Tóm tắt Luận án Tiến sĩ Kỹ thuật phần mềm: Phương pháp quản trị giá trị thu được và ứng dụng trong quản lý dự án phần mềm

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:28

Thêm vào BST

Báo xấu

3
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Kỹ thuật phần mềm "Phương pháp quản trị giá trị thu được và ứng dụng trong quản lý dự án phần mềm" được nghiên cứu với mục tiêu: Tìm hiểu về quản lý dự án, các phương pháp để dự đoán mức độ hoàn thành dự án dựa trên các chỉ số quản trị giá trị thu được; Đề xuất một số phương pháp để nâng cao chất lượng dự đoán chi phí và thời gian hoàn thành dự án; Thực hiện việc thử nghiệm và đánh giá đối với mô hình.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật phần mềm: Phương pháp quản trị giá trị thu được và ứng dụng trong quản lý dự án phần mềm

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC BÁCH KHOA HÀ NỘI Lê Thế Anh PHƯƠNG PHÁP QUẢN TRỊ GIÁ TRỊ THU ĐƯỢC VÀ ỨNG DỤNG TRONG QUẢN LÝ DỰ ÁN PHẦN MỀM Ngành: Kỹ thuật phần mềm Mã số: 9480103 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT PHẦN MỀM Hà Nội – 2024
Công trình được hoàn thành tại: Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: 1. TS. Nguyễn Thanh Hùng. 2. TS. Trịnh Anh Phúc. Phản biện 1: Phản biện 2: Phản biện 3: Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Đại học Bách khoa Hà Nội họp tại Đại học Bách khoa Hà Nội Vào hồi …….. giờ, ngày ….. tháng ….. năm ……… Có thể tìm hiểu luận án tại thư viện: 1. Thư viện Tạ Quang Bửu – Đại học Bách khoa Hà Nội 2. Thư viện Quốc gia Việt Nam
MỞ ĐẦU 1. Lý do chọn đề tài Trên thế giới, hiện có khoảng nửa triệu người quản lý dự án thực hiện khoảng một triệu dự án phần mềm mỗi năm, sản xuất phần mềm trị giá trên 600 tỷ USD. Nhiều dự án trong số này có chất lượng không như kỳ vọng của khách hàng hoặc không cung cấp các phần mềm trong phạm vi ngân sách và thời gian hoàn thành. Theo báo cáo CHAOS 2020 của tổ chức Standish Group International cho thấy tỷ lệ thành công của dự án phần mềm là 31%, dự án thất bại một phần là 50% và thất bại hoàn toàn là 19% [1]. Một nghiên cứu đã cho thấy khoảng một phần ba các dự án có chi phí và thời gian hoàn thành vượt hơn 125% [2] so với kế hoạch. Có rất nhiều lý do làm cho dự án phần mềm thất bại, một trong những lý do quan trọng nhất là quản lý dự án không phù hợp. Ví dụ, các lý do chính làm cho dự án chệch ra khỏi tầm kiểm soát là: (1) mục tiêu không rõ ràng, (2) lập kế hoạch tồi, (3) công nghệ mới, (4) thiếu một phương pháp quản lý dự án và (5) không đủ nhân sự [3]. Ít nhất ba trong năm lý do này rõ ràng liên quan đến quản lý dự án. Hai lý do còn lại: không đủ nhân sự và công nghệ mới, có thể được coi như những rủi ro mà để quản lý chúng cũng là một phần của quản lý dự án. Để thoát khỏi tình trạng này người quản lý dự án phải biết cách quản lý dự án cho thật hiệu quả mà một trong số đó chính là việc áp dụng các công cụ để dự đoán chi phí và thời gian tại thời điểm hoàn thành dự án (EAC) tại bất kỳ thời điểm nào của quá trình thực hiện dự án. Công nghệ phần mềm hướng giá trị là một phương pháp tiếp cận trong quá trình phát triển phần mềm, tập trung vào việc tạo ra giá trị cho khách hàng và người dùng cuối. Phương pháp này đặt sự chú trọng vào việc hiểu và đáp ứng nhu cầu thực sự của khách hàng, từ đó xác định và ưu tiên các tính năng và chức năng của phần mềm để cung cấp giá trị tối đa cho họ [4]. Quản trị giá trị thu được (Earned Value Management - EVM) [5], [6] là một trong những phương pháp nổi tiếng để kiểm soát thời gian và chi phí của một dự án. Phương pháp này được sử dụng từ những năm 1960 khi Bộ Quốc phòng Hoa kỳ đề xuất một phương pháp chuẩn để đo lường hiệu suất của một dự án. Phương pháp này dựa trên một tập hợp các chỉ số để đo lường và đánh giá tình trạng tổng thể của dự án, giúp cảnh báo sớm cho người quản trị dự án về các vấn đề tiềm ẩn. Tuy nhiên, phương pháp này cũng có một số hạn chế như: (1) chỉ dựa vào các chi phí đã phát sinh, (2) dự đoán thiếu độ tin cậy trong giai đoạn sớm của dự án và (3) không tính đến các dữ liệu dự báo [7]. Trang 1
Ba hạn chế nêu trên là lý do chính dẫn đến việc cần phát triển các phương pháp mới. Một trong các phương pháp đó là sử dụng phân tích hồi quy tuyến tính hoặc phi tuyến để xây dựng các mô hình hồi quy, còn được gọi là các mô hình tăng trưởng (Growth Models - GM) [7]. Đã có các công trình sử dụng phương pháp EVM hoặc GM trong việc dự đoán giá trị EAC [8], [9], [10] tuy nhiên hầu như rất ít công trình đề cập đến việc kết hợp hai phương pháp này trong việc nâng cao tính chính xác của việc dự đoán chi phí và thời gian hoàn thành dự án. Hiện nay, trí tuệ nhân tạo rất phát triển và được ứng dụng trong mọi lĩnh vực đời sống. Học máy là một nhánh cụ thể của trí tuệ nhân tạo và được ứng dụng nhiều trong phân tích dữ liệu lớn để phân loại, dự đoán và khai thác thông tin chi tiết. Trong các nghiên cứu [11], [12], [13] các tác giả đã sử dụng các phương pháp học máy như: mạng nơ-ron nhân tạo, mô hình logic mờ, lý luận dựa trên trường hợp, phân tích hồi quy bội, mô hình mờ di truyền, mô hình lai để giải quyết các vấn đề khác nhau trong quản