Predictive Analytics for Construction — forecast overruns, delays, and risks
Prévoir les résultats de projets depuis des données historiques : dépassements de coûts, retards de planning et probabilités de risque — modèles Gradient Boosting, recherche de projets similaires et rapport de prédiction généré avec facteurs de risque clés
- Quoi
- Prévoir les résultats de projets depuis des données historiques : dépassements de coûts, retards de planning et probabilités de risque — modèles Gradient Boosting, recherche de projets similaires et rapport de prédiction généré avec facteurs de risque clés
- Coût
- Gratuit
- Prérequis
- Python 3 avec pandas, numpy et scikit-learn — des données historiques de projets (estimations initiales, coûts finaux, durées prévues/réelles, avenants, scores de complexité) pour entraîner quoi que ce soit de réel
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill predictive-analytics-construction de @datadrivenconstruction, listé ici avec crédit à son créateur (compagnon du livre « Data-Driven Construction », chapitre 4.1) : transformer les données historiques de projets en intelligence prospective des risques. Il livre une classe Python complète `ConstructionPredictiveAnalytics` — entraîner un modèle de dépassement de coûts (GradientBoostingRegressor sur estimation vs coût final avec importance des variables), un classifieur de retard de planning (GradientBoostingClassifier sur durée prévue vs réelle), interroger les prédictions pour de nouveaux projets avec confiance et facteurs de risque classés, trouver des projets historiques similaires par plus proches voisins pour des résultats comparables, et générer un rapport de prédiction markdown complet. Bémols honnêtes : exige de vraies données historiques avec les colonnes attendues (estimations, coûts finaux, durées, avenants, scores de complexité) — le code est un framework, pas un modèle pré-entraîné ; les valeurs de confiance sont des approximations simplifiées, pas des probabilités calibrées ; à combiner avec le skill frère cost-prediction pour une comparaison de modèles plus poussée. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python 3 avec pandas, numpy et scikit-learn — des données historiques de projets (estimations initiales, coûts finaux, durées prévues/réelles, avenants, scores de complexité) pour entraîner quoi que ce soit de réel Installe-moi « Analyse prédictive pour la construction — prévoir dépassements, retards et risques ». Il donne à mon agent le workflow d'analyse prédictive de @datadrivenconstruction : entraîner un modèle de dépassement de coûts et un classifieur de retard de planning (Gradient Boosting) sur données historiques, prédire dépassements et probabilités de retard pour de nouveaux projets avec facteurs de risque classés, trouver des projets passés similaires par plus proches voisins, et générer un rapport de prédiction markdown complet. Licence MIT. Dépôt : https://github.com/datadrivenconstruction/ddc_skills_for_ai_agents_in_construction/blob/main/2_DDC_Book/4.1-Analytics-KPI-Dashboard/predictive-analytics-construction/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « predictive-analytics-construction ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. pip install pandas numpy scikit-learn ; préparer les données historiques avec les colonnes attendues ; considérer les valeurs de confiance comme des ordres de grandeur, pas des probabilités calibrées). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.