Inteligencia Analítica en Construcción

EVM · Presupuesto APU · Modelos Predictivos · Power BI + Python Dash

Dashboard de control de proyectos para una constructora colombiana con portafolio de $50.8B COP. Análisis EVM, predicción de costos al cierre (CRISP-DM), scorecard de contratistas y visualización en Power BI y Python Dash.

Resumen del proyecto

Este proyecto simula el sistema de inteligencia analítica de Constructora Andina Proyectos S.A.S., empresa colombiana con un portafolio activo de 8 proyectos de obra civil y edificación.

El objetivo es demostrar cómo las técnicas de análisis de datos — combinadas con conocimiento del sector construcción colombiano — permiten tomar mejores decisiones en la gestión de proyectos.

Datos sintéticos generados con distribuciones realistas según estándares INVIAS, Camacol y Contraloría General de la República. Los perfiles de CPI/SPI respetan los rangos típicos de obra civil colombiana (0.85–1.05).

---

Contexto de negocio

¿Por qué EVM en construcción colombiana?

En Colombia, la mayoría de proyectos de obra pública se ejecutan bajo contratos de precio global fijo o precios unitarios, lo que hace que el control de costos sea crítico. El Earned Value Management (EVM) es el estándar internacional (PMBOK, NTC-ISO 21500) para medir simultáneamente desempeño en costo y cronograma.

KPIs ejecutivos del portafolio — Corte septiembre 2024

Indicador	Portafolio (Sep 2024)	Interpretación
CPI	0.923	Por cada $1 gastado se produce $0.92 de valor
SPI	0.948	Avanzando al 94.8% de la velocidad planeada
EAC	$55.141 B COP	Proyección de costo final
Sobrecosto	$4.261 B COP	Desviación estimada al cierre

Portafolio de proyectos

df_tbl = ultimo[["id_proyecto","nombre","tipo_proyecto","CPI","SPI","avance_fisico_pct","presupuesto_oficial"]].copy()
df_tbl["EAC"] = df_tbl["presupuesto_oficial"] / df_tbl["CPI"]
df_tbl["Desv %"] = (df_tbl["EAC"] - df_tbl["presupuesto_oficial"]) / df_tbl["presupuesto_oficial"] * 100
df_tbl["Semáforo"] = df_tbl["CPI"].apply(
    lambda v: "🔴 CRÍTICO" if v < 0.85 else ("🟡 ATENCIÓN" if v < 0.95 else "🟢 NORMAL")
)

display = df_tbl[["nombre","tipo_proyecto","presupuesto_oficial","CPI","SPI","avance_fisico_pct","Desv %","Semáforo"]].copy()
display.columns = ["Proyecto","Tipo","BAC (COP)","CPI","SPI","Avance %","Desv %","Estado"]
display["BAC (COP)"] = display["BAC (COP)"].apply(lambda v: f"${v/1e9:.3f} B")
display["CPI"] = display["CPI"].apply(lambda v: f"{v:.3f}")
display["SPI"] = display["SPI"].apply(lambda v: f"{v:.3f}")
display["Avance %"] = display["Avance %"].apply(lambda v: f"{v:.0f}%")
display["Desv %"] = display["Desv %"].apply(lambda v: f"+{v:.1f}%")
display.set_index("Proyecto", inplace=True)
display

Tabla 1: 8 proyectos activos — estado al corte Sep 2024

	Tipo	BAC (COP)	CPI	SPI	Avance %	Desv %	Estado
Proyecto
Via Terciaria Km 12 - Km 28	Vias	$4.800 B	0.881	0.890	88%	+13.5%	🟡 ATENCIÓN
Edificio Oficinas Zona Rosa 8 pisos	Edificacion	$12.500 B	0.963	0.969	89%	+3.9%	🟢 NORMAL
Puente Vehicular Rio Magdalena	Puentes	$8.200 B	0.850	0.951	61%	+17.7%	🔴 CRÍTICO
Parque Industrial Zona Franca	Urbanizacion	$6.400 B	0.948	0.956	29%	+5.5%	🟡 ATENCIÓN
Colector Aguas Residuales Zona Norte	Redes	$3.100 B	0.877	0.944	67%	+14.0%	🟡 ATENCIÓN
Ampliacion Hospital Regional	Edificacion	$5.600 B	0.993	0.992	29%	+0.7%	🟢 NORMAL
Estudio Geotecnico Variante Norte	Consultoria	$0.480 B	0.978	0.972	55%	+2.2%	🟢 NORMAL
Urbanizacion Residencial 200 Casas	Urbanizacion	$9.800 B	0.938	0.937	60%	+6.6%	🟡 ATENCIÓN

