प्रेडिक्टिव प्रोजेक्ट शेड्यूलिंग: AI देरी के कैस्केड होने से पहले कैसे उसका पूर्वानुमान लगाता है

नैशविले में 14 महीने के एक हॉस्पिटल रिनोवेशन में मैकेनिकल रफ-इन पर 3 सप्ताह की देरी हुई। जब तक प्रोजेक्ट टीम ने देरी को पहचाना और शेड्यूल में बदलाव किया, तब तक यह सीलिंग ग्रिड, फायर प्रोटेक्शन और इलेक्ट्रिकल ट्रिम तक कैस्केड हो चुकी थी। कुल प्रभाव 7 सप्ताह और $340,000 एक्सेलेरेशन लागत का था। मैकेनिकल रफ-इन में वास्तव में पिछड़ने से 4 सप्ताह पहले से फिसलने के संकेत दिख रहे थे, लेकिन साप्ताहिक प्रगति रिपोर्ट ने इन शुरुआती चेतावनी संकेतों को नहीं पकड़ा।

डेटा में शुरुआती चेतावनी के संकेत कैसे दिखते हैं

देरी शायद ही कभी अचानक प्रकट होती है। यह उन पैटर्न के माध्यम से बनती है जो प्रोजेक्ट डेटा में दिखाई देते हैं, बशर्ते आप जानें कि कहाँ देखना है। किसी गतिविधि पर श्रम उत्पादकता में सप्ताह दर सप्ताह 5% की गिरावट। लगातार तीन शिपमेंट में मटेरियल डिलीवरी शेड्यूल से 2 से 3 दिन देरी से आना। किसी विशिष्ट कार्य क्षेत्र से संबंधित प्रश्नों पर RFI प्रतिक्रिया समय 4 दिन से बढ़कर 9 दिन हो जाना। व्यक्तिगत रूप से, इनमें से कोई भी संकेत अलार्म ट्रिगर नहीं करता। लेकिन एक साथ मिलकर, ये संकेत देते हैं कि कोई गतिविधि अपनी पूर्णता तिथि चूकने की संभावना रखती है।

AI शेड्यूलिंग टूल एक साथ कई डेटा स्ट्रीम में इन पैटर्न की निगरानी करके काम करते हैं। ये दैनिक रिपोर्ट, टाइमकीपिंग रिकॉर्ड, डिलीवरी लॉग, RFI डेटाबेस और मौसम डेटा को इनजेस्ट करते हैं। ये वर्तमान प्रोजेक्ट पैटर्न की तुलना पूर्ण हो चुके प्रोजेक्ट्स के ऐतिहासिक पैटर्न से करते हैं ताकि पहचान सकें कि कोई गतिविधि देरी की ओर बढ़ रही है।

एक प्लेटफॉर्म ने 1,200 पूर्ण हो चुके कमर्शियल कंस्ट्रक्शन प्रोजेक्ट्स के डेटा का विश्लेषण किया और शेड्यूल देरी से संबंधित 23 विशिष्ट अग्रणी संकेतकों की पहचान की। सबसे मजबूत भविष्यवक्ता किसी गतिविधि पर प्रतिदिन घटते श्रम घंटों (नियोजित क्रू साइज के विरुद्ध मापा गया) और उस कार्य क्षेत्र में मटेरियल के लिए बढ़ती सबमिटल री-सबमिशन दरों का संयोजन था। जब दोनों संकेतक एक साथ दिखाई दिए, तो गतिविधि 84% बार अपनी निर्धारित पूर्णता तिथि से चूक गई।

कैस्केड प्रभावों का पूर्वानुमान

यह भविष्यवाणी करना कि कोई एकल गतिविधि देरी से होगी, उपयोगी है। लेकिन यह भविष्यवाणी करना कि जब वह गतिविधि फिसलती है तो बाकी शेड्यूल पर क्या होता है - यही वह जगह है जहाँ AI शेड्यूलिंग सबसे अधिक मूल्य जोड़ती है। पारंपरिक CPM शेड्यूलिंग गतिविधियों के बीच तार्किक संबंध दिखाती है, लेकिन यह अवधियों को निश्चित मानती है और देरी के प्रसार की व्यावहारिक वास्तविकताओं को ध्यान में नहीं रखती।

