Tổng quan về luận án

Ngành công nghiệp kỹ thuật phần mềm toàn cầu hiện sản xuất lượng sản phẩm vượt mốc 600 tỷ USD mỗi năm với hơn 500.000 nhà quản lý dự án vận hành khoảng một triệu dự án thường niên. Tuy nhiên, thách thức về kiểm soát ngân sách và tiến độ vẫn là bài toán nan giải mang tính cố hữu. Theo báo cáo CHAOS 2020 của tổ chức Standish Group International, bức tranh thực trạng dự án phần mềm bộc lộ những rủi ro nghiêm trọng khi "tỷ lệ thành công của dự án phần mềm là 31%, dự án thất bại một phần là 50% và thất bại hoàn toàn là 19%". Đồng thời, các khảo sát học thuật quốc tế chỉ ra rằng "khoảng một phần ba các dự án có chi phí và thời gian hoàn thành vượt hơn 125%" so với kế hoạch ban đầu.

Khoảng trống nghiên cứu (research gap) trọng tâm nằm ở chỗ phương pháp Quản trị giá trị thu được truyền thống (Earned Value Management - EVM) tuy là chuẩn mực quốc tế nhưng bộc lộ 3 khiếm khuyết nội tại cốt tử: "chỉ dựa vào các chi phí đã phát sinh, dự đoán thiếu độ tin cậy trong giai đoạn sớm của dự án và không tính đến các dữ liệu dự báo". Luận án tiến sĩ Kỹ thuật phần mềm của Nghiên cứu sinh Lê Thế Anh (Mã số: 9480103, Đại học Bách khoa Hà Nội, dưới sự hướng dẫn của TS. Nguyễn Thanh Hùng và TS. Trịnh Anh Phúc) đã tiên phong giải quyết khoảng trống này bằng cách thiết lập khung tích hợp đa tầng giữa EVM, các Mô hình tăng trưởng phi tuyến (Growth Models - GM), phương pháp Liên tiến lũy thừa (Exponential Smoothing Method - XSM) và các thuật toán học máy tiên tiến (LSTM, XGBoost, LightGBM).

Hệ thống câu hỏi nghiên cứu và giả thuyết được định hình nhất quán:

  1. RQ1: Làm thế nào để khắc phục hiện tượng suy giảm độ tin cậy của chỉ số hiệu suất tiến độ SPI truyền thống và nâng cao độ chính xác dự đoán chi phí (EAC), thời gian (TEAC) ở giai đoạn sớm của dự án?
    • H1: Việc tích hợp kỹ thuật Thời gian kế hoạch (Earned Schedule - ES), cải tiến hệ số hiệu suất tương lai $PF$ kết hợp thuật toán ước lượng tham số mô hình tăng trưởng Gompertz sẽ làm giảm sai số phần trăm tuyệt đối trung bình (MAPE) trong dự báo EAC/TEAC xuống dưới 10% ở các mốc tiến độ đầu.
  2. RQ2: Sự kết hợp giữa chuỗi thời gian liên tiến lũy thừa Holt-Winters (XSM) và các chỉ số EVM có tạo ra mô hình dự báo thích ứng với xu hướng biến động chi phí phần mềm hay không?
    • H2: Mô hình lai ghép XSM-EVM cho phép tự điều chỉnh trọng số liên tiến để tối thiểu hóa sai số toàn phương trung bình (MSE), vượt trội so với các công thức ngoại suy tuyến tính EVM chuẩn.
  3. RQ3: Việc ứng dụng mạng nơ-ron học sâu chuỗi thời gian (LSTM) và thuật toán cây quyết định tăng cường độ dốc (XGBoost, LightGBM) trên tập chỉ số EVM có thể mô hình hóa chính xác mức độ hoàn thành dự án phức tạp hay không?
    • H3: Mạng LSTM và các mô hình Gradient Boosting nắm bắt được các quan hệ phi tuyến và phụ thuộc thời gian phức tạp giữa $PV, EV, AC, ES$, mang lại độ chính xác phân loại và hồi quy vượt trội trên tập dữ liệu thực tế.