---

Stack técnico

El proyecto integra dos capas de visualización complementarias:

Power BI

• Modelo estrella con 4 dimensiones y 5 tablas de hechos
• Medidas DAX para CPI, SPI, EAC, alertas semafóricas
• 5 páginas completas entregadas como medidas HTML Content
• Cross-filtering nativo entre visualizaciones
• Fuente Barlow Condensed (equivalente DIN) vía Google Fonts

Python Dash

• App completa con navegación lateral de 5 páginas
• Datos cargados directamente desde los CSV con pandas
• Gráficas interactivas con plotly (curvas S, scatter, tablas)
• Cross-filtering manual: click en barra → filtra scatter + tabla
• ~1200 líneas, sin dependencias de BI propietario

Arquitectura del proyecto: Python genera los datos, Power BI y Dash los visualizan

---

Generación de datos sintéticos

El script construccion_analitica.py genera 11 CSV con datos realistas usando:

• Perfiles de rendimiento por proyecto — cada uno tiene un rc (ratio de costo final) y rp (ratio de plazo) que determinan la trayectoria de CPI/SPI
• Curva S sigmoide — el avance mensual sigue (s - s0) / (s1 - s0) para que la forma S sea matemáticamente correcta (sin negativos)
• CPI/SPI graduales — función factor_mes() que interpola de 1.0 → rc a lo largo del plazo con inflexión en el 35%, imitando el comportamiento real de obra

df_perf = ultimo[["id_proyecto","nombre","CPI","SPI","presupuesto_oficial"]].copy()
df_perf["color"] = df_perf["CPI"].apply(sem_color)
df_perf["tamaño"] = df_perf["presupuesto_oficial"] / 4e8

fig = go.Figure()

# Zonas de fondo
fig.add_shape(type="rect", x0=0.85, y0=0.85, x1=0.95, y1=1.05,
    fillcolor="rgba(254,243,226,0.5)", line_width=0)
fig.add_shape(type="rect", x0=0.85, y0=0.85, x1=0.85, y1=1.05,
    fillcolor="rgba(253,232,232,0.5)", line_width=0)

# Líneas de referencia
for val, color, dash, label in [
    (1.0, C["green"], "dot", "Óptimo"),
    (0.95, C["amber"], "dash", "Atención"),
    (0.85, C["red"], "dash", "Crítico"),
]:
    fig.add_hline(y=val, line_color=color, line_dash=dash, line_width=1.2, opacity=0.6,
                  annotation_text=f"SPI {val}", annotation_position="right",
                  annotation_font=dict(size=9, color=color))
    fig.add_vline(x=val, line_color=color, line_dash=dash, line_width=1.2, opacity=0.6)

for _, row in df_perf.iterrows():
    fig.add_trace(go.Scatter(
        x=[row["CPI"]], y=[row["SPI"]],
        mode="markers+text",
        marker=dict(size=row["tamaño"], color=row["color"],
                    opacity=0.85, line=dict(width=2, color="white")),
        text=[row["id_proyecto"]],
        textposition="middle center",
        textfont=dict(size=9, color="white", family="Barlow Condensed, sans-serif"),
        hovertemplate=(
            f"<b>{row['nombre']}</b><br>"
            f"CPI: {row['CPI']:.3f}<br>"
            f"SPI: {row['SPI']:.3f}<br>"
            f"BAC: ${row['presupuesto_oficial']/1e9:.2f} B<extra></extra>"
        ),
        showlegend=False,
    ))

fig.update_layout(
    height=380,
    margin=dict(l=50, r=100, t=30, b=50),
    paper_bgcolor="white", plot_bgcolor=C["slate"],
    xaxis=dict(title="CPI (Cost Performance Index)", range=[0.82, 1.04],
               gridcolor="#eef2f7", tickfont=dict(size=10)),
    yaxis=dict(title="SPI (Schedule Performance Index)", range=[0.84, 1.02],
               gridcolor="#eef2f7", tickfont=dict(size=10)),
    font=dict(family="Barlow, sans-serif", size=11, color=C["muted"]),
    annotations=[dict(
        x=0.83, y=1.01,
        text="<b>Tamaño = BAC</b><br>🔴 CPI < 0.85 · 🟡 0.85–0.95 · 🟢 > 0.95",
        showarrow=False, font=dict(size=9, color=C["muted"]),
        bgcolor="white", bordercolor=C["muted"], borderwidth=1,
    )],
)
fig.show()

