentro das restrições das estatísticas. O modelo
produziu valores preditivos positivos e negativos (PPV e NPV) de 62,1% e 83,3%,
respectivamente.
Desde 2009, o GAO, em seus relatórios de avaliação, tem consistentemente apontado que
a maturidade da tecnologia, a estabilidade do projeto e a complexidade da tecnologia de
herança são fatores críticos de desempenho do projeto do ponto de vista do cumprimento
do custo e do cronograma e recomendou um conjunto de melhores práticas para DoD e
NASA (GAO, 2009). O estudo identifica cronograma e confiabilidade, como a chave
determinantes de se um grande projeto de desenvolvimento de sistemas complexos
sofrerá ou não estouro de custos. O estudo indica que atingir os limites de cronograma e
confiabilidade levará a probabilidade de um estouro de custo ao nível mais baixo possível.
O resultado deste estudo concorda com a intenção geral das recomendações do GAO
sobre o desenvolvimento e aquisição de sistemas complexos (GAO, 2009).
A saída do modelo é interpretada observando o resultado da probabilidade da função do
modelo expressa como logit (pi) = 0,4454 + 3,1182T - 2,6413S - 1,3014Re - 2,2134 (T * P).
Um resultado de probabilidade maior que 0,6% ou 60% é uma forte indicação de que o
projeto em análise violará o limite de estouro de custo significativo da Nunn-McCurdy, ao
passo que um resultado de probabilidade menor que 0,40% ou 40% é um forte indicação
de que o projeto que está sendo analisado não violará o limite de estouro de custo
significativo da Nunn McCurdy. Se o resultado do modelo cair entre 0,4 (ou 40%) e 0,6 (ou
60%), há incerteza sobre o status final do projeto no que diz respeito à conformidade
significativa de estouro de custos de Nunn-McCurdy
Contribuições
Limitações
1. O GAO foi a única fonte explorada para os dados usados na análise. Os resultados
podem ter sido diferentes se os dados tivessem sido obtidos nos diferentes projetos
avaliados no estudo.
2. Os cinco parâmetros investigados neste estudo não são os únicos fatores que
podem impactar os resultados de desempenho do projeto e, subsequentemente, estouros
de custo.
Uma das principais descobertas deste estudo é que o TRL como uma entrada variável
“autônoma” na verdade aumenta a probabilidade de um estouro de custo, dentro dos limites
estatísticos dos dados. No entanto, quando o TRL é corroborado com outras variáveis - como
confiabilidade, cronograma ou desempenho - a interação resulta no efeito oposto ou um
cenário de menor probabilidade de estouro de custos. Trabalhos futuros também podem
incluir uma investigação sobre as especificidades desta dinâmica.
Reconhecimento
A análise de dados para este artigo foi gerada usando o software SAS 9.3. Copyright, SAS
Institute Inc. SAS e todos os outros nomes de produtos ou serviços SAS Institute Inc. são
marcas registradas ou marcas comerciais da SAS Institute Inc., Cary, NC, EUA.