पूर्ण हो चुके प्रोजेक्ट्स पर प्रशिक्षित AI मॉडल सीखते हैं कि कुछ प्रकार की देरी दूसरों की तुलना में अलग तरीके से प्रसारित होती है। उदाहरण के लिए, स्ट्रक्चरल स्टील इरेक्शन में देरी आमतौर पर डाउनस्ट्रीम की हर चीज़ को लगभग पूरी देरी अवधि तक प्रभावित करती है क्योंकि वर्कअराउंड विकल्प बहुत कम होते हैं। इसके विपरीत, इंटीरियर फ्रेमिंग में देरी अक्सर आंशिक रूप से अवशोषित हो जाती है क्योंकि ड्राईवॉल क्रू फ्रेमिंग के पूरा होने तक अन्य क्षेत्रों में क्रम से बाहर काम कर सकते हैं।

AI रिसोर्स कंटेंशन को भी मॉडल करता है। यदि मैकेनिकल देरी रफ-इन को उसी सप्ताह में धकेल देती है जब इलेक्ट्रिकल ने एक बड़ी क्रू को मोबिलाइज़ करने का शेड्यूल किया था, तो मॉडल पहचानता है कि दोनों ट्रेड एक ही सीलिंग स्पेस के लिए प्रतिस्पर्धा करेंगे और एक-दूसरे को धीमा करेंगे, जिससे कुल प्रभाव साधारण शेड्यूल लॉजिक की भविष्यवाणी से अधिक बढ़ जाता है।

डेनवर में एक जनरल कॉन्ट्रैक्टर ने $28 मिलियन की ऑफिस बिल्डिंग पर AI शेड्यूल फोरकास्टिंग का उपयोग किया। सिस्टम ने कर्टन वॉल इंस्टॉलेशन को वास्तव में पिछड़ने से 6 सप्ताह पहले 2 सप्ताह की संभावित देरी के रूप में फ्लैग किया। इस शुरुआती चेतावनी ने प्रोजेक्ट टीम को अतिरिक्त मटेरियल प्री-ऑर्डर करने, सप्लीमेंटल क्रू की व्यवस्था करने और डाउनस्ट्रीम ट्रेड्स को एडजस्ट करने का समय दिया। वास्तविक देरी अनुमानित 14 दिनों के बजाय 8 दिन रही, और समग्र पूर्णता तिथि पर कैस्केड प्रभाव 3 दिनों तक सीमित रहा।

डेटा आवश्यकताएँ और गुणवत्ता

AI शेड्यूल फोरकास्टिंग के लिए सुसंगत डेटा इनपुट की आवश्यकता होती है, जो प्राथमिक अपनाने की बाधा है। मॉडल को विशिष्ट शेड्यूल गतिविधियों से जुड़ा दैनिक या साप्ताहिक प्रगति डेटा, गतिविधि स्तर पर श्रम ट्रैकिंग, और निर्धारित आवश्यकता तिथियों के विरुद्ध मटेरियल डिलीवरी ट्रैकिंग की आवश्यकता होती है। कई कॉन्ट्रैक्टर इस जानकारी को किसी न किसी रूप में ट्रैक करते हैं, लेकिन यह अक्सर कई सिस्टम में फैली होती है, असंगत प्रारूप में होती है, और विभिन्न स्तरों के विवरण के साथ दर्ज की जाती है।

AI शेड्यूलिंग से सबसे अधिक मूल्य प्राप्त करने वाले कॉन्ट्रैक्टर वे हैं जिनके पास पहले से अनुशासित फील्ड रिपोर्टिंग प्रक्रियाएँ हैं। यदि आपके सुपरिंटेंडेंट प्रोजेक्ट मैनेजमेंट सिस्टम में दैनिक प्रगति अपडेट कर रहे हैं और आपके प्रोजेक्ट इंजीनियर एक संरचित डेटाबेस में डिलीवरी और RFI ट्रैक कर रहे हैं, तो AI शेड्यूलिंग के लिए डेटा पाइपलाइन अपेक्षाकृत सीधी है।

जिन कॉन्ट्रैक्टर्स का डेटा कम व्यवस्थित है, उनके लिए अपनाने का मार्ग आमतौर पर AI के मूल्य जोड़ने से पहले फील्ड रिपोर्टिंग और डेटा एंट्री को मानकीकृत करने से शुरू होता है। यह व्यर्थ प्रयास नहीं है। बेहतर डेटा प्रथाएँ AI के बिना भी प्रोजेक्ट मैनेजमेंट में सुधार करती हैं, और वे AI टूल्स को सार्थक फोरकास्टिंग प्रदान करने की नींव बनाती हैं।