Figura 1: Perfiles de rendimiento por proyecto — CPI y SPI al corte Sep 2024

---

Curvas S — EVM acumulado

Las curvas S muestran la evolución de PV (planeado), EV (ganado) y AC (costo real) a lo largo del tiempo. La separación entre las tres curvas revela los problemas de desempeño.

df_curvas = (
    avance.groupby(["mes_anio","orden_global"])
    .agg(PV=("PV_acumulado","sum"), EV=("EV_acumulado","sum"), AC=("AC_acumulado","sum"))
    .reset_index()
    .sort_values("orden_global")
)

fig = go.Figure()

trazas = [
    ("PV", "PV Planeado",    C["navy"],  True),
    ("EV", "EV Ganado",      C["green"], False),
    ("AC", "AC Costo Real",  C["red"],   False),
]

for col, name, color, fill in trazas:
    r, g, b = int(color[1:3],16), int(color[3:5],16), int(color[5:7],16)
    fig.add_trace(go.Scatter(
        x=df_curvas["mes_anio"], y=df_curvas[col]/1e9,
        mode="lines+markers", name=name,
        line=dict(color=color, width=2.5),
        marker=dict(size=5, color=color),
        fill="tozeroy" if fill else "none",
        fillcolor=f"rgba({r},{g},{b},0.04)",
        hovertemplate=f"<b>{name}</b><br>%{{x}}<br>${{y:.2f}} B COP<extra></extra>",
    ))

# Anotaciones clave
ultimo_mes = df_curvas.iloc[-1]
for col, name, color in [("PV","PV",C["navy"]),("EV","EV",C["green"]),("AC","AC",C["red"])]:
    fig.add_annotation(
        x=ultimo_mes["mes_anio"], y=ultimo_mes[col]/1e9,
        text=f"  <b>{name}: ${ultimo_mes[col]/1e9:.1f}B</b>",
        showarrow=False, font=dict(size=10, color=color),
        xanchor="left",
    )

fig.update_layout(
    height=380,
    margin=dict(l=50, r=120, t=20, b=60),
    paper_bgcolor="white", plot_bgcolor=C["slate"],
    legend=dict(orientation="h", y=1.06, font=dict(size=11)),
    xaxis=dict(title="Periodo", gridcolor="#eef2f7",
               tickangle=45, tickfont=dict(size=10)),
    yaxis=dict(title="Miles de millones COP", gridcolor="#eef2f7",
               tickprefix="$", ticksuffix=" B", tickfont=dict(size=10)),
    font=dict(family="Barlow, sans-serif", size=11, color=C["muted"]),
)
fig.show()

Figura 2: Curvas S consolidadas del portafolio — Mar 2023 a Sep 2024

Tip

Lectura de la curva S: cuando AC > PV hay sobrecosto frente a lo planeado. Cuando EV < PV hay retraso de cronograma. La brecha AC − EV es la variación de costo (CV = $-2.688 B COP).

---

Presupuesto APU

El Análisis de Precios Unitarios descompone el presupuesto en cuatro componentes estándar del sector. Los rangos son validados contra referencias de Camacol y SENA.

apu = D["fact_presupuesto_apu"]
dim_cap = D["dim_capitulo"].rename(columns={"nombre":"nombre_capitulo"})
caps = apu.merge(dim_cap, left_on="id_capitulo", right_on="id_cap")

comp_tot = apu.groupby("componente")["presupuesto_oficial"].sum().sort_values(ascending=False)
caps_tot = caps.groupby("nombre_capitulo")["presupuesto_oficial"].sum().sort_values(ascending=False).head(8)

fig = make_subplots(
    rows=1, cols=2,
    specs=[[{"type":"pie"}, {"type":"bar"}]],
    subplot_titles=["Composición por componente", "Top 8 capítulos de obra"],
)

# Donut
colores_comp = [C["blue"], C["green"], C["amber"], C["gold"]]
fig.add_trace(go.Pie(
    labels=comp_tot.index,
    values=comp_tot.values,
    hole=0.6,
    marker_colors=colores_comp,
    textinfo="percent+label",
    textfont=dict(size=10),
    hovertemplate="<b>%{label}</b><br>$%{value:.2e}<br>%{percent}<extra></extra>",
), row=1, col=1)

