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 :
Réponse rapide
Predictive Analytics for Construction est un skill gratuit qui transforme les données historiques en intelligence des risques, prévoyant dépassements de coûts, retards de planning et probabilités de risque. Il livre une classe Python d'analyse prédictive avec des modèles Gradient Boosting, une recherche de projets similaires, et un rapport généré avec les facteurs clés, en compagnon du livre Data-Driven.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit ce45bbfÉtape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. 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://raw.githubusercontent.com/datadrivenconstruction/ddc_skills_for_ai_agents_in_construction/ce45bbfbdd63ab7868871061fdf5e83bc17f5020/2_DDC_Book/4.1-Analytics-KPI-Dashboard/predictive-analytics-construction/SKILL.md Version épinglée : installe le code au commit ce45bbfbdd63ab7868871061fdf5e83bc17f5020 exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire 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.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- ce45bbf · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill 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 un skill avant de l’installer.