Khung lý thuyết của nghiên cứu được xây dựng trên nền tảng Công nghệ phần mềm hướng giá trị (Value-Based Software Engineering - VBSE), lý thuyết Quản trị giá trị thu được mở rộng (EVM/ES), lý thuyết Đường cong tăng trưởng Sigmoidal và Lý thuyết Học máy có giám sát. Nghiên cứu thực nghiệm được tiến hành nghiêm ngặt trên tập dữ liệu đa dạng bao gồm các dự án phần mềm thực tế tại Việt Nam (đáp ứng tiêu chuẩn quản lý đầu tư công nghệ thông tin theo Nghị định số 73/2019/NĐ-CP) và các bộ dữ liệu dự án chuẩn hóa từ các kho lưu trữ quốc tế (như projectmanagement.com), đánh giá qua 5 dự án chuyên sâu ở Chương 2 và 10 dự án kiểm thử đối sánh ở Chương 3.

Literature Review và Positioning

Tổng quan tài liệu học thuật về quản trị dự án phần mềm ghi nhận sự phát triển qua 4 trường phái lý thuyết chủ đạo:

  1. Trường phái Quản trị giá trị thu được truyền thống: Khởi xướng từ thập niên 1960 bởi Bộ Quốc phòng Hoa Kỳ và chuẩn hóa bởi Viện Quản lý Dự án Hoa Kỳ (PMI) qua các công trình kinh điển của Fleming & Koppelman (1996). Trường phái này thiết lập bộ ba chỉ số $PV$ (Planned Value / BCWS), $EV$ (Earned Value / BCWP), và $AC$ (Actual Cost / ACWP) cùng các chỉ số hiệu suất $CPI = EV/AC$ và $SPI = EV/PV$.
  2. Trường phái Mở rộng thời gian kế hoạch (Earned Schedule Theory): Lipke (2003) cùng các nghiên cứu tiếp nối của Vanhoucke & Vandevoorde (2007) đã chỉ ra nghịch lý toán học của chỉ số $SPI$: khi dự án tiến gần về điểm kết thúc, $EV$ luôn hội tụ về $PV$ dẫn đến $SPI \to 1.0$ ngay cả khi dự án bị chậm trễ nghiêm trọng. Kỹ thuật $ES$ chuyển đổi trục tiền tệ sang trục thời gian thực $AT$, định nghĩa $SV(t) = ES - AT$ và $SPI(t) = ES/AT$, khôi phục tính chính xác của dự báo tiến độ.
  3. Trường phái Mô hình tăng trưởng chữ S (Sigmoidal Growth Models): Nghiên cứu của Christensen (1993), Trahan (2009), Brown (2001), Nassar (2005) và Alvarado (2004) ứng dụng các hàm phân bố tích lũy như Logistic (LM), Gompertz (GPM), Bass (BM) và Weibull (WM) để mô tả đường cong tích lũy chi phí và tiến độ.
  4. Trường phái Trí tuệ nhân tạo và Học máy trong quản lý dự án: Xuất hiện trong thập kỷ gần đây qua các công trình của Wauters & Vanhoucke (2016), ứng dụng mạng nơ-ron nhân tạo, logic mờ và mô hình hồi quy phi tuyến đa biến.
                  ┌─────────────────────────────────────────────────────────┐
                  │   Value-Based Software Engineering (VBSE) Framework     │
                  └────────────────────────────┬────────────────────────────┘
                                               │
               ┌───────────────────────────────┴───────────────────────────────┐
               ▼                                                               ▼
┌─────────────────────────────┐                                 ┌─────────────────────────────┐
│  Classical EVM & ES Theory  │                                 │   Non-linear Growth & ML    │
│  - Fleming & Koppelman      │                                 │   - Gompertz / Logistic / WM│
│  - Lipke / Vanhoucke        │                                 │   - Holt-Winters / LSTM / GB│
└──────────────┬──────────────┘                                 └──────────────┬──────────────┘
               │                                                               │
               └───────────────────────────────┬───────────────────────────────┘
                                               ▼
                               ┌───────────────────────────────┐
                               │     LUẬN ÁN LÊ THẾ ANH (2024)  │
                               │ Hybrid EVM-GM-XSM-ML Framework│
                               └───────────────────────────────┘

Trong y văn tồn tại những tranh luận học thuật sâu sắc. Christensen (1993) khẳng định các công thức EVM dựa trên chỉ số hiệu suất là ranh giới dưới đáng tin cậy và nghi ngờ tính ưu việt của các mô hình tăng trưởng phức tạp. Ngược lại, Trahan (2009) khi kiểm định trên tập hợp đồng Không quân Hoa Kỳ giai đoạn 1960–2007 chứng minh rằng mô hình Gompertz cho độ chuẩn xác cao hơn ở ngưỡng 20% vòng đời dự án nếu tham số được hồi quy đúng cách. Đồng thời, Brown (2001) với 128 dự án R&D của Bộ Quốc phòng Mỹ và Nassar (2005) khẳng định mô hình Weibull vượt trội trong phân tích độ tin cậy với các mẫu dữ liệu kích thước nhỏ ở giai đoạn đầu.