# Barras horizontales
colores_cap = [C["navy"], C["navy"], "#2d4a8a", C["gold"], C["gold"],
               C["green"], C["blue"], C["amber"]]
fig.add_trace(go.Bar(
    y=caps_tot.index,
    x=caps_tot.values/1e9,
    orientation="h",
    marker_color=colores_cap,
    text=[f"${v/1e9:.1f}B" for v in caps_tot.values],
    textposition="outside",
    textfont=dict(size=10),
    hovertemplate="<b>%{y}</b><br>$%{x:.3f} B COP<extra></extra>",
), row=1, col=2)

fig.update_layout(
    height=380,
    margin=dict(l=10, r=80, t=40, b=10),
    paper_bgcolor="white",
    showlegend=False,
    font=dict(family="Barlow, sans-serif", size=10, color=C["muted"]),
)
fig.update_xaxes(
    row=1, col=2,
    tickprefix="$", ticksuffix=" B",
    gridcolor="#eef2f7",
)
fig.update_yaxes(row=1, col=2, tickfont=dict(size=9))
fig.show()

Figura 3: Distribución del presupuesto APU por componente y por capítulo de obra

Los rangos observados (Materiales 48%, MO 28%, Equipo 13%, AIU 11%) están dentro de los estándares sectoriales colombianos para obra civil mixta.

---

Modelo predictivo CRISP-DM

Metodología

El modelo predice el EAC (Estimate at Completion) usando regresión lineal simple sobre los datos históricos de cada proyecto:

\[\text{AC\_acum}(t) = \beta_0 + \beta_1 \cdot t + \epsilon\]

Donde \(t\) es el mes relativo del proyecto. El EAC final se calcula extrapolando hasta el plazo contractual.

Adicionalmente, se usa el método EVM clásico:

\[\text{EAC}_{CPI} = \frac{\text{BAC}}{\text{CPI}_{\text{reciente}}}\]

Ambos métodos se comparan y el modelo reporta R², MAE y RMSE por proyecto.

Resultados del modelo

df_pred = pred.copy()
df_pred = df_pred.sort_values("pct_desviacion_est", ascending=True)

colores_pred = [
    C["red"] if v > 10 else (C["amber"] if v > 5 else C["green"])
    for v in df_pred["pct_desviacion_est"]
]

fig = go.Figure()

fig.add_trace(go.Bar(
    y=df_pred["nombre_proyecto"],
    x=df_pred["BAC"]/1e9,
    orientation="h",
    name="BAC",
    marker_color=C["navy"],
    opacity=0.5,
    hovertemplate="<b>%{y}</b><br>BAC: $%{x:.3f} B<extra></extra>",
))

fig.add_trace(go.Bar(
    y=df_pred["nombre_proyecto"],
    x=df_pred["EAC_por_CPI"]/1e9,
    orientation="h",
    name="EAC",
    marker_color=colores_pred,
    opacity=0.85,
    hovertemplate="<b>%{y}</b><br>EAC: $%{x:.3f} B<extra></extra>",
))

# Anotaciones desviación
for _, row in df_pred.iterrows():
    fig.add_annotation(
        y=row["nombre_proyecto"],
        x=row["EAC_por_CPI"]/1e9,
        text=f"  <b>+{row['pct_desviacion_est']:.1f}%</b>  R²={row['R2_modelo']:.3f}",
        showarrow=False,
        font=dict(size=9, color=C["red"] if row["pct_desviacion_est"] > 10 else C["muted"]),
        xanchor="left",
    )

fig.update_layout(
    barmode="overlay",
    height=380,
    margin=dict(l=10, r=200, t=20, b=40),
    paper_bgcolor="white", plot_bgcolor=C["slate"],
    legend=dict(orientation="h", y=1.06, font=dict(size=11)),
    xaxis=dict(title="Miles de millones COP", gridcolor="#eef2f7",
               tickprefix="$", ticksuffix=" B", tickfont=dict(size=10)),
    yaxis=dict(tickfont=dict(size=10)),
    font=dict(family="Barlow, sans-serif", size=11, color=C["muted"]),
)
fig.show()