lý dự án. Các tác giả đã nghiên cứu và đề xuất sử dụng một số thuật toán học máy như: LSTM, XGBoost (Extreme Gradient Boosting), LightGBM để giải quyết bài toán dự đoán thời gian và kinh phí để hoàn thành dự án. Đây là những thuật toán học có giám sát (supervised learning) cho độ chính xác khá cao, bên cạnh các mô hình Deep Learning hiện đang rất phổ biến. Xuất phát từ những phân tích ở trên, tôi chọn đề tài "Phương pháp quản trị giá trị thu được và ứng dụng trong quản lý dự án phần mềm" làm luận án. 2. Mục tiêu nghiên cứu Mục tiêu chung: Đề tài thực hiện nghiên cứu các phương pháp dự đoán chi phí hoàn thành dự án và thời gian hoàn thành dự án theo kỹ thuật quản trị giá trị thu được để nâng cao hiệu quả quản lý các dự án phần mềm dựa trên công nghệ phần mềm hướng giá trị. Mục tiêu cụ thể: - Tìm hiểu về quản lý dự án, các phương pháp để dự đoán mức độ hoàn thành dự án dựa trên các chỉ số quản trị giá trị thu được; - Đề xuất một số phương pháp để nâng cao chất lượng dự đoán chi phí và thời gian hoàn thành dự án; - Thực hiện việc thử nghiệm và đánh giá đối với mô hình. Vì vậy, trên cơ sở có nhiều năm hoạt động trong lĩnh vực Công nghệ phần mềm cũng như Quản lý dự án, người thực hiện đề tài mong muốn góp phần làm phong phú thêm các nghiên cứu về lĩnh vực này, cũng như mong muốn có thể thiết kế một phương pháp luận rõ ràng hơn, cụ thể bằng một giải pháp phần mềm để dự đoán chi phí và thời gian hoàn thành dự án, giúp ích cho Trang 2
quá trình trợ giúp việc ra quyết định trong quản lý dự án, nhằm nâng cao chất lượng dự án. 3. Nhiệm vụ nghiên cứu Với mục tiêu đặt ra ở trên, nhiệm vụ nghiên cứu của đề tài bao gồm: - Tìm hiểu, phân tích, tổng hợp hiện trạng nghiên cứu và các công trình đã xuất bản liên quan đến phương pháp quản trị giá trị thu được trong quản lý dự án. - Đề xuất cải tiến phương pháp kết hợp mô hình tăng trưởng với kỹ thuật quản trị giá trị thu được. - Đề xuất các thuật toán học máy trên các chỉ số quản trị giá trị thu được để giải quyết bài toán dự đoán chi phí và thời gian hoàn thành dự án phần mềm. - Thử nghiệm đối với các dự án thực tế. 4. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu của đề tài: - Quản lý dự án phần mềm. - Các mô hình tăng trưởng: Gompertz, Logistic, Bass, Weibull... - Các thuật toán học máy Mạng nơ ron nhân tạo LSTM, XGBoost, LightGBM. - Các chỉ số quản trị giá trị thu được: PV, EV, AC, ES, SCI, SPI, CPI... - Dự đoán tại thời điểm hoàn thành (chi phí và thời gian) của một dự án phần mềm (EAC, EAC(t)). - Các độ đo mức độ chính xác của việc dự đoán: PE, MAPE. - Phạm vi nghiên cứu của đề tài: - Nghiên cứu thực nghiệm trên một số dự án phần mềm thực tế tại các công ty phần mềm Việt Nam. - Nghiên cứu thực nghiệm trên một số dự án thực tế được công bố trên thế giới. 5. Phương pháp nghiên cứu Phương pháp lý thuyết Nghiên cứu sinh sử dụng phương pháp này vào trong các nghiên cứu về: - Nghiên cứu về quản lý dự án; - Nghiên cứu về các mô hình mô hình tăng trưởng; - Nghiên cứu về các phương pháp học máy; - Phân tích, so sánh điểm yếu điểm mạnh của các nghiên cứu hiện tại gần với hướng nghiên cứu của luận án bao gồm các nội dung: quản trị giá trị thu được, mô hình tăng trưởng, các phương pháp học máy; - Chứng minh khả năng áp dụng được các kỹ thuật học máy hiện đại giải quyết bài toán dự đoán chi phí và thời gian hoàn thành dự án. Trang 3
Các phương pháp trên cho phép tổng quan các kết quả nghiên cứu, hệ thống hóa lý thuyết có liên quan đến xây dựng cơ sở lý luận của đề tài. Phương pháp thực nghiệm Tiến hành kiểm chứng tính khả thi của các phương pháp đề xuất trong luận án bằng việc áp dụng vào các dự án thực tế về lĩnh vực đầu tư công nghệ thông tin trong một số đơn vị, doanh nghiệp khác nhau, với các loại dự án khác nhau. Sử dụng một số công cụ và thuật toán tiêu biểu để kiểm chứng, đánh giá và so sánh tính hiệu quả giữa chúng. 6. Ý nghĩa khoa học và thực tiễn của đề tài Ý nghĩa khoa học Đề tài của luận án phân tích và hệ thống hóa các phương pháp dự đoán chi phí và thời gian hoàn thành dự án trong quản lý dự án phần mềm. Đồng thời, luận án đã góp phần bổ sung, làm phong phú cơ sở lý luận khoa học trong việc cải tiến các phương pháp dự đoán và đề xuất áp dụng một số phương pháp mới trong dự đoán mức độ hoàn thành dự án. Ý nghĩa thực tiễn Kết quả nghiên cứu là tài liệu có giá trị tham khảo trong hoạt động thực tiễn của các đơn vị, doanh nghiệp trong quản lý dự án phần mềm. Kết quả nghiên cứu cũng đồng thời đề xuất các phương pháp cải tiến chất lượng dự đoán chi phí và thời gian hoàn thành dự án, cung cấp công cụ hỗ trợ ra quyết định, giúp nâng cao chất lượng của quản lý dự án. 7. Các kết quả mới đạt được Những đóng góp mới của nghiên cứu bao gồm: - Đề xuất cải tiến các phương pháp dự đoán chi phí và thời gian hoàn thành dự án: + Cải tiến hệ số hiệu suất tương lai trong phương pháp kết hợp mô hình tăng trưởng và kỹ thuật quản trị giá trị thu được. + Cải tiến thuật toán ước lượng tham số trong mô hình tăng trưởng Gompertz. + Cải tiến thuật toán kết hợp mô hình tăng trưởng và EVM. + Cải tiến phương pháp kết hợp XSM và EVM. - Đề xuất áp dụng một số phương pháp dự đoán chi phí và thời gian hoàn thành dự án dựa trên một số thuật toán học máy. + Phương pháp ứng dụng mạng nơ ron LSTM. + Phương pháp ứng dụng thuật toán học máy XGBoost. + Phương pháp ứng dụng thuật toán học máy LightGBM. - Thực nghiệm và đánh giá hiệu quả của các phương pháp đề xuất. 8. Cấu trúc Luận án Nội dung Luận án gồm phần Mở đầu, Kết luận và 03 chương: Chương 1: Tổng quan. Trang 4