Luận án của Lê Thế Anh định vị chính xác tại giao điểm của các tranh luận này. Nghiên cứu chứng minh rằng điểm nghẽn của các nghiên cứu quốc tế trước đây là việc áp dụng đơn lẻ mô hình tăng trưởng hoặc EVM thuần túy. Bằng việc kết hợp hệ số hiệu suất tương lai $PF$ cải tiến dựa trên $SPI(t)$ và $SCI(t)$ với thuật toán tối ưu hóa tham số Gompertz, đồng thời tích hợp mạng LSTM và ensemble trees (XGBoost, LightGBM), luận án đã giải quyết triệt để sự bất ổn định dự báo ở giai đoạn sớm, tạo bước tiến đột phá cho chuyên ngành Kỹ thuật phần mềm.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp quan trọng vào việc mở rộng hệ thống lý thuyết Công nghệ phần mềm hướng giá trị (VBSE của Barry Boehm) và Lý thuyết Quản trị dự án hiện đại (PMI PMBOK) thông qua 4 định đề lý thuyết mới:

  • Định đề 1 (Extended Future Performance Factor): Hệ số hiệu suất tương lai $PF$ trong công thức dự đoán chi phí hoàn thành $EAC = AC + \frac{BAC - EV}{PF}$ không phải là một hằng số tuyến tính hay chỉ số cục bộ ($CPI, SPI$), mà là một hàm biến thiên động tích hợp giữa chỉ số chi phí kế hoạch hiệu chỉnh thời gian $SCI(t) = SPI(t) \times CPI$ và các trọng số tương quan đa chiều.
  • Định đề 2 (Asymmetric Dynamic Gompertz Convergence): Đường cong chi phí phần mềm thực tế thể hiện tính bất đối xứng lệch phải rõ rệt. Điểm uốn đạt giá trị tăng trưởng tích lũy tại $x = \beta/\gamma$ với giá trị $GPM(x) = \alpha/e \approx 0.368\alpha$ và tốc độ cực đại $G_{\max} = \frac{\alpha\gamma}{e}$. Việc cải tiến thuật toán ước lượng tham số $(\alpha, \beta, \gamma)$ giúp mô hình bám sát hành vi giải ngân thực tế hơn phân phối Logistic đối xứng.
  • Định đề 3 (Time-Series State Space Representation of EVM): Chuỗi dữ liệu lịch sử $(PV_t, EV_t, AC_t, ES_t)$ chứa đựng các phụ thuộc thời gian bậc cao. Mô hình hóa chuỗi này qua không gian trạng thái ẩn của mạng LSTM giải quyết được bài toán trễ pha và nhiễu thông tin trong quản lý tiến độ.
  • Định đề 4 (Non-linear Ensemble Gradient Optimization): Tỷ lệ phần trăm hoàn thành dự án ($PC$) tuân theo cấu trúc hàm mục tiêu kết hợp giữa hàm mất mát lồi và thành phần chính quy hóa kiểm soát độ phức tạp cây $\Omega(f_k) = \gamma T + \frac{1}{2}\lambda \sum w_j^2$, ngăn ngừa hiện tượng quá khớp (overfitting) trên dữ liệu dự án nhỏ.
                              ┌────────────────────────────────────────┐
                              │ Dynamic Software Project Cost & Time   │
                              └───────────────────┬────────────────────┘
                                                  │
                ┌─────────────────────────────────┴─────────────────────────────────┐
                ▼                                                                   ▼
  ┌───────────────────────────┐                                       ┌───────────────────────────┐
  │  Parametric Growth Path   │                                       │ Temporal ML Representation│
  │  - Gompertz: α·exp(-e^..) │                                       │ - LSTM Recurrent Gates    │
  │  - Adaptive PF Factor     │                                       │ - XGBoost/LightGBM Splits │
  └─────────────┬─────────────┘                                       └─────────────┬─────────────┘
                │                                                                   │
                └─────────────────────────────────┬─────────────────────────────────┘
                                                  ▼
                              ┌────────────────────────────────────────┐
                              │  Optimized EAC & TEAC Predictive Output│
                              │  Minimizing MAPE & Preventing Overrun  │
                              └────────────────────────────────────────┘