AI शेड्यूल पूर्वानुमानों की सटीकता

ये भविष्यवाणियाँ कितनी विश्वसनीय हैं? कई प्लेटफॉर्म्स के प्रकाशित डेटा से पता चलता है कि किसी विशिष्ट गतिविधि में देरी होगी या नहीं, इसकी भविष्यवाणी करते समय 70 से 80% की पूर्वानुमान सटीकता दर है, जब पूर्वानुमान नियोजित पूर्णता तिथि से 3 से 6 सप्ताह पहले किया जाता है। गतिविधि अपनी नियोजित तिथि के करीब आने पर सटीकता बढ़ती है क्योंकि अधिक डेटा उपलब्ध होता है।

कैस्केड प्रभाव भविष्यवाणी के लिए, सटीकता कम होती है, आमतौर पर 55 से 65%, क्योंकि डाउनस्ट्रीम प्रभाव चेतावनी के जवाब में प्रोजेक्ट टीम द्वारा की गई शमन कार्रवाइयों पर निर्भर करते हैं। यह वास्तव में एक वांछनीय परिणाम है। यदि पूर्वानुमान के कारण टीम ऐसी कार्रवाई करती है जो कैस्केड को कम करती है, तो पूर्वानुमान मूल्यवान था भले ही वह सटीक रूप से सही नहीं था।

AI-संचालित कंस्ट्रक्शन प्रोजेक्ट मैनेजमेंट अपनाने वाली फर्में पा रही हैं कि इन टूल्स का मूल्य उनकी सटीकता में नहीं बल्कि सही समय पर सही समस्याओं पर ध्यान केंद्रित करने की उनकी क्षमता में है। 500 गतिविधियों वाले शेड्यूल में एक साथ देखने के लिए बहुत सारी चीज़ें होती हैं। AI उन 5 या 10 गतिविधियों तक क्षेत्र को सीमित कर देता है जो वर्तमान में जोखिम पैटर्न दिखा रही हैं, जिससे प्रोजेक्ट टीम को अपने शमन प्रयासों को कहाँ निर्देशित करना है इसकी प्राथमिकता सूची मिलती है।

प्रोजेक्ट टीमों के काम करने के तरीके में बदलाव

व्यवहारिक बदलाव तकनीक जितना ही महत्वपूर्ण है। पारंपरिक शेड्यूल मैनेजमेंट काफी हद तक प्रतिक्रियात्मक है। टीम साप्ताहिक प्रगति की समीक्षा करती है, पहले से पिछड़ चुकी गतिविधियों की पहचान करती है, और रिकवरी योजनाएँ विकसित करती है। AI-सहायता प्राप्त शेड्यूलिंग बातचीत को रोकथाम की ओर मोड़ती है। टीम साप्ताहिक जोखिम पूर्वानुमानों की समीक्षा करती है, पिछड़ने की संभावना वाली गतिविधियों की पहचान करती है, और पूर्व-निवारक कार्रवाई करती है।

यह बदलाव शुरू में कुछ प्रोजेक्ट टीमों के लिए असहज होता है। किसी ज्ञात समस्या के बजाय भविष्यवाणी पर कार्रवाई करने के लिए एक अलग मानसिकता और ट्रेड कॉन्ट्रैक्टर्स के साथ एक अलग बातचीत की आवश्यकता होती है। किसी सबकॉन्ट्रैक्टर को यह बताना कि डेटा सुझाव देता है कि उनकी गतिविधि देरी की ओर बढ़ रही है, जबकि सब का मानना है कि वे ट्रैक पर हैं - इसके लिए कूटनीति और बातचीत का समर्थन करने के लिए डेटा की आवश्यकता होती है।

इस परिवर्तन को अपनाने वाली प्रोजेक्ट टीमें रिपोर्ट करती हैं कि AI पूर्वानुमान शेड्यूल चर्चाओं में एक तटस्थ तीसरे पक्ष बन जाते हैं। GC सुपरिंटेंडेंट द्वारा किसी सब की ओर इशारा करके कहने के बजाय कि आप पिछड़ रहे हैं, चर्चा इस पर केंद्रित होती है कि डेटा क्या दिखाता है और कौन से समायोजन मदद कर सकते हैं। जिन सबकॉन्ट्रैक्टर्स ने शुरू में AI-आधारित आकलन का विरोध किया, वे अक्सर शुरुआती चेतावनी की सराहना करने लगते हैं क्योंकि यह उन्हें स्थिति गंभीर होने से पहले अपनी संसाधन योजनाओं को समायोजित करने का समय देती है।