Chương 2: Một số phương pháp dự đoán chi phí và thời gian hoàn thành dự án dựa vào phương pháp quản trị giá trị thu được. Chương 3: Áp dụng một số phương pháp học máy trong phương pháp quản trị giá trị thu được. CHƯƠNG 1: TỔNG QUAN 1.1. Tổng quan về quản lý dự án phần mềm 1.1.1. Lịch sử phát triển Nhận thức được tầm quan trọng của phần mềm đối với các lĩnh vực đời sống xã hội, ngành công nghiệp sản xuất phần mềm đã nhanh chóng phát triển trong giai đoạn từ thập niên 1970 đến thập niên 1980. Để quản lý các nỗ lực phát triển mới, các công ty ứng dụng các phương thức quản lý phần mềm, nhưng quá trình thử nghiệm bị chậm theo thực thi, đặc biệt là sự mẫu thuẫn xảy ra trong "vùng xám" giữa các đặc tả người dùng và phần mềm được chuyển giao. Để tránh các vấn đề trên, các phương thức quản lý dự án phần mềm tập trung vào các yêu cầu người dùng trong các sản phẩm phần mềm theo mô hình nổi tiếng đó là mô hình thác nước. Theo tổ chức IEEE, một số nguyên nhân dẫn đến sự thất bại trong việc quản lý dự án như sau [11]: 1.1.2. Giới thiệu quản lý dự án phần mềm Dự án là một nỗ lực phức tạp, không thường xuyên, mang tính chất đơn nhất được thực hiện trong điều kiện ràng buộc nhất định về thời gian, ngân sách, nguồn lực và các tiêu chuẩn chất lượng để đáp ứng yêu cầu của khách hàng. Quản lý dự án là sự áp dụng một cách phù hợp các kiến thức, kỹ năng, công cụ và kỹ thuật vào trong quá trình đề xuất dự án, lập kế hoạch dự án, thực hiện dự án, theo dõi giám sát dự án và kết thúc dự án để đạt được các yêu cầu của dự án. Mục tiêu cơ bản của việc quản lý dự án thể hiện ở chỗ các công việc phải được hoàn thành theo yêu cầu và bảo đảm chất lượng, trong phạm vi chi phí được duyệt, đúng thời gian và giữ cho phạm vi dự án không thay đổi. 1.1.3. Quy trình quản lý dự án trong phần mềm Quy trình quản lý dự án phần mềm là quy trình vận dụng những kiến thức, kỹ năng và kỹ thuật công nghệ vào hoạt động của dự án để đạt được mục tiêu của dự án đặt ra. Những ứng dụng này được đưa vào phần mềm theo một tiêu chuẩn hóa của quản lý dự án theo tiêu chuẩn PMI. 1.1.4. Các hoạt động chính trong quản lý dự án phần mềm 1.1.4.1. Xác định các bước thực hiện dự án phần mềm 1.1.4.2. Lập kế hoạch thực hiện dự án 1.1.5. Thực trạng quản lý dự án phần mềm tại Việt Nam Trang 5
1.2. Tổng quan về công nghệ phần mềm hướng giá trị 1.2.1. Giới thiệu Công nghệ phần mềm hướng giá trị - VBSE (Value-Based Software Engineering) là một bộ quy tắc xem xét các khía cạnh kinh tế trong toàn bộ chu kỳ phát triển phần mềm. Nó có thể được định nghĩa là một mô hình phát triển phần mềm trong đó yêu cầu giá trị thương mại được xem là quan trọng và bình đẳng trong các tiến trình phần mềm, quản lý và quyết định công nghệ, công cụ, kỹ thuật sử dụng trong suốt vòng đời phần mềm [13]. 1.2.2. Mô hình chất lượng phần mềm hướng giá trị Mô hình chất lượng phần mềm hướng giá trị là một cách tiếp cận trong đánh giá chất lượng của phần mềm, tập trung vào việc đo lường và đánh giá chất lượng dựa trên việc phân tích mức độ đóng góp của từng tính năng và chức năng của phần mềm vào việc cung cấp giá trị cho khách hàng và người dùng cuối. 1.3. Phương pháp Quản trị giá trị thu được 1.3.1. Giới thiệu 1.3.2. Các tham số chính của phương pháp quản trị giá trị thu được Các tham số chính của EVM như sau: • Giá trị kế hoạch (PV - Planned Value): là đường ngân quỹ cơ sở theo từng giai đoạn (thời gian), thể hiện kết quả thực hiện theo kế hoạch, thường được gọi là Chi phí ngân sách cho các công việc theo kế hoạch (BCWS). • Chi phí thực tế (AC - Actual Cost): là chi phí tích lũy đã chi trong thực tế ở thời điểm cho trước, thường thể hiện bởi Chi phí thực tế cho các công việc đã thực hiện (ACWP). • Giá trị thu được (EV - Earned Value): là lượng ngân sách chi cho các công việc đã thực hiện (nó khác với AC ở chỗ AC là chi phí đã chi thực tế, còn EV là chi phí ngân sách kế hoạch dành cho các công việc) tại một thời điểm cho trước, thường được gọi là Chi phí ngân sách cho các công việc đã thực hiện (BCWP), được tính bằng tổng các ngân sách cho các hoạt động (hoặc của dự án) ở thời điểm hoàn thành (PC) nhân với tỷ lệ phần trăm hoàn thành của hoạt động (hoặc dự án) ở thời điểm cụ thể (= PC*BAC). • Thời gian theo kế hoạch (ES - Earned Schedule): khi dịch chuyển giá trị EV của một thời điểm cho trước theo đơn vị thời gian để xác định khi nào thìđạt được EV trên đường kế hoạch cơ sở (PV). 1.3.3. Độ đo thời gian kế hoạch ES Độ đo chính thứ tư với tên gọi ES là sự dịch chuyển đơn giản giá trị EV của một trạng thái thời gian cho trước theo các đơn vị thời gian bằng việc xác định khi nào thì giá trị EV này đạt được trên đường cong PV. Trang 6