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liền mạch 4 trụ cột toán học và kỹ thuật phần mềm:

  1. Cấu trúc dữ liệu đầu vào chuẩn hóa: Chuyển đổi ma trận phân công trách nhiệm (RAM), cơ cấu phân chia công việc (WBS) và cơ cấu tổ chức (OBS) thành đường cơ sở ngân sách $PV$, theo dõi các biến quan sát thực tế $AC, EV, ES, AT$.
  2. Kỹ thuật tính toán Thời gian kế hoạch $ES$: Xác định chỉ số thời gian $t$ thỏa mãn điều kiện nghiêm ngặt: $$EV \ge PV_t \quad \text{và} \quad EV < PV_{t+1}$$ Nội suy tuyến tính $ES = t + \frac{EV - PV_t}{PV_{t+1} - PV_t}$, thiết lập chỉ số hiệu suất thời gian $SPI(t) = ES/AT$.
  3. Mô hình tăng trưởng 4 tham số Sigmoidal: Khảo sát các hàm phân bố tích lũy:
    • Logistic: $LM(x) = \frac{\alpha}{1 + e^{\beta - \gamma x}}$ (Đối xứng, điểm uốn tại $\alpha/2$).
    • Gompertz: $GPM(x) = \alpha e^{-e^{\beta - \gamma x}}$ (Bất đối xứng, điểm uốn tại $\alpha/e$).
    • Bass: $BM(x) = \alpha \frac{1 - e^{-(\beta + \gamma)x}}{1 + \frac{\gamma}{\beta} e^{-(\beta + \gamma)x}}$.
    • Weibull: $WM(x) = \alpha \left(1 - e^{-(x/\gamma)^\delta}\right)$ (Linh hoạt qua tham số hình dạng $\delta$).
  4. Hệ thống thuật toán dự báo đề xuất (CT1 – CT7):
    • CT1: Cải tiến hệ số $PF$ tích hợp $SPI(t)$ và $SCI(t)$.
    • CT2: Cải tiến thuật toán ước lượng tham số $(\alpha, \beta, \gamma)$ trong mô hình Gompertz qua hồi quy phi tuyến tối ưu.
    • CT4: Thuật toán lai ghép kết hợp mô hình tăng trưởng và EVM ($GM-EVM$).
    • CT6: Thuật toán kết hợp phương pháp liên tiến lũy thừa Holt-Winters với EVM ($XSM-EVM$): $$F_{t+1} = S_t + T_t; \quad S_t = F_t + \alpha(A_t - F_t); \quad T_t = \beta(S_t - S_{t-1}) + (1-\beta)T_{t-1}$$
    • CT3 & CT7: Kiến trúc mạng LSTM đa tầng và mô hình cây tăng cường XGBoost/LightGBM tối ưu hóa hàm mất mát và điểm yên ngựa.

Điều kiện biên: Khung phân tích áp dụng chuẩn xác cho các dự án phần mềm có quy trình phát triển từ truyền thống (Waterfall, Spiral) đến linh hoạt (Agile, Scrum) có thiết lập đường cơ sở kế hoạch chi phí/thời gian và thực hiện ghi nhận định kỳ tối thiểu theo tuần hoặc sprint.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ triết lý Thực chứng luận (Positivism) kết hợp Chủ nghĩa thực dụng định lượng (Quantitative Pragmatism). Thiết kế nghiên cứu đa tầng (Multi-level design) kết hợp giữa mô hình hóa giải tích toán học và kiểm định thực nghiệm trên dữ liệu dự án lớn. Rationale của việc tích hợp mixed-methods định lượng nằm ở khả năng bù trừ hoàn hảo: các mô hình tham số giải tích (Gompertz, XSM) mang lại khả năng diễn giải toán học tường minh trong khi các thuật toán học máy phi tham số (LSTM, XGBoost) giải quyết sự phi tuyến và tính biến động cao của dự án phần mềm.

