Chaque chef de projet connaît ce moment : au début de la réunion quotidienne, un ticket critique est bloqué, un développeur est en arrêt maladie, une dépendance tarde à être livrée ou une fonctionnalité essentielle est retardée. En quelques instants, le planning soigneusement établi s’effondre, et il faut réagir au feu. Selon une étude du Wellington State of Project Management 2025, 62 % des projets informatiques manquent leurs délais — une augmentation par rapport aux 51 % enregistrés en 2017. Face à cette réalité, j’ai décidé d’agir. En tant que chef de projet Agile, j’ai longtemps considéré les retards comme inévitables. Mais cette statistique m’a poussé à explorer des solutions plus proactives. J’ai alors utilisé la science des données et l’apprentissage automatique pour construire un modèle capable de prédire 41 % des retards avant qu’ils ne se produisent. Ce chiffre, bien qu’il puisse sembler modeste, représente une avancée significative dans la prévention des crises. Le point de départ a été l’analyse de plus de 5 000 tickets Jira, réels et synthétiques, générés à partir d’un jeu de données représentatif. J’ai mis en œuvre une exploration des données (EDA) pour identifier les facteurs associés aux retards : priorité élevée, nombre de dépendances, complexité du ticket, taille des story points, et taille d’équipe. Les résultats confirment une intuition fondamentale : les tickets à haute priorité sont nettement plus susceptibles d’être retardés, notamment en raison d’un effet boucle de rétroaction où les retards entraînent une montée en priorité, augmentant encore la pression. J’ai ensuite développé un modèle de forêt aléatoire (Random Forest), choisi pour sa capacité à capturer des relations non linéaires et à fournir une interprétabilité des caractéristiques. L’objectif principal était la rappel (recall) pour la classe des retards (valeur = 1), car dans un contexte de gestion de projet, il est préférable de signaler des risques potentiels (même avec quelques faux positifs) que de rater un retard critique. Le modèle a atteint un rappel de 0,41, ce qui signifie qu’il détecte 41 % des retards réels. Bien que loin d’être parfait, ce taux offre une alerte précoce précieuse. L’analyse d’interprétabilité révèle que la complexité du ticket et l’interaction entre priorité et nombre de story points sont les facteurs les plus influents. Ces insights permettent de calculer un score de risque par ticket, permettant aux chefs de projet de se concentrer sur les 20 % de tâches les plus risquées. Dans mon simulation, ces tickets représentaient 50,5 % des retards réels — une concentration de risque significative. En appliquant des actions préventives sur ces tâches, j’ai estimé une économie de 9 270 $ sur un projet de 100 000 $, soit près de 10 % du coût total. Ce gain ne concerne pas seulement le délai, mais aussi la satisfaction client, la productivité équipe et la réduction du stress opérationnel. Un tableau de bord interactif, intégrant les KPIs clés (risque par sprint, taux de retard, évolution du risque), rend ces données exploitables en temps réel. La validation croisée en 5 plis a confirmé une stabilité du modèle (rappel entre 0,39 et 0,42), prouvant sa robustesse. Ce projet montre que la science des données ne remplace pas l’expérience du chef de projet, mais la renforce. Comme un instrument de navigation pour un pilote, elle offre une vue plus claire des risques, permettant des décisions plus éclairées. En combinant expertise métier et analyse de données, les chefs de projet peuvent passer d’une approche réactive à une stratégie proactive. Apprendre Python, SQL ou les bases de l’apprentissage automatique n’est plus un luxe, mais une nécessité pour les professionnels du projet. Ces compétences s’étendent à la gestion de produit, à l’analyse métier et à la collaboration avec les équipes techniques. Enfin, cette expérience m’a appris que bien des « bonnes pratiques » sont en réalité des hypothèses non vérifiées. La donnée permet de les tester, de corriger les biais et d’améliorer continuellement les processus. Je suis Yassin, chef de projet IT devenu passionné par la science des données. Ce chemin m’a appris que les meilleures décisions naissent de la synergie entre intuition humaine et analyse rigoureuse. Pour aller plus loin, je vous invite à me rejoindre sur LinkedIn.