1.3.4. Đo lường hiệu suất của một dự án Hiệu suất dự án, theo cả thời gian và chi phí, được xác định bằng cách so sánh các tham số chính PV, AC, EV và ES để tạo ra phương sai về kế hoạch (thời gian) và chi phí, như dưới đây: • Phương sai kế hoạch (SV): chỉ ra phương sai về mặt thời gian và được tính như sau: SV = EV - PV (xem hình 2.8) và có thể được hiểu như sau: o SV > 0: dự án đi trước so với kế hoạch o SV = 0: dự án đang đi đúng kế hoạch o SV < 0: dự án bị chậm so với kế hoạch • Phương sai chi phí (CV): chỉ ra phương sai về mặt chi phí và được tính như sau: CV = EV - AC (xem hình 2.8) và có thể được hiểu như sau: o CV > 0: dự án đang ở dưới mức ngân sách dự kiến o CV = 0: dự án đang sử dụng đúng ngân sách o CV < 0: dự án đã bị vượt quá ngân sách 1.3.5. Đo lường tin cậy hiệu suất thời gian của dự án Hiệu suất thời gian của một dự án được đo bởi phương sai kế hoạch SV hoặc chỉ số hiệu suất kế hoạch SPI như mục 1.3.4. Tuy nhiên, kỹ thuật ES cho phép đo lường các phiên bản thay thế của phương sai và chỉ số hiệu suất kế hoạch như sau: • Phương sai kế hoạch (SV(t)): cho ta phương sai về mặt thời gian (SV(t) = ES - AT) biểu diễn theo các đơn vị thời gian: o SV(t) > 0: dự án đang đi trước kế hoạch o SV(t) = 0: dự án đang đúng kế hoạch o SV(t) < 0: dự án đang chậm so với kế hoạch • Chỉ số hiệu suất kế hoạch (SPI(t)): cho ta hiệu suất theo thời gian (SPI(t) = ES/AT) theo chiều phi đơn vị: o SPI(t) > 100%: dự án đang đi trước kế hoạch o SPI(t) = 100%: dự án đang đúng kế hoạch o SPI(t) < 100%: dự án đang chậm so với kế hoạch 1.3.6. Dự đoán chi phí hoàn thành dự án Chi phí hoàn thành một dự án được tính theo công thức sau: EAC = AC + PCWR (2.2) trong đó: • AC: Chi phí thực tế ở thời điểm hiện tại (tức là thời gian thực tế AT) • PCWR: Chi phí dự kiến cho các công việc còn lại (là ước lượng cho tương lai) 1.3.7. Dự đoán thời gian hoàn thành dự án Trang 7
Để dự đoán thời gian hoàn thành dự án, ta sử dụng công thức sau: EAC(t) = AT + PDWR (2.4) trong đó: • AT: thời gian thực tại (hôm nay). • PDWR: khoảng thời gian dự kiến của các công việc còn lại 1.4. Một số phương pháp dự đoán 1.4.1. Phương pháp dựa trên mô hình tăng trưởng 1.4.2. Phương pháp liên tiến lũy thừa (Exponential Smoothing Method – XSM) Phương pháp liên tiến lũy thừa là một trong số các phương pháp dự báo nổi tiếng áp dụng cho dữ liệu dạng time – series (chuỗi các điểm dữ liệu theo thời gian). Phương pháp lần đầu tiên được đề xuất bởi Charles C. Holt vào năm 1957 và được sử dụng cho chuỗi dữ liệu theo thời gian không có xu hướng và không theo mùa. Sau đó vào năm 1958, Charles C. Holt đưa ra một phương pháp cải tiến để xử lý cho các chuỗi dữ liệu có xu hướng. Năm 1965, Peter Winters (học trò của Charles C. Holt) đã khái quát hóa phương pháp này để xử lý cho các chuỗi dữ liệu vừa có xu hướng và theo mùa. Vì vậy, phương pháp liên tiến lũy thừa còn có tên gọi là “Phương pháp Holt – Winters”. 1.5. Tổng quan về học máy 1.5.1. Giới thiệu Machine learning (tạm dịch là Học máy) là lĩnh vực nghiên cứu dữ liệu nhằm tìm hiểu và xây dựng các phương pháp "học" mang lại cho máy tính khả năng học hỏi mà không cần được lập trình một cách rõ ràng. Nó được xem như một phần của trí tuệ nhân tạo (AI). Các thuật toán học máy xây dựng một mô hình (model) dựa trên dữ liệu mẫu, được gọi là dữ liệu đào tạo (training data), để đưa ra dự đoán hoặc quyết định mà không được lập trình rõ ràng đối với các dữ liệu tương lai. 1.5.2. Ứng dụng của học máy 1.5.3. Phân loại học máy 1.5.3. Một số thuật toán học máy 1.5.3.1. Thuật toán LSTM 1.5.3.1. Thuật toán XGBoost 1.5.3.1. Thuật toán LightGBM 1.6. Tổng hợp và đánh giá các nghiên cứu liên quan 1.6.1. Tình hình nghiên cứu ngoài nước Phương pháp Quản trị giá trị thu được (EVM- Earned Value Management) [13], [27], [28] là một trong những kỹ thuật hiệu quả để giúp kiểm soát thời gian và chi phí của một dự án. Phương pháp này dựa trên một tập hợp các phép đo để đo lường và đánh giá tình trạng tổng thể của một dự Trang 8
án nhằm đưa ra cảnh báo sớm cho người quản trị dự án về các vấn đề của dự án. Đây là một Phương pháp quản lý dự án phổ biến, đặc biệt trong các dự án có quy mô lớn và phức tạp, vì nó cung cấp một cái nhìn toàn diện về tiến độ, chi phí và hiệu quả dự án. Tuy nhiên, phương pháp này có một số hạn chế như: chỉ dựa trên các chi phí trong quá khứ, dự đoán thiếu tính tin cậy trong giai đoạn sớm của dự án và không tính đến các thống kê dự báo. Ba điểm hạn chế này là lý do chính dẫn đến việc sử dụng các phương pháp mới. Một trong các phương pháp đó chính là việc sử dụng các phân tích hồi quy tuyến tính hoặc phi tuyến để phát triển các mô hình hồi quy, hay còn được gọi là các mô hình tăng trưởng (GM- Growth Models) [5]. Đã có một số nghiên cứu sử dụng phương pháp EVM như là một công cụ để điều khiển dự án [6], [7] phỏng đoán suy luận thống kê Bayes để ước lượng đáng tin cậy hơn [29], đề xuất mô hình hồi quy mới để cải thiện dự đoán chi phí khi hoàn thành cho các dự án đang triển khai [13], đánh giá độ chính xác của các phương pháp dự báo EAC khác nhau [30] hoặc sử dụng các mô hình tăng trưởng trong việc dự đoán giá trị EAC [6], [28]. Trong [31] nhóm tác giả Stephan Vandevoorde và