Quy trình nghiên cứu rigorous

Quy trình thu thập và tiền xử lý dữ liệu được thiết kế theo 5 bước nghiêm ngặt:

  1. Thu thập dữ liệu nguồn: Trích xuất dữ liệu chuỗi thời gian của các dự án phần mềm bao gồm $PV, AC, EV$ qua các tuần/tháng thực hiện từ hệ thống quản lý dự án nội bộ và cổng dữ liệu học thuật quốc tế projectmanagement.com.
  2. Làm sạch và Chuẩn hóa: Loại bỏ nhiễu, xử lý các điểm dữ liệu khuyết thiếu, chuẩn hóa đơn vị tiền tệ (€, USD, VNĐ) và thang đo thời gian về dạng chuẩn tắc không thứ nguyên phục vụ huấn luyện mô hình.
  3. Triangulation (Tam giác đạc): Đối soát chéo giữa 3 nguồn dữ liệu: dữ liệu kế hoạch ban đầu (WBS/Gantt chart), nhật ký thực thi chi phí thực tế kế toán, và đánh giá tỷ lệ hoàn thành vật lý độc lập của kiểm thử chất lượng (QA).
  4. Phân chia tập dữ liệu huấn luyện/kiểm thử: Phân chia tập dữ liệu theo tỷ lệ chuẩn cho chuỗi thời gian, sử dụng phương pháp trượt cửa sổ thời gian (sliding window) để đảm bảo mô hình không sử dụng thông tin tương lai trong quá trình dự đoán.
  5. Thước đo độ tin cậy và sai số: Đánh giá chất lượng mô hình thông qua Phần trăm lỗi (PE) và Phần trăm lỗi trung bình tuyệt đối (MAPE): $$PE = \frac{|\text{Giá trị thực tế} - \text{Giá trị dự đoán}|}{\text{Giá trị thực tế}} \times 100%$$ $$MAPE = \frac{1}{n} \sum_{t=1}^n \left| \frac{A_t - F_t}{A_t} \right| \times 100%$$

Data và phân tích

Phân tích dữ liệu thực nghiệm được triển khai chi tiết qua hai giai đoạn lớn trong luận án:

  • Giai đoạn 1 (Chương 2): Khảo sát tập 5 dự án phần mềm điển hình ($DA1 \to DA5$) với quy mô ngân sách từ hàng trăm triệu đến hàng tỷ đồng, thời gian thực hiện kéo dài từ 9 đến 36 tuần. Dữ liệu được tính toán qua 8 phiên bản $EAC$ và 9 phiên bản $TEAC$ (PVM, EDM, ESM).
  • Giai đoạn 2 (Chương 3): Khảo sát tập 10 dự án phần mềm độc lập để kiểm thử mạng LSTM, XGBoost và LightGBM.

Mạng LSTM được cấu hình với các cổng quên ($f_t$), cổng vào ($i_t$), và cổng ra ($o_t$): $$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$ $$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i); \quad \tilde{C}t = \tanh(W_c \cdot [h{t-1}, x_t] + b_c)$$ $$C_t = f_t * C_{t-1} + i_t * \tilde{C}t; \quad o_t = \sigma(W_o \cdot [h{t-1}, x_t] + b_o); \quad h_t = o_t * \tanh(C_t)$$

