Resumo

Dentre as abordagens para gestão de projetos, o Life Cycle Canvas (LCC) surge com uma proposta para simplificar o desafio no gerenciamento. Em gestão de projetos, elevados níveis de risco se tornam obstáculos para o andamento do projeto. Logo, a gestão de riscos passa a ser um importante elemento à gestão de projetos, interferindo minimamente no escopo, nos custos, otimizando a qualidade e o cronograma de entregas. Um modelo capaz de lidar com incertezas advindas do ambiente, e que pode auxiliar no gerenciamento de riscos em projetos é o modelo de medição baseado em Redes Bayesianas (RB).

Ressaltando a necessidade do uso de modelos capazes de lidar com a incerteza do ambiente de projetos, principalmente que possam aliviar os eventuais riscos que venham a surgir no decorrer do projeto, surge o seguinte questionamento: Como avaliar os riscos de um projeto desenvolvido em LCC a partir de mensurações provenientes de um modelo de Rede Bayesiana? Nesse contexto, o objetivo do estudo consiste em mensurar e analisar os riscos de um projeto desenvolvido pelo método LCC a partir de um modelo elaborado em Redes Bayesianas.

O gerenciamento de projetos com o LCC é realizado de maneira simples, dinâmica e intuitiva, seguindo todo o ciclo de vida do projeto. O gerenciamento de riscos é parte vital para que se possa atingir os resultados pretendidos em um projeto. Riscos devem ser identificados e monitorados em todas as fases do Projeto e, caso aconteçam, devem ser tratados. RB podem auxiliar nas tomadas de decisões junto a um evento que venha a ocorrer, prevendo a probabilidade de que uma determinada possível causa possa ser o fator ocasionador, sendo uma alternativa viável para gestão de riscos.

De posse das informações sobre o projeto base, inicia-se a estruturação da Rede Bayesiana, que terá o intuito de auxiliar na análise dos riscos do projeto. A estrutura da RB é composta por duas partes, uma com abordagem qualitativa, outra com abordagem quantitativa. A partir das informações coletadas com um especialista, buscou-se compreender a força que cada item presente nos fatores-chave Requisitos, Restrições, Tempo_Entregas e Premissas exercem sobre o fator-chave Riscos, além da força que cada item do fator-chave Riscos exerce junto ao Indicador Geral de Desempenho do Projeto (IGDP).

As simulação apresentaram a probabilidade de incidência dos riscos do projeto junto ao IGDP. O primeiro risco do projeto apresenta a maior quantidade de parâmetros com maior probabilidade de interferência, quando comparado às probabilidades dos demais riscos. O quarto risco do projeto tem o parâmetro com maior força junto ao IGDP, apresentando a maior probabilidade. Já o quinto risco do projeto tem o parâmetro com a menor probabilidade. A partir da RB gerada é possível ponderar, probabilisticamente, sobre quais riscos absorvem uma maior quantidade de parâmetros na simulação.

Com base nas simulações geradas observou-se quais riscos são afetados por uma quantidade maior de parâmetros no projeto, bem como os riscos que apresentam uma alta ou moderada probabilidade de desempenho inferior junto ao IGDP. A pesquisa desenvolveu um modelo probabilístico que proporcionou a quantificação de eventuais riscos no projeto, a partir da percepção de um especialista. A RB desenvolvida permiti aos gestores do projeto mensurações, e consequentemente deliberar eventuais soluções de problemas que sejam afetadas pelos riscos do projeto, com base em análises parametrizadas.

Firmenich, J. (2017). Customisable framework for project risk management. Construction Innovation, 17(1), 68–89. https://doi.org/10.1108/ci-04-2015-0022 Silva, L. A. d., Cortez, A. E. G., Sousa Neto, M. V. d., & Araújo, A. G. d. (2021). Bayesian networks as support to project management: Optimization of decision-making of a project developed through the Life Cycle Canvas model. European Journal of Scientific Research, 158(4). Veras, M. (2016). Gestão dinâmica de projetos: Life Cycle Canvas. Brasport.