Mario Vanhoucke (2006) đã giới thiệu và tiến hành thực nghiệm để so sánh các phương pháp dự đoán thời gian hoàn thành dự án dựa trên các tham số của phương pháp quản trị giá trị thu được. Có 3 phương pháp dự đoán thời gian hoàn thành dự án là: Phương pháp giá trị dự kiến (planned value method), phương pháp thời gian thu được (earned duration method) và phương pháp tiến độ thu được (earned schedule method). Theo [5], các tác giả T. Narbaev và A. De Marco (2014) đã đề xuất phương pháp kết hợp phương pháp quản trị giá trị thu được và mô hình tăng trưởng Gompertz trong dự đoán chi phí và thời gian hoàn thành dự án cho kết quả tốt. Phương pháp này đã khắc phục được một số hạn chế của phương pháp EVM. Trong [32], các tác giả Seyed Hossein Iranmanesh và Mansoureh Zarezadeh đã xây dựng phương pháp kết hợp giữa các chỉ số của phương pháp EVM với mô hình tăng trưởng, nhằm nâng cao độ chính xác của việc dự đoán thời gian và chi phí hoàn thành dự án. Trong những năm qua, nhiều nhóm nghiên cứu đã đề xuất cải tiến các phương pháp dự báo EVM truyền thống như: Kim và Reinschmidt, 2010 [33]; Lipke, 2011 [34]; Mortaji và cộng sự, 2014 [35]; Baqerin và cộng sự, 2015 [36]; Chen và cộng sự, 2016 [37]. Các nghiên cứu này cũng đã đề cập đến một số khía cạnh để cải tiến các phương pháp dự báo EVM truyền thống. Hiện nay, có nhiều mô hình dự đoán chi phí hoàn thành dự án, cũng như các mô hình dự đoán thời điểm kết thúc của dự án. Các mô hình khác nhau Trang 9
đã được nghiên cứu và so sánh một cách đầy đủ nhờ Batselier và các cộng sự trong [38]. Một số nghiên cứu liên quan sử dụng phương pháp EVM có thể kể đến như: Khamooshi and Golafshani trong [39] đề xuất được phương pháp mới EDM đã cải thiện hơn hầu hết các phương pháp ESM, còn Elshaer (2013) trong [40] đã mở rộng được phương pháp cũ ESM rất hiệu quả trong giai đoạn sớm của dự án, nhưng kém hiệu quả trong giai đoạn sau của dự án. Phương pháp liên tiến lũy thừa (Exponential Smoothing Method – XSM) là một trong số các phương pháp dự báo nổi tiếng áp dụng cho dữ liệu dạng time – series (chuỗi các điểm dữ liệu theo thời gian). Phương pháp lần đầu tiên được đề xuất bởi Charles C. Holt vào năm 1957 và được sử dụng cho chuỗi dữ liệu theo thời gian không có xu hướng và không theo mùa [19]. Sau đó vào năm 1958, Charles C. Holt đưa ra một phương pháp cải tiến để xử lý cho các chuỗi dữ liệu có xu hướng. Năm 1965, Peter Winters (học trò của Charles C. Holt) đã khái quát hóa phương pháp này để xử lý cho các chuỗi dữ liệu vừa có xu hướng và theo mùa. Vì vậy, phương pháp liên tiến lũy thừa còn có tên gọi là “Phương pháp Holt – Winters” [20] . Tác giả Mahdieh Akhbari (2018) trong [41] dự đoán chi phí và thời gian hoàn thành dự án sử dụng mạng Nơron truyền thẳng nhiều lớp với việc điều chỉnh các trọng số thông qua thuật toán lan truyền ngược sai số. Mô hình mạng có một lớp đầu vào với 800 Nơron sử dụng hàm chuyển đổi Tan Sigmoid; ba lớp hàm ẩn tuyến tính với mỗi lớp 600 Nơron; và một lớp đầu ra có 1 Nơron. Matern, hàm hữu tỷ bậc hai. Dựa vào đánh giá thực nghiệm, các tác giả khẳng định rằng dữ liệu lịch sử càng dài cho kết quả dự đoán càng chính xác, sử dụng hàm hiệp phương sai lũy thừa bình phương và hàm hiệp phương sai lớp Matern cho kết quả dự đoán xu thế tốt. Trong các nghiên cứu [10], [11] các tác giả đã sử dụng các phương pháp học máy trong trí tuệ nhân tạo như: mô hình logic mờ, mạng nơ-ron nhân tạo, phân tích hồi quy bội, lý luận dựa trên trường hợp, mô hình lai, mô hình mờ di truyền để giải quyết các bài toán khác nhau trong quản lý dự án. Trong các phương pháp học máy được được trình bày thì các tác giả cũng đã nghiên cứu và đề xuất sử dụng thuật toán học máy XGBoost (Extreme Gradient Boosting). Đây là một thuật toán để giải quyết bài toán học có giám sát (supervised learning) cho độ chính xác khá cao bên cạnh các mô hình Deep learing đang rất phổ hiện nay. Mỗi mô hình ở trên có những ưu điểm và nhược điểm riêng và được áp dụng cho các bộ dữ liệu cụ thể. Tác giả H. H. Elmousalami trong nghiên cứu [10] đã tiến hành nghiên cứu, phân tích và so sánh ưu nhược điểm của một số phương pháp học máy nhằm tìm ra phương pháp học máy hiệu quả nhất để cải thiện độ chính xác cho bài toán dự đoán chi phí của dự án. Theo nghiên cứu thì các phương pháp Trang 10
học máy như: mạng nơ-ron nhân tạo, Logic mờ, phân tích hồi quy bội, lập luận dựa trên trường hợp có một số ưu nhược điểm như sau: YAN Hongyan và cộng sự [11] đã nghiên cứu và chỉ ra các ưu nhược điểm của phương pháp học máy XGBoost như sau: - Ưu điểm: + Độ chính xác cao: XGBoost nổi tiếng với độ chính xác cao trong mô hình dự đoán, điều này rất quan trọng trong việc ước tính chi phí đầu tư một cách chính xác. Thuật toán xử lý tốt các phức tạp của dữ liệu và cung cấp các dự đoán tin cậy. + Xử lý dữ liệu thiếu: XGBoost có khả năng xử lý hiệu quả các giá trị bị thiếu, điều này thường gặp trong các bộ dữ liệu của dự án xây dựng. Khả năng này giảm bớt nhu cầu tiền xử lý dữ liệu phức tạp. + Tốc độ và hiệu suất: XGBoost được tối ưu hóa về tốc độ và hiệu suất, phù hợp với các bộ dữ liệu lớn thường thấy trong các dự án xây dựng. Nó