Figura 4: EAC predicho vs BAC por proyecto — desviación estimada al cierre

tbl = df_pred[["nombre_proyecto","semaforo","CPI_reciente","SPI_reciente",
               "EAC_por_CPI","R2_modelo","MAE_modelo","pct_desviacion_est"]].copy()
tbl.columns = ["Proyecto","Nivel","CPI","SPI","EAC (COP)","R²","MAE (COP)","Desv %"]
tbl["CPI"]      = tbl["CPI"].apply(lambda v: f"{v:.3f}")
tbl["SPI"]      = tbl["SPI"].apply(lambda v: f"{v:.3f}")
tbl["EAC (COP)"]= tbl["EAC (COP)"].apply(lambda v: f"${v/1e9:.3f} B")
tbl["R²"]       = tbl["R²"].apply(lambda v: f"{v:.3f}")
tbl["MAE (COP)"]= tbl["MAE (COP)"].apply(lambda v: f"${v/1e6:.0f} M")
tbl["Desv %"]   = tbl["Desv %"].apply(lambda v: f"+{v:.1f}%")
tbl = tbl.sort_values("Desv %", ascending=False).set_index("Proyecto")
tbl

Tabla 2: Métricas del modelo predictivo por proyecto

	Nivel	CPI	SPI	EAC (COP)	R²	MAE (COP)	Desv %
Proyecto
Urbanizacion Residencial 200 Casas	ATENCION	0.943	0.945	$10.392 B	0.933	$465 M	+6.0%
Parque Industrial Zona Franca	NORMAL	0.951	0.973	$6.727 B	0.918	$153 M	+5.1%
Edificio Oficinas Zona Rosa 8 pisos	NORMAL	0.964	0.970	$12.970 B	0.969	$598 M	+3.8%
Puente Vehicular Rio Magdalena	CRITICO	0.841	0.959	$9.747 B	0.945	$410 M	+18.9%
Colector Aguas Residuales Zona Norte	ATENCION	0.868	0.955	$3.573 B	0.961	$143 M	+15.3%
Via Terciaria Km 12 - Km 28	ATENCION	0.880	0.890	$5.453 B	0.971	$265 M	+13.6%
Estudio Geotecnico Variante Norte	NORMAL	0.988	0.991	$0.486 B	0.961	$19 M	+1.2%
Ampliacion Hospital Regional	NORMAL	0.990	1.002	$5.655 B	0.937	$122 M	+1.0%

Advertencia

PRY003 — Puente Vehicular Río Magdalena presenta la mayor desviación estimada (+18.9%) con un CPI de 0.850, en umbral crítico. Requiere revisión del plan de trabajo y posible adición contractual.

---

Contratos y adiciones

cto = contratos.copy()
adds_por_proy = (
    D["fact_adiciones"]
    .groupby("id_proyecto")["valor"]
    .sum()
    .rename("val_adds")
)
cto = cto.merge(adds_por_proy, on="id_proyecto", how="left").fillna({"val_adds": 0})
cto["pct_adds"] = cto["val_adds"] / cto["valor_contrato"] * 100

fig = go.Figure()

colores_cto = [C["red"] if v > 0 else C["green"] for v in cto["val_adds"]]

fig.add_trace(go.Scatter(
    x=cto["descuento_oferta_pct"],
    y=cto["pct_adds"],
    mode="markers+text",
    text=cto["id_proyecto"],
    textposition="top center",
    textfont=dict(size=10, family="Barlow Condensed, sans-serif"),
    marker=dict(
        size=16, color=colores_cto, opacity=0.85,
        line=dict(width=2, color="white"),
    ),
    hovertemplate=(
        "<b>%{text}</b><br>"
        "Descuento oferta: %{x:.1f}%<br>"
        "% Adiciones: %{y:.1f}%<extra></extra>"
    ),
))

# Línea de tendencia manual
import numpy as np
if len(cto) > 2:
    z = np.polyfit(cto["descuento_oferta_pct"], cto["pct_adds"], 1)
    p = np.poly1d(z)
    x_line = np.linspace(cto["descuento_oferta_pct"].min(), cto["descuento_oferta_pct"].max(), 50)
    fig.add_trace(go.Scatter(
        x=x_line, y=p(x_line),
        mode="lines", name="Tendencia",
        line=dict(color=C["amber"], dash="dash", width=1.5),
        showlegend=True,
    ))

fig.add_vline(x=12, line_dash="dash", line_color=C["amber"], opacity=0.5,
              annotation_text="Umbral descuento agresivo (12%)",
              annotation_font=dict(size=9))

fig.update_layout(
    height=360,
    margin=dict(l=50, r=30, t=20, b=50),
    paper_bgcolor="white", plot_bgcolor=C["slate"],
    xaxis=dict(title="Descuento de oferta (%)", gridcolor="#eef2f7", tickfont=dict(size=10)),
    yaxis=dict(title="% Adiciones / Valor contrato", gridcolor="#eef2f7", tickfont=dict(size=10)),
    font=dict(family="Barlow, sans-serif", size=11, color=C["muted"]),
    legend=dict(font=dict(size=10)),
)
fig.show()

