Les drivers de l’effort sont des attributs discriminants qui influent sur l’effort. La liste des drivers de l’effort est incluse dans la liste des attributs et peut être notée D (D ⊂ A). L’ensemble des valeurs des drivers d’effort du projet Pi peuvent être notées que Di=dik (1 ≤ k ≤ r), où dik représente le driver d’effort k du projet Pi et r est le nombre de drivers de l’effort.
La conception d’un modèle d’estimation de l’effort nécessite d’identifier les drivers et de définir la relation entre l’effort et les drivers. Cette relation peut être représentée par une fonction f qui minimise les erreurs δi entre l’effort réel et l’effort estimé Ei, telle que dans l’équation VII.1 où (1 ≤ i ≤ n). Dans ces travaux, cette relation est modélisée en utilisant les Réseaux de Neurones (RN).
f (di1, di2, ..., dir) = eEi = Ei+ δi (VII.1)
2.2 Modèle d’estimation de l’effort
Pour permettre d’estimer de l’effort d’un projet, nous proposons une ap-proche de construction de modèle d’estimation de l’effort. Le modèle est construit sur la base de Réseaux de Neurones (RN). Ce modèle prend en compte les informations incertaines qui caractérisent les nouveaux projets. Des distributions de probabilité permettent ainsi de caractériser les
incerti-2 Estimation de l’effort de réalisation d’un projet 83
tudes de chaque driver d’effort.
La figure VII.3 présente l’approche proposée. Le formalisme détaillé pré-cédemment a été utilisé pour détailler les algorithmes sous-jacents. Elle com-prend deux processus : (1) la conception d’un modèle d’estimation (2) la mise en œuvre du modèle. So#ware projects NN -‐ Monte Carlo simula7on Effort drivers distribu7ons determina7on Effort drivers distributions Effort estimation distribution Human expert Effort drivers list NNEE model Prepared Database NNEE model Performance indicators Dataset prepara7on NNEE configura7on and training NNEE tes7ng
(2) NNEE Model implementation and uncertainty integration
(1) NNEE model elaboration Project being estimated Effort estimates (a) (b) (c)
(i) (ii) (iii)
Distribu7on analysis
Figure VII.3 – Méthode d’estimation de l’effort proposée
(1) La conception du modèle vise ainsi à élaborer un modèle d’estima-tion en utilisant un RN (Laqrichi et al. 2014a). Comme le montre la figure VII.3, elle se compose de trois grandes étapes : (a) la préparation du jeu de données, (b) la configuration du modèle de RN et (c) le test du modèle.
(a) Les données utilisées pour la réalisation des estimations proviennent essentiellement des retours d’expériences des projets menés par l’entreprise. Cependant, il est fréquent que les informations présentes dans cette base de données ne soient pas complètes. La préparation de données comprend alors trois étapes : nettoyage, transformation et division. Elle consiste à retirer les attributs inutiles pour l’estimation, supprimer les projets dont les infor-mations sont manquantes et à transformer toutes les variables en valeurs numériques utilisables dans le modèle de RN, avec m = min1≤i≤n(aij) et M = max1≤i≤n(aij).
aij ← aij − m
M − m (VII.2)
L’étape de division consiste à sélectionner des projets pour la conception du RN et d’autres pour le tester.
(b) Il n’existe pas de méthode optimale pour déterminer la configuration la plus appropriée (Golmohammadi 2013). Dans ces travaux, différents facteurs ont été pris en compte pour la déterminer : le nombre d’entrées correspond au nombre de drivers de l’effort ; le nombre de sorties correspond
au nombre de variables à estimer ; le nombre de couches cachées est fixé à 2 ; le nombre de nœuds, dans chaque couche cachée, est généralement inférieur ou égal à deux fois le nombre des entrées (Boetticher 2001).
Le paramétrage vise à ajuster la relation entre les entrées et les sorties du RN. Plusieurs algorithmes d’apprentissage peuvent être utilisés, tel que Resilient back PROPagation (RPROP) qui a été retenu et adapté pour cette approche.
(c) Pour évaluer la performance du modèle, l’effort calculé est comparé à l’effort réel (Laqrichi et al. 2013a). L’un des critères couramment utilisé est l’amplitude moyenne de l’erreur relative (Mean Magnitude of Relative Error MMRE), tel que défini dans l’équation (VII.3) dans laquelle MRE représente l’ampleur de l’erreur relative pour un projet (équation (VII.4)).
M M RE = 1 n n X i=1 M REi (VII.3) M REi = | Ei− eEi | Ei (VII.4)
P red(l) est un autre critère couramment utilisé pour évaluer la per-formance des modèles d’estimation. Il représente la probabilité d’un projet d’avoir une erreur inférieure ou égale à l (classiquement l=25%) (Dave et al. 2012). Dans l’équation (VII.5), p représente le nombre de projets ayant une erreur inférieure ou égale à l.
P red(l) = p
n (VII.5)
(2) La mise en œuvre du modèle de simulation proposé se compose de trois activités principales : (i) la détermination des distributions des drivers d’effort, (ii) la simulation Monte-Carlo (figure VII.4) et (iii) l’analyse de la distribution obtenue.
La forme de la distribution des estimations de l’effort donne une idée des répercussions des incertitudes sur l’effort. Cela permet de trouver la probabilité des estimations possibles de l’effort, y compris l’effort le plus probable,Eenew. La distribution cumulée des estimations de l’effort Eenew(u) permet d’avoir l’effort estimé dans la limite du niveau d’incertitude u accep-table. Ainsi, selon le degré de confiance de l’estimateur en la survenue ou non d’évènements, celui-ci peut évaluer la couverture du risque et l’équilibre coût bénéfice associé.
3 Planification des ressources humaines 85
Generate random sample for each effort driver
Effort estimate based on NN model
Process the table of effort estimates
Last iteration? Effort drivers probability
distributions
Effort estimation distribution
Yes No
Effort estimates table Set of input sample values
Figure VII.4 – Processus de simulation RN-Monte Carlo
3 Planification des ressources humaines
Le modèle présenté dans la section 2 du chapitre V sert de base à ces travaux. Dans un objectif de minimisation des coûts et des délais, il a été enrichi afin d’aider à choisir les affectations des ressources humaines et sélec-tionner les stratégies de traitement du risque. Dans cette section nous nous intéressons à l’écart (ou GAP) de niveau de compétence entre celui qui est requis par une tâche pour être réalisée dans des conditions optimales et celui qui est acquis par la ressource humaine qui la réalisera. Cet écart influence la durée de réalisation de la tâche et a donc un effet sur la durée du projet.