CN114065997A - 利用机器学习模型来管理和确定新产品开发的预测成功率 - Google Patents

利用机器学习模型来管理和确定新产品开发的预测成功率 Download PDF

Info

Publication number
CN114065997A
CN114065997A CN202110891788.XA CN202110891788A CN114065997A CN 114065997 A CN114065997 A CN 114065997A CN 202110891788 A CN202110891788 A CN 202110891788A CN 114065997 A CN114065997 A CN 114065997A
Authority
CN
China
Prior art keywords
current
historical
project
industry
item
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110891788.XA
Other languages
English (en)
Inventor
A·库玛
P·马诺查
A·古普塔
N·梅塔
A·阿南德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Accenture Global Solutions Ltd
Original Assignee
Accenture Global Solutions Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Accenture Global Solutions Ltd filed Critical Accenture Global Solutions Ltd
Publication of CN114065997A publication Critical patent/CN114065997A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Abstract

本公开的实施例涉及利用机器学习模型来管理和确定新产品开发的预测成功率。新产品开发系统可以向一个或多个客户端设备和服务器设备提供一个或多个工具以实现新产品的开发。新产品开发系统可以接收标识用于开发新产品的当前项目的当前项目数据、标识用于开发历史产品的历史项目的历史项目数据，以及与新产品相关联的行业数据。新产品开发系统可以利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量，并且可以利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率。新产品开发系统可以基于当前项目的预测成功率来执行一个或多个动作。

Description

利用机器学习模型来管理和确定新产品开发的预测成功率
技术领域
本公开的实施例涉及机器学习领域，并且更具体地涉及利用机器学习模型来管理和确定新产品开发的预测成功率。
背景技术
开发和发布新产品需要许多不同部门之间的协调，诸如研究与开发(R&D)部门、采购部门、制造部门、营销部门，等等。这还需要对开发新产品的复杂性、用于开发新产品的时间线、生产新产品所需的资源的量和类型、针对新产品的当前和预测需求等进行估算。为了有效地协调各部门并且进行估算，团队领导必须对关于开发和发布新产品的项目的一个或多个特性进行判断。
发明内容
在一些实现中，一种方法包括：由设备向一个或多个客户端设备和服务器设备提供一个或多个工具，以经由一个或多个客户端设备和服务器设备实现新产品的开发；由设备从一个或多个工具接收当前项目数据，当前项目数据标识用于开发新产品的当前项目；由设备接收历史项目数据，历史项目数据标识用于开发历史产品的历史项目；由设备接收行业数据，行业数据标识以下一项或多项：与新产品相关联的行业趋势，与新产品相关联的市场情报，与新产品相关联的众包创意，或者与新产品相关联的潜在客户；由设备利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量，其中一个或多个变量包括以下一项或多项：与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量，行业数据中经标识的行业项目的量，相关性因素，指示当前项目与历史项目之间的相关性以及指示当前项目与行业项目之间的相关性，新近因素，指示历史项目与当前项目相比有多近，以及指示行业项目与当前项目相比有多近，历史项目和行业项目的成功率，或者与针对当前项目定义的初始目标的百分比偏差、与针对当前项目定义的初始成本的百分比偏差、以及与针对当前项目定义的初始时间线的百分比偏差；由设备利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率；以及由设备基于当前项目的预测成功率来执行一个或多个动作。