sử dụng xử lý song song, cải thiện hiệu quả tính toán. + Khả năng chống quá khớp: XGBoost bao gồm các tham số điều chỉnh giúp ngăn chặn quá khớp, đảm bảo mô hình tổng quát tốt với dữ liệu chưa từng thấy. - Nhược điểm: + Điều chỉnh tham số: XGBoost đòi hỏi phải điều chỉnh các siêu tham số cẩn thận để đạt hiệu suất tối ưu. Quá trình này có thể tốn thời gian và yêu cầu chuyên môn về máy học. + Phụ thuộc vào chất lượng dữ liệu: Giống như tất cả các mô hình máy học, hiệu suất của XGBoost phụ thuộc nhiều vào chất lượng của dữ liệu đầu vào. Dữ liệu kém chất lượng hoặc không đủ có thể dẫn đến các dự đoán không chính xác. 1.6.2. Tình hình nghiên cứu trong nước Tại Việt Nam, không dễ tìm thấy các nghiên cứu trong nước được công bố liên quan tới nội dung về Phương pháp EVM kết hợp với mô hình tăng trưởng, các nghiên cứu chủ yếu dừng ở mức độ khóa luận sinh viên Đại học được tổng hợp và dịch bài từ các nghiên cứu nước ngoài và hầu hết nằm trong nghiên cứu của lĩnh vực kinh tế. Vì vậy, theo tìm hiểu cho thấy hiện tại không có các nghiên cứu việc áp dụng Mô hình tăng trưởng và phương pháp EVM vào trong giải quyết các vấn đề cụ thể của Quản trị dự án phần mềm. 1.7. Bài toán đánh giá mức độ hoàn thành dự án phần mềm 1.8. Tiểu kết chương Trong chương 1, nghiên cứu sinh đã giới thiệu tổng quan về các nội dung kiến thức chung liên quan tới đề tài, cũng như trình bày các tìm hiểu, phân tích về những nghiên cứu hiện nay liên quan tới một hoặc nhiều nội dung của Trang 11
đề tài bao gồm tổng quan về quản lý dự án, phương pháp quản trị giá trị thu được và tổng quan về học máy và các nghiên cứu liên quan đến đề tài. Cụ thể, phần 1.1 giới thiệu về kiến thức chung của lĩnh vực quản lý dự án, các quy trình trong quản lý dự án. Phần 1.2 trình bày tổng quan về công nghệ phần mềm hướng giá trị và mô hình chất lượng phần mềm hướng giá trị. Phần 1.3 nghiên cứu sinh đã nghiên cứu các tham số chính của phương pháp quản trị giá trị thu được EVM, các độ đo thời gian, kế hoạch, hiệu suất của một dự án và các phương pháp để dự đoán chi phí và thời gian hoàn thành dự án theo phương pháp EVM. Trong phần 1.4, nghiên cứu sinh đã tìm hiểu một số phương pháp dự đoán dựa trên các mô hình tăng trưởng LM, GPM, BM, WM và phương pháp liên tiến lũy thừa XSM. Phần 1.5, nghiên cứu sinh trình bày tổng quan về học máy, ứng dụng của học máy và khả năng ứng dụng học máy trong phương pháp EVM để giải quyết bài toán dự đoán chi phí, thời gian hoàn thành dự án phần mềm.. Phần 1.6, nghiên cứu sinh trình bày tình hình các nghiên cứu liên quan, phân tích cụ thể điểm mạnh và điểm cần cải tiến của các nghiên cứu và dẫn tới lý do của đề tài luận án. Các nghiên cứu được phân loại theo góc độ trong nước và ngoài nước. Trong đó có thể thấy rằng các nghiên cứu trong nước về lĩnh vực đề tài còn rất hạn chế và đề tài là khả thi và có đóng góp trong khai phá một vấn đề mới của quản lý dự án không những ở Việt Nam và còn trong phạm vi quốc tế. Phần 1.7 trình bày bài toán đánh giá mức độ hoàn thành của dự án phần mềm. CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP DỰ ĐOÁN CHI PHÍ VÀ THỜI GIAN HOÀN THÀNH DỰ ÁN DỰA VÀO PHƯƠNG PHÁP QUẢN TRỊ GIÁ TRỊ THU ĐƯỢC Chương 2, nghiên cứu sinh sẽ trình bày các nội dung chính của đề tài cụ thể về các mô hình tăng trưởng và các phương pháp đề xuất cải tiến kết hợp mô hình tăng trưởng và phương pháp quản trị giá trị thu được để nâng cao chất lượng dự đoán chi phí và thời gian hoàn thành dự án. Phần 2, nghiên cứu sinh đề xuất kết hợp phương pháp liên tiến lũy thừa XSM và quản trị giá trị thu được để dự đoán chi phí và thời gian hoàn thành dự án. Cuối cùng, sẽ tiến hành thực nghiệm và đánh giá kết quả đạt được của các phương pháp đề xuất. 2.1. Kết hợp mô hình tăng trưởng và kỹ thuật quản trị giá trị thu được 2.1.1. Phương pháp dựa trên mô hình tăng trưởng 2.1.1.1. Xây dựng đường cong S Trang 12
2.1.1.2. Tính toán các tham số của mô hình tăng trưởng 2.1.1.3. Dự đoán chi phí hoàn thành dự án EAC 2.1.2. Kết hợp mô hình tăng trưởng và EVM Chi phí tại thời điểm hoàn thành dự án (EAC) được tính theo mô hình tăng trưởng ở 2.3.3 sử dụng giá trị GM(1.0) là thời điểm kết thúc dự án theo kế hoạch (PD), tuy nhiên không phải lúc nào dự án cũng kết thúc theo kế hoạch, thể hiện ở việc giá trị SPI(t) có thể không phải là 1.00. Theo phương pháp EVM đã trình bày ở mục 2.2.6 (về chỉ số SPI(t)) và 2.2.8 (về dự đoán EAC(t)), thời điểm hoàn thành dự án (đáng tin cậy) sẽ là: EAC(t) = PD/SPI(t), và khi được chuẩn hóa trong mô hình tăng trưởng thì PD=1.00 và EAC(t) = 1/SPI(t). Khi đó, công thức để tính chi phí tại thời điểm hoàn thành dự án sẽ được viết lại như sau: 𝐸𝐴𝐶(𝑥) = 𝐴𝐶(𝑥) + [𝐺𝑀(1/𝑆𝑃𝐼(𝑡)) − 𝐺𝑀(𝑥)] ∗ 𝐵𝐴𝐶 (2.15) Trong đó: • AC(x): là chi phí thực tế ở thời điểm dự đoán x. • GM(1/SPI(t)): giá trị của mô hình tăng trưởng tại thời điểm dự kiến sẽ hoàn thành dự án (EAC(t)=1/SPI(t)). • GM(x): giá trị của mô hình tăng trưởng tại thời điểm dự đoán x. • GM là một hàm số đã biết trước (tùy thuộc vào mô hình hồi quy được chọn). 