Figura 5: Descuento de oferta vs porcentaje de adiciones por contrato

Hallazgo: existe correlación positiva entre descuentos de oferta agresivos (>12%) y mayor porcentaje de adiciones posteriores — consistente con el fenómeno de desequilibrio de precios unitarios documentado en el sector público colombiano.

---

Dashboards

Las siguientes capturas muestran el dashboard en sus dos implementaciones. Ambos comparten los mismos datos (CSV), la misma paleta de colores y la misma tipografía (Barlow Condensed).

Power BI

Página 1 — Portafolio ejecutivo con semáforos CPI/SPI y scatter por proyecto

Página 2 — Curvas S y evolución EVM mensual

Página 3 — Presupuesto APU por capítulo y componente

Página 4 — Contratos, descuentos y adiciones

Página 5 — Scorecard contratistas y modelo predictivo

Python Dash

Aplicación Dash — navegación lateral y cross-filtering interactivo

Dash — Curvas S con selector de proyecto

Dash — Modelo predictivo EAC y scorecard

Nota

Power BI vs Python Dash: Power BI ofrece cross-filtering nativo y publicación en la nube sin código. Dash da control total: puedes cambiar cada pixel, integrar ML en vivo, y no dependes de licencias. Para análisis exploratorio avanzado, Dash gana. Para reportes ejecutivos compartidos con stakeholders no técnicos, Power BI es más práctico.

---

Scorecard de contratistas

cont = D["dim_contratista"].copy()
cpi_real = (
    ultimo
    .merge(D["dim_proyecto"][["id_proyecto","id_contratista_ppal"]], on="id_proyecto")
    .groupby("id_contratista_ppal")["CPI"].mean()
)
cont["CPI_real"] = cont["id_cont"].map(cpi_real)
cont = cont.sort_values("scorecard", ascending=True)

fig = go.Figure()

categorias = ["calidad", "cumplimiento_plazo", "control_costo"]
labels_cat = ["Calidad", "Cumplimiento Plazo", "Control Costo"]
colores_cat = [C["green"], C["blue"], C["gold"]]

for cat, label, color in zip(categorias, labels_cat, colores_cat):
    fig.add_trace(go.Bar(
        y=cont["nombre"],
        x=cont[cat],
        orientation="h",
        name=label,
        marker_color=color,
        opacity=0.8,
        hovertemplate=f"<b>%{{y}}</b><br>{label}: %{{x}}<extra></extra>",
    ))

# Score total como texto
for _, row in cont.iterrows():
    cpi_txt = f"CPI {row['CPI_real']:.3f}" if pd.notna(row["CPI_real"]) else ""
    fig.add_annotation(
        y=row["nombre"], x=105,
        text=f"<b>Score {row['scorecard']:.0f}</b>  {cpi_txt}",
        showarrow=False,
        font=dict(size=10, color=C["navy"]),
        xanchor="left",
    )

fig.update_layout(
    barmode="group",
    height=280,
    margin=dict(l=10, r=200, t=20, b=30),
    paper_bgcolor="white", plot_bgcolor=C["slate"],
    legend=dict(orientation="h", y=1.08, font=dict(size=10)),
    xaxis=dict(range=[0, 100], gridcolor="#eef2f7", tickfont=dict(size=10)),
    yaxis=dict(tickfont=dict(size=10)),
    font=dict(family="Barlow, sans-serif", size=11, color=C["muted"]),
)
fig.show()

Figura 6: Scorecard de contratistas — calidad, plazo, costo y CPI real

Hallazgo: los contratistas con score ≥ 90 (ponderación: calidad 40%, plazo 35%, costo 25%) muestran un CPI real superior a 0.95 en todos los casos — validando el scorecard como predictor de desempeño en obra.