在一些实现中，一种设备包括：一个或多个存储器；以及一个或多个处理器，被通信地耦合到一个或多个存储器，一个或多个处理器被配置为：向一个或多个客户端设备和服务器设备提供一个或多个工具，以经由一个或多个客户端设备和服务器设备实现新产品的开发；从一个或多个工具接收当前项目数据，当前项目数据标识用于开发新产品的当前项目；接收历史项目数据，历史项目数据标识用于开发历史产品的历史项目；接收与新产品相关联的行业数据；利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量，其中机器学习模型基于以下而被训练：标识用于开发先前产品的先前项目的先前项目数据，历史项目数据，以及与先前产品相关联的特定行业数据；利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率；以及基于当前项目的预测成功率来执行一个或多个动作。
在一些实现中，一种非瞬态计算机可读存储介质，存储指令，指令包括：一个或多个指令，一个或多个指令在由一个或多个处理器执行时，使一个或多个处理器：向一个或多个客户端设备和服务器设备提供一个或多个工具，以经由一个或多个客户端设备和服务器设备实现新产品的开发；从一个或多个工具接收当前项目数据，当前项目数据标识用于开发新产品的当前项目；接收历史项目数据，历史项目数据标识用于开发历史产品的历史项目；接收与新产品相关联的行业数据；利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量；利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率；以及基于当前项目的预测成功率来执行一个或多个动作。
附图说明
图1A-图1E是本文所描述的示例实现的示意图。
图2是示出了训练机器学习模型并且将经训练的机器学习模型应用于新观察的示例的示意图。
图3是其中本文所描述的系统和/或方法可以被实现的示例环境的示意图。
图4是图3的一个或多个设备的示例组件的示意图。
图5是涉及确定新产品开发的预测成功率的示例过程的流程图。
具体实施方式
示例实现的以下具体实施方式参考附图。不同附图中的相同附图标记可以标识相同或相似的元件。
通常，新产品开发是线性过程，其中研发部门从事设计新产品的工作，采购部门从事在新产品由研发部门设计之后采购材料以制造新产品的工作，制造部门从事在材料被采购之后制造新产品的工作，营销部门从事在新产品被制造之后营销新产品的工作，等等。然而，这是一个耗时的过程，并且当一个或多个部门的任务被延迟时，该过程的线性特性可以增加用于新产品的上市时间。此外，管理新产品开发项目可以是资源密集型的，同时也容易出现人为错误。例如，项目经理可以使用一个或多个计算资源来管理项目的状态，但可能无法访问或查看由每个部门维护的关键数据。因此，项目经理可能会做出对新产品的开发产生负面影响的错误决定。这可以导致计算资源的过度使用以解决因决策不当而导致的问题(例如，重新设计新产品的某些方面，改变订单以采购制造新产品的材料，基于新产品正在改变的性能来更新营销材料，等等)。
本文所描述的一些实现提供了一种新产品开发系统，该系统使新产品开发过程流线化。在一些实现中，新产品开发系统可以向与关联于项目的每个部门相关联的客户端设备和/或服务器设备提供工具，以开发新产品。这些工具可以收集当前项目数据，并且将当前项目数据提供给新产品开发系统，使得新产品开发系统具有跨所有部门的关于新产品的开发状态的最新可见性。
在一些实现中，新产品开发系统可以获取与历史项目相关的历史数据(例如，类似于开发新产品的项目)，和/或与新产品相关的行业数据。新产品开发系统可以对当前项目数据、历史数据和/或行业数据使用机器学习模型来确定针对预测性模型的一个或多个变量。新产品开发系统然后可以使用预测性模型基于一个或多个变量来确定当前项目的预测成功率。因此，新产品开发系统可以基于预测成功率来执行一个或多个动作，诸如自动地使针对当前项目的改变被实现(例如，当前项目的时间线的改变、订单日期和/或用于制造材料的量的改变，等等)。
以此方式，相对于以前的技术，新产品开发系统减少了错误管理新产品开发项目的可能性。相应地，新产品开发系统节省了计算资源、网络资源等，否则这些资源将被浪费在实现不正确或次优的新产品开发计划、标识不正确或次优的新产品开发计划、修改不正确或次优的新产品开发计划中，由于不正确或次优的新产品开发计划和/或类似原因而延迟完成或发布新产品，等等。由于用于监控和/或分析当前项目的资源的高效和有效分配，新产品开发系统还可以提高与当前项目相关联的设备的整体性能。