2.1.3. Cải tiến dựa vào hệ số hiệu suất tương lai PF (CT1) 2.1.3.1. Đề xuất phương pháp cải tiến Chi phí tại thời điểm hoàn thành dự án (CEAC) được tính theo mô hình tăng trưởng ở trên sử dụng giá trị GM (1.0) là thời điểm kết thúc dự án theo kế hoạch (PD), tuy nhiên không phải lúc nào dự án cũng kết thúc theo kế hoạch, thể hiện ở việc giá trị SPI(t) có thể không phải là 1.00. Theo phương pháp EVM đã trình bày ở trên về chỉ số SPI(t) và dự đoán TEAC, các nghiên cứu [2,3,13] đã sử dụng phương pháp dự đoán thời điểm kết thúc dự án là TEACES với PF=SPI(t), từ (7) ta có: TEACES1 = PD/SPI(t), và khi được chuẩn hóa trong mô hình tăng trưởng thì PD*=1.00 và TEAC*= 1/SPI(t) (PD* và TEAC* là thời gian dự kiến hoàn thành dự án đã được chuẩn hóa). Khi đó, công thức để tính chi phí tại thời điểm hoàn thành dự án sẽ được viết lại như sau: 1 𝐶𝐸𝐴𝐶 𝐺𝑀−𝐸𝑆1 = 𝐴𝐶(𝑥) + [𝐺𝑀( ] ∗ 𝐵𝐴𝐶 (9) 𝑆𝑃𝐼(𝑡))−𝐺𝑀(𝑥) Trong nhiều trường hợp thì việc dự đoán thời gian hoàn thành dự án theo hệ số hiệu suất tương lai được mong đợi dựa trên hiệu suất về thời gian hiện Trang 13
tại (PF=SPI(t)) cũng chưa chính xác nhất. Do đó chúng tôi đề xuất sử dụng thêm các phương pháp dự đoán thời gian hoàn thành dự án theo hệ số tương lai mong đợi (PF) khác để thực nghiệm và đánh giá. - Với PF=1 (hiệu suất tương lai được mong đợi dựa trên đường kế hoạch cơ sở), từ (7) ta có: 𝑇𝐸𝐴𝐶 𝐸𝑆2 = 𝐴𝑇 + 𝑃𝐷 − 𝐸𝑆 (10) Khi được chuẩn hóa trong mô hình tăng trưởng thì PD*=1.00 và TEACES2*= TEACES2/PD. Khi đó, công thức để tính chi phí tại thời điểm hoàn thành dự án sẽ được viết lại như sau: 𝐶𝐸𝐴𝐶 𝐺𝑀−𝐸𝑆2 = 𝐴𝐶(𝑥) + [𝐺𝑀(𝑇𝐸𝐴𝐶 𝐸𝑆2 ∗) − 𝐺𝑀(𝑥)] ∗ 𝐵𝐴𝐶 (11) - Với PF=SCI(t)=SPI(t)*CPI (hiệu suất tương lai được mong đợi dựa trên hiệu suất về thời gian và chi phí hiện tại), từ (7) ta có: 𝑇𝐸𝐴𝐶 𝐸𝑆3 = 𝐴𝑇 + (𝑃𝐷 − 𝐸𝑆)/(𝑆𝑃𝐼(𝑡) ∗ 𝐶𝑃𝐼) (12) Khi chuẩn hóa trong mô hình tăng trưởng thì PD*=1.00 và TEACES3*= TEACES3/PD. Khi đó, công thức để tính chi phí tại thời điểm hoàn thành dự án sẽ được viết lại như sau: 𝐶𝐸𝐴𝐶 𝐺𝑀−𝐸𝑆3 = 𝐴𝐶(𝑥) + [𝐺𝑀(𝑇𝐸𝐴𝐶 𝐸𝑆3 ∗) − 𝐺𝑀(𝑥)] ∗ 𝐵𝐴𝐶 (13) 2.1.4. Cải tiến thuật toán ước lượng tham số trong mô hình tăng trưởng Gompertz (CT2) Mô hình GM là mô hình được sử dụng thường xuyên trong việc nghiên cứu tăng trưởng quần thể trong các trường hợp đường cong tăng trưởng là không đối xứng và bị lệch về bên phải. Điểm uốn xảy ra tại vị trí thời gian là x= β/γ với giá trị tăng trưởng tích lỹ là GM(x) = α/e (xấp xỉ 1/3 tổng chi phí) khi tốc độ chi phí đạt cực đại Gmax = αγ/e. Giả sử chúng ta đã chọn được mô hình thích hợp với đường cong S ở trên với công thức dạng tổng quát như sau: y ≈ gm(x, β1 , . . , βM ) = gm(x, β) = y ̂ Trong đó: - Cặp (𝑥, 𝑦) đại diện cho các bộ dữ liệu thực tế - Hàm 𝑔𝑚 là hàm của mô hình tăng trưởng với đầu vào 𝑥 và bộ tham số 𝜷 - ̂ là giá trị mà mô hình tăng trưởng dự đoán được 𝑦 Vấn đề đặt ra là chúng ta cần xác định bộ tham số β dựa vào bộ dữ liệu thực tế và mong muốn rằng sự sai khác r giữa giá trị thực y và y là nhỏ nhất. ̂ Nói cách khác chúng ta muốn giá trị sau đây càng nhỏ càng tốt: 2 r 2 = (y − y)2 = (y − gm(x, β)) ̂ Trang 14
Chúng ta cần r 2 vì r = y − y có thể là một số âm, việc nói ϵ nhỏ nhất ̂ sẽ không đúng vì khi r = −∞ là rất nhỏ nhưng sự sai lệch là rất lớn Điều tương tự xảy ra với tất cả các cặp giá trị thực (xi , yi ), i = 1,2, … N với N là số lượng bộ dữ liệu thực. Điều chúng ta muốn là tổng sai số là nhỏ nhất, tương đương với việc tìm β để hàm số sau đạt giá trị nhỏ nhất: N N f(β) = ∑ f(βi ) = ∑ ri 2 → min 2 i=1 i=1 Giá trị của β làm cho hàm f(β) đạt giá trị nhỏ nhất được gọi là điểm tối ưu (optimal point), ký hiệu: β∗ = argmin f(β) Và bài toán này được gọi là bài toán bình phương nhỏ nhất. Để giải quyết bài toán này, ta có thể sử dụng các phương pháp như Gradient Descent và Levenberg-Marquardt. Gradient của hàm số f(x,y) là một trường vector được định nghĩa như sau: Xét hàm 2 biến f tại điểm (x, y), nếu ta đi theo hướng của f thì giá trị của hàm số sẽ thay đổi nhanh nhất. Một cách trực quan hơn, nếu xem đồ thị của hàm số 2 biến f là một vùng đồi núi thì tại điểm có toạ độ (x,y), hướng ∇f sẽ là hướng có độ dốc cao nhất. Thuật toán Gradient descent hoạt động dựa trên nhận xét: Nếu hàm số f(x) xác định và khả vi tại điểm a, khi đó giá trị của f sẽ giảm nhanh nhất khi đi theo hướng ngược với gradient của f tại w, - ∇𝑓(𝛽): 𝜷 𝒕+𝟏 = 𝜷 𝒕 − 𝜼𝛁𝒇(𝜷 𝒕 ) (7) Trong đó: - 𝜂 (eta) is the learning rate - t là biến lặp - ∇𝑓(𝛽) là vector gradient của f theo 𝛽 𝝏𝒇 𝝏𝒇 𝝏𝒇 𝑻 𝛁𝒇(𝜷) = [ , ,…, ] (8) 𝝏𝜷 𝟏 𝝏𝜷 𝟐 𝝏𝜷 𝒏 - Với 𝜂 đủ nhỏ, chúng ta sẽ có f(𝛽 𝑡 ) ≥ f(𝛽 𝑡+1 ) 2.1.5. Đề xuất cải tiến thuật toán kết hợp mô hình tăng trưởng và EVM (CT4) Phương pháp cải tiến I-GGM đề xuất sẽ gồm các bước như sau: Bước 1: Xây dựng đường cong S của mô hình tăng trưởng Trang 15