Mô hình XGBoost và LightGBM được tối ưu hóa siêu tham số (learning rate $\eta \in [0.01, 0.1]$, max depth $\in [3, 6]$, subsample $\in [0.8, 1.0]$) sử dụng thuật toán tối ưu hóa theo gradient trên hàm mất mát điều chỉnh, xử lý hiệu quả hiện tượng điểm yên ngựa (saddle points) trong không gian tham số.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Sự vượt trội của mô hình Gompertz cải tiến (CT2 & CT4) ở pha đầu: Trong giai đoạn sớm của dự án (tiến độ dưới 30% vòng đời), các công thức EVM cổ điển có sai số $PE$ vượt mức 35–45%. Mô hình Gompertz cải tiến với thuật toán ước lượng tham số mới kéo giảm sai số $PE$ xuống dưới 12.4%, giải quyết bài toán thiếu dữ liệu lịch sử đầu dự án.
  2. Khắc phục triệt để nghịch lý SPI qua kỹ thuật ES: Luận án chứng minh trên dữ liệu thực tế rằng ở tuần thứ 11 của dự án chậm tiến độ 2 tuần (với $PD = 9, BAC = 150$), chỉ số truyền thống $SPI = 150/150 = 1.0$ (báo hiệu giả tạo là đúng tiến độ), trong khi $SPI(t) = ES/AT = 9/11 = 0.818$ phản ánh chính xác mức độ chậm trễ 18.2%.
  3. Mô hình XSM-EVM (CT6) tối ưu hóa khả năng thích ứng: Thuật toán Holt-Winters điều chỉnh động hai hệ số $\alpha$ và $\beta$ giúp mô hình $XSM-EVM$ thích nghi tức thì với các đợt biến động chi phí đột xuất, đạt $MAPE$ tổng thể thấp hơn 15.8% so với phương pháp ngoại suy tuyến tính $EAC_1$ ($PF=1$).
  4. Mạng LSTM (CT3) làm chủ chuỗi thời gian dự án: Với các dự án có tính chất biến động phức tạp và yêu cầu thay đổi liên tục, mạng LSTM đạt giá trị $loss$ hội tụ nhanh và duy trì sai số $MAPE$ dự đoán chi phí ở mức 4.82% – 6.15%, vượt trội so với các mô hình tham số tĩnh.
  5. Hiệu năng xuất sắc của Gradient Tree Boosting (XGBoost & LightGBM): Trong bài toán dự đoán tỷ lệ hoàn thành dự án ($PC$), XGBoost và LightGBM đạt độ chính xác $R^2 > 0.94$, đồng thời giảm thời gian huấn luyện hơn 40% so với các mạng nơ-ron truyền thống, chứng minh tính khả thi cao khi tích hợp vào các công cụ quản lý dự án thời gian thực.
Phương pháp dự báo MAPE Giai đoạn sớm (<30%) MAPE Giai đoạn giữa (30-70%) MAPE Toàn vòng đời
EVM truyền thống ($PF=1, CPI$) 38.5% 18.2% 22.4%
Mô hình Gompertz cải tiến (CT2, CT4) 12.4% 8.6% 9.8%
Mô hình lai XSM-EVM (CT6) 14.1% 7.9% 8.5%
Mạng nơ-ron LSTM (CT3) 11.2% 4.9% 5.5%
XGBoost / LightGBM (CT7) 10.8% 5.2% 5.9%

Implications đa chiều

  • Về mặt lý luận học thuật: Làm phong phú cơ sở lý luận của chuyên ngành Kỹ thuật phần mềm và Quản lý dự án; cầu nối hoàn hảo giữa lý thuyết đường cong tăng trưởng sinh học/kinh tế và khoa học dữ liệu hiện đại.
  • Về phương pháp luận: Cung cấp bộ công cụ thuật toán hoàn chỉnh từ ước lượng tham số giải tích đến tối ưu hóa học máy, có thể chuyển giao áp dụng cho các loại hình dự án công nghệ cao khác ngoài phần mềm.
  • Về ứng dụng thực tiễn: Cung cấp cho các Giám đốc dự án (PM), Giám đốc kỹ thuật (CTO) công cụ cảnh báo sớm định lượng chính xác tại mọi thời điểm $t$, giúp đưa ra các quyết định điều chỉnh phạm vi, bổ sung nguồn lực kịp thời trước khi dự án rơi vào tình trạng mất kiểm soát.
  • Về chính sách và quản lý nhà nước: Đóng vai trò là căn cứ khoa học chuẩn mực phục vụ thẩm định, dự toán ngân sách và giám sát tiến độ các dự án công nghệ thông tin sử dụng nguồn vốn ngân sách nhà nước theo tinh thần của Nghị định 73/2019/NĐ-CP.

Limitations và Future Research

Luận án thẳng thắn chỉ ra 4 giới hạn nghiên cứu:

  1. Quy mô tập dữ liệu thực nghiệm: Mặc dù đã kiểm chứng trên 15 dự án chuyên sâu, số lượng mẫu dự án phần mềm có đầy đủ dữ liệu EVM chi tiết hàng tuần tại Việt Nam vẫn còn hạn chế do tính bảo mật thông tin doanh nghiệp.
  2. Độ nhạy với mô hình phát triển phần mềm đặc thù: Nghiên cứu chưa đi sâu phân tách chi tiết sự khác biệt về sai số giữa các mô hình phát triển hoàn toàn linh hoạt (Pure Agile/Kanban) với các dự án hợp đồng trọn gói (Fixed-price Waterfall).
  3. Chi phí tính toán của mô hình học sâu: Mạng LSTM đòi hỏi tài nguyên tính toán và kỹ năng chuyên gia để tinh chỉnh siêu tham số, có thể tạo rào cản ứng dụng tại các doanh nghiệp phần mềm quy mô nhỏ (SMEs).
  4. Ảnh hưởng của yếu tố con người: Mô hình tập trung vào các chỉ số định lượng ($PV, EV, AC$), chưa tích hợp các biến định tính như năng lực lập trình viên hay mức độ thay đổi nhân sự trong đội ngũ.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Mở rộng tích hợp các kỹ thuật Xử lý ngôn ngữ tự nhiên (NLP) và Mô hình ngôn ngữ lớn (LLM) để phân tích yêu cầu phần mềm và nhật ký mã nguồn (Git commit logs), tự động sinh ra chỉ số $EV$ khách quan.
  • Phát triển mô hình lai Deep Learning - Bayesian Networks nhằm ước lượng khoảng tin cậy (Confidence Intervals) cho $EAC$ và $TEAC$.
  • Xây dựng framework giám sát chi phí thời gian thực tích hợp trực tiếp vào các nền tảng quản trị DevOps hiện đại như GitLab, GitHub Actions, Jira.

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật: Thiết lập chuẩn mực nghiên cứu mới trong lĩnh vực Quản lý dự án phần mềm tại Việt Nam, mở ra tiềm năng trích dẫn cao trên các tạp chí quốc tế uy tín thuộc danh mục ISI/Scopus (như IEEE Transactions on Software Engineering, Information and Software Technology, Journal of Systems and Software).
  • Chuyển đổi công nghiệp: Ứng dụng trực tiếp tại các công ty phần mềm lớn, doanh nghiệp gia công xuất khẩu phần mềm và các tổ chức phát triển giải pháp số, giúp cắt giảm tỷ lệ vượt ngân sách từ mức trung bình 25–30% xuống dưới 10%.
  • Tác động chính sách: Cung cấp khung phương pháp luận hỗ trợ các cơ quan quản lý nhà nước, Bộ Thông tin và Truyền thông, các chủ đầu tư dự án công nghệ thông tin công lập nâng cao hiệu quả giải ngân và kiểm soát tiến độ đầu tư công.
  • Lợi ích kinh tế - xã hội: Tiết kiệm hàng triệu USD chi phí lãng phí do dự án chậm tiến độ hoặc đình trệ, nâng cao năng lực cạnh tranh quốc tế của ngành công nghệ thông tin Việt Nam.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận hệ thống công thức toán học, thuật toán cải tiến tham số Gompertz, mã nguồn mô hình học máy và phương pháp luận tích hợp EVM-ML chuẩn mực.
  • Giám đốc dự án (PM) và Kỹ sư trưởng: Sở hữu công cụ dự báo định lượng $EAC/TEAC$ chính xác để chủ động điều hành, phân bổ nguồn lực và đàm phán tiến độ với khách hàng.
  • Lãnh đạo doanh nghiệp và PMO (Project Management Office): Chuẩn hóa quy trình quản trị dự án toàn công ty theo tiêu chuẩn quốc tế VBSE và EVM, tối ưu hóa danh mục đầu tư phần mềm.
  • Cơ quan quản lý và Chủ đầu tư nhà nước: Có công cụ giám sát độc lập, minh bạch để nghiệm thu các giai đoạn đầu tư công nghệ thông tin theo đúng quy định pháp luật.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đóng góp lý thuyết độc đáo nhất là việc mở rộng khung lý thuyết Quản trị giá trị thu được (EVM) thông qua việc tái định nghĩa hệ số hiệu suất tương lai $PF$ và chứng minh quy luật hội tụ tiệm cận của mô hình tăng trưởng Gompertz bất đối xứng trong kỹ thuật phần mềm. Nghiên cứu đã chứng minh bằng giải tích toán học rằng việc kết hợp chỉ số thời gian $ES$ với các tham số mô hình tăng trưởng cho phép triệt tiêu hiện tượng méo mó dự báo ở giai đoạn sớm của dự án.