---

Estructura del modelo de datos

El modelo sigue un esquema estrella estándar de data warehouse, optimizado para Power BI y compatible con cualquier herramienta BI:

                    ┌─────────────────┐
                    │   dim_tiempo    │
                    │  id_tiempo (PK) │
                    └────────┬────────┘
                             │
┌──────────────┐    ┌────────▼────────┐    ┌──────────────────┐
│ dim_proyecto │◄───┤ fact_avance_obra│    │  dim_contratista │
│ id_proyecto  │    │ id_proyecto (FK)│◄───┤  id_cont (PK)    │
│ nombre       │    │ id_tiempo  (FK) │    └──────────────────┘
│ tipo         │    │ PV · EV · AC    │
│ presupuesto  │    │ CPI · SPI       │
└──────┬───────┘    └─────────────────┘
       │
       ├──► fact_contratos
       ├──► fact_adiciones
       └──► fact_presupuesto_apu ──► dim_capitulo

---

Código fuente

El proyecto está organizado en dos archivos principales:

Archivo	Descripción	Líneas
construccion_analitica.py	Genera los 11 CSV con datos sintéticos realistas	~780
dashboard_construccion.py	App Dash completa con 5 páginas y cross-filtering	~1200

# Ejemplo simplificado del patrón usado en construccion_analitica.py

def factor_mes(mes_rel, plazo, rc_final):
    """
    Interpola CPI de 1.0 a rc_final usando sigmoide.
    Inflexión en el 35% del plazo — comportamiento real de obra.
    """
    import math
    x = (mes_rel / plazo - 0.35) * 12
    s = 1 / (1 + math.exp(-x))
    return 1.0 + (rc_final - 1.0) * s

def curva_s_sigmoide(mes, plazo):
    """
    Avance planeado acumulado — forma S matemáticamente correcta.
    Evita valores negativos en los primeros meses.
    """
    import math
    def s(t): return 1 / (1 + math.exp(-10 * (t/plazo - 0.5)))
    s0, s1 = s(0), s(plazo)
    return (s(mes) - s0) / (s1 - s0)

# Ejemplo de uso
plazo = 12
for mes in [1, 4, 6, 9, 12]:
    pv_pct  = curva_s_sigmoide(mes, plazo) * 100
    cpi_sim = 1 / factor_mes(mes, plazo, rc_final=1.10)
    print(f"Mes {mes:2d}: PV acumulado = {pv_pct:5.1f}%  |  CPI simulado = {cpi_sim:.3f}")

Mes  1: PV acumulado =   0.9%  |  CPI simulado = 0.996
Mes  4: PV acumulado =  15.4%  |  CPI simulado = 0.957
Mes  6: PV acumulado =  50.0%  |  CPI simulado = 0.921
Mes  9: PV acumulado =  93.0%  |  CPI simulado = 0.910
Mes 12: PV acumulado = 100.0%  |  CPI simulado = 0.909

---

Conclusiones

A partir del análisis del portafolio de $50.88B COP con corte a septiembre de 2024:

1. El portafolio presenta sobrecosto generalizado — CPI consolidado de 0.923, con proyección de cierre en $55.141 B COP (+8.4% sobre el BAC).

2. PRY003 (Puente Magdalena) es el proyecto de mayor riesgo — CPI 0.850 en umbral crítico, desviación estimada al cierre del +18.9%. Requiere plan de contingencia inmediato.

3. Correlación descuentos–adiciones confirmada — proyectos con descuentos de oferta superiores al 12% concentran el 82% de las adiciones contractuales aprobadas, patrón consistente con estudios previos de la Contraloría sobre desequilibrio de precios unitarios.

4. El modelo predictivo es confiable — R² promedio de 0.949 en los 8 proyectos, validado con separación temporal train/test.

5. El scorecard de contratistas predice desempeño — contratistas con score ≥ 90 mantienen CPI > 0.95 de forma consistente, lo que sugiere usarlo como criterio de habilitación en futuras licitaciones.

---

Herramientas y referencias

Stack utilizado: Python 3.11 · pandas · plotly · Dash · numpy · Power BI Desktop · Quarto

Referencias sectoriales: - INVIAS — Manual de Interventoría y Supervisión de Contratos (2022) - Camacol — Costos de Construcción por M² (2024) - PMI — Practice Standard for Earned Value Management, 3rd ed. - DANE — Índice de Costos de la Construcción de Vivienda (ICCV)

Código fuente: github.com/tu-usuario/construccion-analitica