此外，新产品开发系统可以提高开发新产品项目的可扩展性(例如，新产品开发系统可以被配置为管理更大的项目或多个项目、项目的附加方面等，没有与雇用附加的项目经理和/或与针对项目经理提供计算资源相关联的计算资源利用相关联的延迟)。此外，新产品开发系统可以在一段时间内(例如，每天、每周、每月)处理针对数千、数百万、数十亿等新产品开发项目的预测成功率，因此可以提供“大数据”能力。
图1A-图1E是与利用机器学习模型和预测建模来管理和确定新产品开发的预测成功率相关联的示例100的示意图。如图1A-图1E所示，示例100包括一个或多个客户端设备、一个或多个服务器设备和新产品开发系统。在一些实现中，一个或多个客户端设备、一个或多个服务器设备和/或新产品开发系统可以经由网络而被连接，诸如有线网络(例如，互联网或另一数据网络)、无线网络(例如，无线局域网、无线广域网、蜂窝网络等)等。
新产品开发系统可以包括计算设备、服务器设备、云计算设备，和/或类似设备等。一个或多个客户端设备中的客户端设备可以包括通信和/或计算设备，诸如移动电话、智能电话、膝上型计算机、平板计算机等。一个或多个服务器设备中的服务器设备可以包括通信和/或计算设备，诸如服务器、网络服务器、云计算环境中的服务器等。
如图1A所示，并且通过附图标记105，新产品开发系统可以向一个或多个客户端设备和/或一个或多个服务器设备提供一个或多个工具。一个或多个客户端设备和/或一个或多个服务器设备可以使用一个或多个工具来开发(或帮助开发)新产品，诸如新的软件产品、新的医药产品、新的制造产品和/或类似产品等。在一些实现中，新产品开发系统可以与一个或多个客户端设备和/或一个或多个服务器设备建立(或使被建立)至少一个通信链接，并且可以经由通信链路向一个或多个客户端设备和一个或多个服务器设备发送一个或多个工具。
一种或多种工具可以包括成本和资源优化工具；项目路线图和日程安排工具；计划、选择和优先次序工具；和/或类似的用于开发新产品的工具等。在一些实现中，一个或多个工具可以包括跨过程的链接工具、场景建模工具、基准测试工具、假设工作流工具、预算模拟工具、警报生成工具、报告工具、瓶颈标识工具、根本原因分析工具，等等。一个或多个客户端设备和/或一个或多个服务器设备可以使用一个或多个工具来支持对新产品的开发、计划、设计、原型制作、测试、发布(例如，试点发布)，等等。
如图1A中进一步所示，并且通过附图标记110，新产品开发系统可以从一个或多个工具接收标识用于开发新产品的当前项目的当前项目数据。当前项目数据可能包括与新产品相关联的概念开发数据；与新产品相关联的计划数据；与新产品相关联的设计数据；与新产品相关联的测试数据；新产品相关联的原型数据；与新产品相关联的测试数据；与新产品相关联的试点发布数据；等等。在一些实现中，一个或多个客户端设备和/或一个或多个服务器设备中的至少一个设备(例如，使用一个或多个工具的设备)可以向新产品开发系统发送当前项目数据(例如，经由至少一个通信链路)，在日程安排的基础上(例如，每小时、每天、每周等)，在按需的基础上(例如，基于来自新产品开发系统的请求)，在被触发的基础上(例如，在完成与开发新产品相关联的特定里程碑事件之后)，等等。
如图1B所示，并且通过附图标记115，新产品开发系统可以接收标识用于开发历史产品的历史项目的历史项目数据。历史项目数据可以包括与开发新产品相关联的、并且开发了历史产品的实体(例如，公司、组织、大学等)的历史项目数据。历史项目数据可以针对用于开发历史产品的历史项目标识与历史产品相关联的概念开发数据；与历史产品相关联的计划数据；与历史产品相关联的设计数据；与历史产品相关联的原型数据；与历史产品相关联的测试数据；与历史产品相关联的试点发布数据；等等；在一些实现中，一个或多个客户端设备和/或一个或多个服务器设备(例如，使用一种或多种工具的设备)中的至少一个设备可以向新产品开发系统发送历史项目数据(例如，经由至少一个通信链路)。
如图1B中进一步所示，并且通过附图标记120，新产品开发系统可以接收与新产品相关联的行业数据。行业数据可以标识与新产品相关联的行业趋势、与新产品相关联的市场情报、与新产品相关联的众包创意、与新产品相关联的潜在客户，等等。在一些实现中，一个或多个客户端设备和/或一个或多个服务器设备(例如，使用一种或多种工具的设备)中的至少一个设备可以向新产品开发系统发送行业数据(例如，经由至少一个通信链路)。