2. Đột phá về phương pháp luận so với các công trình quốc tế trước đây? So với công trình của Trahan (2009) (chỉ áp dụng Gompertz đơn thuần trên dữ liệu hợp đồng Không quân Mỹ) và Nassar (2005) (chỉ sử dụng Weibull phân tích độ tin cậy), luận án của Lê Thế Anh đã tạo bước đột phá phương pháp luận khi xây dựng quy trình kết hợp 3 lớp: Lớp tham số hóa EVM/ES $\to$ Lớp lọc thích ứng chuỗi thời gian Holt-Winters (XSM) $\to$ Lớp học máy tối ưu phi tuyến (LSTM, XGBoost, LightGBM), đem lại độ chính xác dự báo toàn diện ở mọi mốc thời gian.

3. Phát hiện gây ngạc nhiên nhất từ dữ liệu thực nghiệm là gì? Phát hiện ngạc nhiên nhất là chỉ số hiệu suất kế hoạch $SPI$ truyền thống hoàn toàn mất tác dụng cảnh báo khi dự án đi vào pha cuối (luôn tiến về 1.0 dù dự án chậm tiến độ nghiêm trọng), trong khi chỉ số $SPI(t)$ dựa trên $ES$ và các mô hình dự báo học máy duy trì sự ổn định tuyệt đối và phản ánh chính xác 100% độ trễ thực tế của dự án.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) hoàn chỉnh không? Có. Luận án cung cấp đầy đủ công thức giải tích, mô tả thuật toán chi tiết từng bước (Step-by-step algorithms), cấu hình siêu tham số mạng LSTM, bảng ánh xạ biến vào/ra ($PV, AC, EV, ES \to EAC, TEAC, PC$) và quy trình tiền xử lý dữ liệu chuẩn hóa, cho phép các nhà nghiên cứu độc lập tái lập thực nghiệm dễ dàng.

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình như thế nào? Lộ trình 10 năm hướng tới việc tự động hóa hoàn toàn quy trình quản trị dự án thông qua Hệ thống tự trị hỗ trợ ra quyết định (Autonomous Project Decision Support Systems), kết hợp trí tuệ nhân tạo tạo sinh (Generative AI) để phân tích rủi ro tự động từ mã nguồn và mô hình hóa dự báo ngân sách đa dự án quy mô lớn (Enterprise Program Level).

Kết luận

  1. Luận án đã hệ thống hóa và giải quyết thành công bài toán cốt lõi trong quản lý dự án phần mềm: dự đoán chính xác chi phí ($EAC$) và thời gian ($TEAC$) hoàn thành dự án dựa trên phương pháp Quản trị giá trị thu được và Công nghệ phần mềm hướng giá trị (VBSE).
  2. Đề xuất thành công 4 cải tiến thuật toán giải tích đột phá: Cải tiến hệ số hiệu suất tương lai $PF$ (CT1), Cải tiến thuật toán ước lượng tham số mô hình Gompertz (CT2), Cải tiến thuật toán tích hợp mô hình tăng trưởng và EVM (CT4), và Cải tiến phương pháp kết hợp liên tiến lũy thừa XSM với EVM (CT6).
  3. Tiên phong thiết lập khung ứng dụng các thuật toán học máy hiện đại (Mạng nơ-ron hồi quy LSTM - CT3, Cây quyết định tăng cường XGBoost - CT7 và LightGBM) trên các tập chỉ số EVM, đạt độ chính xác dự báo vượt trội ($MAPE < 6%$).
  4. Kiểm chứng thực nghiệm nghiêm ngặt trên nhiều bộ dữ liệu dự án phần mềm trong nước và quốc tế, chứng minh tính khả thi, độ tin cậy và sự phù hợp hoàn hảo với các tiêu chuẩn quản lý dự án hiện đại cũng như quy định pháp lý của Việt Nam (Nghị định 73/2019/NĐ-CP).
  5. Mở ra 3 hướng nghiên cứu học thuật mới: Tích hợp AI/LLM tự động trích xuất chỉ số EVM từ kho mã nguồn, Mô hình hóa rủi ro dự án thích ứng thời gian thực, và Xây dựng nền tảng quản trị dự án thông minh trong kỷ nguyên DevOps/AIOps.
  6. Công trình khẳng định vị thế học thuật xuất sắc của NCS Lê Thế Anh và tập thể nghiên cứu Đại học Bách khoa Hà Nội, đóng góp di sản tri thức giá trị cao cho chuyên ngành Kỹ thuật phần mềm Việt Nam và thế giới.