Bước đầu tiên là xây dựng một đường cong S-curve kết hợp giữa chi phí thực tế (AC) và giá trị AC được dự đoán thông qua CPI. Đường cong S được xây dựng là sự kết hợp giữa đường cong chi phí thực tế (AC) và phần còn lại là giá trị AC được dự đoán dựa trên CPI. Đường cong này sẽ phản ánh được quá khứ và tương lai của dự án. Để xây dựng đường cong S và áp dụng mô hình tăng trưởng, trước tiên cần phải tiến hành chuẩn hóa các dữ liệu của dự án như sau: - Chuẩn hóa tất cả các giá trị mốc thời gian dự án (time point) về dạng đơn vị (tức là PD sẽ được chuẩn hóa về 1.00). Mỗi điểm mốc thời gian kế tiếp sẽ là phần tích lũy của đơn vị này. Các giá trị chuẩn hóa này sẽ là biến dự đoán (x) của một mô hình tăng trưởng GGM. - Chuẩn hóa các giá trị chi phí thực tế AC (từ khi bắt đầu dự án cho tới thời điểm hiện tại AT) về dạng đơn vị (tức là BAC = 1.00). - Chuẩn hóa các giá trị dự kiến AC theo CPI (từ thời điểm AT cho tới PD của dự án) về dạng đơn vị (BAC = 1.00). Sau khi đã chuẩn hóa, ta tiến hành kết hợp các giá trị đã được chuẩn hóa của AC thực tế và giá trị dự kiến AC ở trên. Khi đó, ta sẽ nhận được một đường cong S theo trục thời gian từ khi bắt đầu cho đến thời điểm PD của một dự án, là sự kết hợp giữa AC (dữ liệu quá khứ) và giá trị dự kiến AC theo CPI (dữ liệu tương lai) của dữ liệu dự án. Bước 2: Tính toán tham số của mô hình tăng trưởng Gompertz: (α, β, γ). Bước 3: Tính chi phí hoàn thành dự án: Thực hiện tính CEAC theo công thức (11). 2.2. Kết hợp phương pháp XSM và kỹ thuật quản trị giá trị thu được [CT6] Ý tưởng kết hợp EVM và liên tiến lũy thừa xuất phát từ việc 2 chỉ số AC và EV là dạng dữ liệu được thu thập theo thời gian và các giá trị AC và EV luôn có xu hướng tăng theo các giai đoạn. Như vậy, có thể thấy AC, EV là dãy dữ liệu có xu hướng và không có tính chất mùa. Trong ba loại của phương pháp liên tiến lũy thừa thì phương pháp liên tiến lũy thừa kép được áp dụng cho dãy dữ liệu có xu hướng và không tính chất mùa. Vì thế, chúng ta có thể kết hợp EVM và phương pháp liên tiến lũy thừa kép để dự đoán chi phí hoàn thành của dự án. Phương pháp kết hợp EVM và liên tiến tiến lũy thừa được đặt tên là XSM [26]. Cụ thể, xuất phát từ công thức 2.3 của phương pháp liên tiến lũy thừa kép ta có: 𝐹 𝑡+1 = 𝑆 𝑡 + 𝑇 𝑡 Công thức trên có thể phát triển thành công thức dự đoán cho kì thứ (t + k) như sau: Trang 16
𝐹 𝑡+𝑘 = 𝑆 𝑡 + 𝑘𝑇 𝑡 Trong đó: • 𝑇 𝑡 = 𝛽 (𝑆 𝑡 − 𝑆 𝑡−1 ) + (1 − 𝛽) 𝑇 𝑡−1 • 𝑆 𝑡 = 𝐹 𝑡 + 𝛼 (𝐴 𝑡 − 𝐹 𝑡 )  𝑆 𝑡 = 𝛼𝐴 𝑡 + (1 − 𝛼)𝐹 𝑡  𝑆 𝑡 = 𝛼𝐴 𝑡 + (1 − 𝛼) (𝑆 𝑡−1 + 𝑇 𝑡−1 ) (1) - 𝐹 𝑡 : dự đoán tại thời điểm t - 𝑆 𝑡 : dự đoán liên tiến tại thời điểm t - 𝑇 𝑡 : dự đoán xu hướng tại thời điểm t - 𝐴 𝑡 : dữ liệu thực tế tại thời điểm t - 𝛼: hằng số liên tiến - 𝛽: hằng số liên tiến xu hướng Trong trường hợp EAC là giá trị chúng ta cần dự đoán thì 𝐴 𝑡 trong công thức phía trên sẽ là AC, EV tại thời điểm t thực hiện dự đoán. Ngoài ra, hằng số liên tiến alpha (α) thể hiện độ đáp ứng đối với sự chênh lệch giữa dự đoán và thực tế mà các giá trị AC, EV tương ứng với 𝐴 𝑡 là dữ liệu thực tế thu thập trong quá trình thực hiện dự án nên không có sự chênh lệch, vì vậy alpha được cố định bằng 1. Như vậy, từ (1) ta có: 𝑆 𝑡 = 𝐴 𝑡 . Trong khi đó, xu hướng tại thời điểm t (𝑇 𝑡 ) thể hiện xu hướng tăng của AC hoặc EV. Áp dụng phương pháp liên tiến lũy thừa kép vào dự đoán EAC ta có: 𝐸𝐴𝐶 = 𝐴𝐶 𝑡 + 𝑘𝑇 𝑡,𝐴𝐶 (2) 𝑇 𝑡,𝐴𝐶 = 𝛽(𝐴𝐶 𝑡 − 𝐴𝐶 𝑡−1 ) + (1 − 𝛽)𝑇 𝑡−1,𝐴𝐶 (3) 𝐵𝐴𝐶 = 𝐸𝑉 𝑡 + 𝑘𝑇 𝑡,𝐸𝑉 (4) 𝑇 𝑡,𝐸𝑉 = 𝛽(𝐸𝑉 𝑡 − 𝐸𝑉 𝑡−1 ) + (1 − 𝛽)𝑇 𝑡−1,𝐸𝑉 (5) Với k là số kỳ theo dõi còn lại tính tại thời điểm t (thời điểm thực hiện dự đoán) đến thời điểm hoàn thành dự án nên k sẽ là ẩn số mà chúng ta sẽ phải xác định. Từ (4) ta có: 𝐵𝐴𝐶 − 𝐸𝑉 𝑡 𝑘= (6) 𝑇 𝐸𝑉 Thay (6) vào (2) ta được: 𝐵𝐴𝐶 − 𝐸𝑉 𝑡 𝐸𝐴𝐶 = 𝐴𝐶 𝑡 + (7) 𝑇 𝑡,𝐸𝑉 ⁄ 𝑇 𝑡,𝐴𝐶 Quay lại phương pháp dự đoán EAC dựa vào các chỉ số EVM ta có công thức tổng quát: BAC − EV EAC = AC + (8) PF Trang 17
Như vậy, từ hai phương trình (7) và (8) chúng ta có thể suy ra khi sử dụng phương pháp liên tiến lũy thừa kết hợp với EVM ta có giá trị của PF là: 𝑇 𝑡,𝐸𝑉 𝛽(𝐸𝑉 𝑡 − 𝐸𝑉 𝑡−1 ) + (1 − 𝛽)𝑇 𝑡−1,𝐸𝑉 𝑃𝐹 = = 𝑇 𝑡,𝐴𝐶 𝛽(𝐴𝐶 𝑡 − 𝐴𝐶 𝑡−1 ) + (1 − 𝛽)𝑇 𝑡−1,𝐴𝐶 Lúc này bài toán dự đoán EAC trở về bài toán xác định hằng số liên tiến xu hướng beta (β) sao cho sai số MAPE là nhỏ nhất. Với công thức tính MAPE: 1 𝑛 (𝐶𝐴𝐶− 𝐸𝐴𝐶 𝑡 ) 𝑀𝐴𝑃𝐸 = 𝑛 ∑ 𝑡=1 | 𝐶𝐴𝐶 | ( ) Trong đó: • 𝐸𝐴𝐶 𝑡 : chi phí hoàn thành được dự đoán tại thời điểm t • CAC: chi phí thực tế tại thời điểm hoàn thành dự án • 𝑛: tổng số kỳ theo dõi trong dự án 2.3. Thực nghiệm và đánh giá 2.3.1. Dữ liệu và kịch bản thực nghiệm Để tiến hành thực nghiệm, tôi sử dụng bộ dữ liệu của 5 dự án phần mềm đã thực hiện do cá nhân thu thập từ các dự án thực tế. Do yêu cầu bảo mật của các công ty phần mềm đã cung cấp số liệu, tôi mã hóa các dự án này là A, B, C, D, E (xem bảng 3.1). 2.3.2. Các độ đo chất lượng dự đoán 2.3.2.1. Độ đo phần trăm sai số (PE) PE phản ánh sự hiệu quả của mỗi phương pháp trong việc dự đoán chi phí hoàn thành dự án. PE là sai khác giữa chi phí thực tế và chi phí đã ước lượng tính theo phần trăm: 𝐸𝐴𝐶 − 𝐴𝐶 𝑃𝐸(%) = 100% (3.1) 𝐴𝐶 trong đó: EAC: chi phí ước lượng tại thời điểm hoàn thành dự án. AC: chi phí hoàn thành dự án trên thực tế. 2.3.2.2. Độ đo sai số tuyệt đối trung bình (MAPE) MAPE là độ đo dựa trên PE nhưng tính toán trung bình cho tất cả các bộ dữ liệu được tiến hành thực nghiệm. Trong luận án, số bộ dữ liệu thực nghiệm là 5 dự án, mỗi dự án được dự đoán tại 3 thời điểm (sớm, giữa và muộn) (n=5x3 = 15). 𝑛 𝑛 1 |𝐸𝐴𝐶 𝑖 − 𝐴𝐶 𝑖 | 1 𝑀𝐴𝑃𝐸(%) = ∑ = ∑|𝑃𝐸 𝑖 |% (3.2) 𝑛 𝐴𝐶 𝑖 𝑛 𝑖=1 𝑖=1 trong đó: n: số dự đoán sử dụng để thống kê trên các dự án. EACi: ước lượng chi phí hoàn thành dự án i. Trang 18