如图1C中所示，并且通过附图标记125，新产品开发系统可以处理当前项目数据、历史项目数据和/或行业数据以标识针对预测性模型的一个或多个变量。一个或多个变量可以包括与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量；行业数据中经标识的行业项目的量；相关性因素，指示当前项目与历史项目之间的相关性以及指示当前项目与行业项目之间的相关性；新近因素，指示历史项目与当前项目相比有多近，以及指示行业项目与当前项目相比有多近；历史项目和行业项目的成功率；与针对当前项目定义的初始目标、与针对当前项目定义的初始成本，以及与针对当前项目定义的初始时间线的百分比偏差；等等。
在一些实现中，新产品开发系统可以使用机器学习模型(例如，可以使用机器学习模型处理当前项目数据、历史项目数据和/或行业数据)，以标识针对预测性模型的一个或多个变量。在一些实现中，机器学习模型可以已经基于经标识的用于开发先前产品的先前项目的先前项目数据、历史项目数据、与先前产品相关联的特定行业数据等等而被训练(例如，通过新产品开发系统)。使用先前的项目数据、历史项目数据和特定行业数据作为机器学习模型的输入，机器学习模型可以被训练以标识一种或多种关系(例如，在先前项目数据、历史项目数据和特定行业数据的各个元素之间)用于确定针对预测性模型的一个或多个变量。机器学习模型可以按照与下面关于图2所描述的方式类似的方式而被训练和/或使用。
如图1D所示，并且通过附图标记130，新产品开发系统可以用预测性模型处理一个或多个变量以预测当前项目的预测成功率。预测性模型可以包括公式、算法等，以预测当前项目的预测成功率。例如，新产品开发系统可以确定一个或多个变量的平均值(例如，平均值、中位数、加权平均等)以预测当前项目的预测成功率。作为另一示例，新产品开发系统可以使用以下形式的公式来预测当前项目的预测成功率：
当前项目
Figure BDA0003196435800000081
Figure BDA0003196435800000082
其中n＝与开发新产品相关联的、和/或开发了历史产品的实体的历史项目的量，i是一个计数器，i＝1到n，n≥1；m＝行业数据中经标识的行业项目的量，j是一个计数器，j＝1到m，m≥1；k＝当前项目；a＝相关性因素，指示当前项目与历史项目之间的相关性和/或指示当前项目与行业项目之间的相关性(例如，其中0≤a≤1)。例如，相关性因子素可以是一个或多个值的组合，诸如与适用行业、适用业务单位、适用产品线、适用项目规模、适用项目目标/影响、适用客户群、适用竞争等相关联的值。b＝新近因素，指示历史项目与当前项目相比有多近和/或指示行业项目与当前项目相比有多近(例如，其中0≤b≤1)。例如，针对0-0.5年的项目，新近因素可以为80-100％，0.5-1年的项目为60-79％，1-2年的项目为40-59％，2-4年的项目为20-39％，和/或4年以上的项目为0-19％。X＝历史项目的成功率，以及W＝行业项目成功率，其中X，W＝(αP-βQ-γR)，其中P＝针对当前项目定义的初始目标的实现的百分比(例如，其中当前项目失败时P＝0％)，Q＝与针对当前项目定义的初始成本的百分比偏差，R＝与针对当前项目定义的初始时间线的百分比偏差，α＝分配给初始目标的实现的权重，β＝分配给与初始成本的偏差的权重，O＝与初始目标的百分比偏差(例如，其中当当前项目失败时，O＝100％)；Y＝与初始成本的百分比偏差；以及Z＝与初始时间线的百分比偏差。
如图1E所示，并且通过附图标记135，新产品开发系统可以基于当前项目的预测成功率来执行一个或多个动作。在一些实现中，一个或多个动作可以包括新产品开发系统提供(例如，经由通信链路)标识当前项目的预测成功率的信息以用于显示(例如，在一个或多个客户端设备中的至少一个客户端设备的显示器上)。以此方式，新产品开发系统可以提醒负责管理当前项目的个人，并且个人可以使用一个或多个工具(例如，由新产品开发系统提供的)来更新和/或修改当前项目的一个或多个方面。
在一些实现中，一个或多个动作可以包括新产品开发系统基于预测成功率来确定针对当前项目的改变和/或使改变经由一个或多个工具被实现。例如，新产品开发系统可以基于预测的成功率生成一个或多个指令，并且向一个或多个客户端设备和/或一个或多个服务器设备提供(例如，经由通信链路)该一个或多个指令。该一个或多个指令然后可以经由一个或多个工具而被执行以使改变。在一些实现中，新产品开发系统可以监控改变的实现是否满足合规阈值，并且在改变的实现未能满足合规性阈值时生成并且提供警报消息，用于显示(例如，在客户端设备的显示器上)。附加地或备选地，新产品开发系统可以基于使改变被实现来确定当前项目的经更新的预测成功率，并且基于当前项目的经更新的预测成功率来执行一个或多个附加动作。以此方式，新产品开发系统可以支持在当前项目的整个生命周期中自动地优化和/或监控当前项目的一个或多个方面。
在一些实现中，一个或多个动作可以包括新产品开发系统基于预测成功率使当前项目的实现停止(例如，使当前项目被关闭)或继续(例如，使当前项目保持不变)。在一些实现中，一个或多个动作可以包括基于预测成功率确定当前项目的动作计划并且监控动作计划的执行。以此方式，新产品开发系统可以支持在当前项目的生命周期中的特定时刻自动地优化当前项目的一个或多个方面。
在一些实现中，一个或多个动作包括基于预测成功率计算并且提供标识当前项目的投资回报的信息，用于显示(例如，在客户端设备的显示器上)。附加地或备选地，新产品开发系统可以基于预测成功率确定针对当前项目的投资回报的推荐并且使投资回报的推荐经由一个或多个工具而被实现(例如，以与上述类似的方式)。以此方式，新产品开发系统可以支持在当前项目的生命周期内自动地最大化当前项目的投资回报。
在一些实现中，一个或多个动作包括基于预测成功率来重新训练机器学习模型。以此方式，机器学习模型可以更好地预测针对预测性模型的一个或多个变量，这可以产生更准确的预测成功率并且提高新产品开发系统的性能。
如上所述，提供图1A-图1E作为示例。其他示例可以与关于图1A-图1E所描述的内容不同。图1A-图1E中所示的设备的数目和布置是作为示例而被提供的。在实践中，与图1A-图1E中所示的设备相比，可以存在附加的设备、更少的设备、不同的设备，或不同布置的设备。此外，图1A-图1E中所示的两个或更多个设备可以在单个设备内被实现，或者图1A-图1E中所示的单个设备可以被实现为多个分布式设备。附加地或备选地，图1A-图1E中所示的一组设备(例如，一个或多个设备)可以执行被描述为由图1A-1E中所示的另一组设备执行的一个或多个功能。
图2是示出了结合确定针对预测性模型的一个或多个变量来训练和使用机器学习模型的示例200的示意图。使用机器学习系统，本文所描述的机器学习模型的训练和使用可以被执行。机器学习系统可以包括或可以被包括在计算设备、服务器、云计算环境中，等等，诸如本文其他地方更详细描述的新产品开发系统。
如附图标记205所示，观察集可以被用于训练机器学习模型。该观察集可以从历史数据中被获取，诸如在本文所描述的一个或多个过程期间被收集的数据。在一些实现中，机器学习系统可以从一个或多个客户端设备、一个或多个服务器设备和/或新产品开发系统接收观察集(例如，作为输入)，如本文其他地方所描述。
如附图标记210所示，观察集包括特征集。特征集可以包括变量集，并且变量可以被称为特征。特定观察可以包括与变量集相对应的变量值集(或特征值)。在一些实现中，机器学习系统可以基于从一个或多个客户端设备、一个或多个服务器设备和/或新产品开发系统所接收的输入来确定针对观察集的变量和/或针对特定观察的变量值。例如，机器学习系统可以通过从结构化数据中提取特征集、通过执行自然语言处理以从非结构化数据中提取特征集、通过接收来自操作员的输入等等来标识特征集(例如，一个或多个特征和/或特征值)。
例如，观察集的特征集可以包括项目数据的第一特征(例如，与先前项目相关联的项目数据)、历史项目数据的第二特征、行业数据的第三特征(例如，与先前产品相关联的特定行业数据)，等等。如所示的，针对第一观察，第一特征可以具有计划数据的值，第二特征可以具有历史原型数据的值，第三特征可以具有类似产品的投资回报率(ROI)的值，等等。这些特征和特征值作为示例而被提供，并且在其他示例中可能不同。
如附图标记215所示，观察集可以与目标变量相关联(例如，将由预测性模型使用的)。目标变量可以具有数值，可以具有落在值范围内的数值或具有一些离散可能值，可以从多个选项中的一个选项(例如，多个类别、分类、标签等中的一个选项)被选择，可以具有布尔值，等等。目标变量可以与值相关联，并且值可以特定于观察。在示例200中，目标变量具有针对第一观察的相关性因素值。
目标变量可以表示机器学习模型正在被训练以预测的值，并且特征集可以表示被输入到经训练的机器学习模型以预测针对目标变量的值的变量。该观察集可以包括目标变量值，使得机器学习模型可以被训练以标识特征集中导致目标变量值的模式。被训练以预测目标变量值的机器学习模型可以被称为监督学习模型。
在一些实现中，机器学习模型可以在不包括目标变量的观察集上被训练。这可以被称为无监督学习模型。在这种情况下，机器学习模型可以在没有标记或监督的情况下从观察集中学习模式，并且可以提供指示这种模式的输出，诸如通过使用聚类和/或关联来标识观察集内的相关条目组。
如附图标记220所示，机器学习系统可以使用观察集和使用一个或多个机器学习算法来训练机器学习模型，诸如回归算法、决策树算法、神经网络算法、k-最近邻算法、支持向量机算法，等等。在训练之后，机器学习系统可以将机器学习模型存储为经训练的机器学习模型225以被用于分析新观察。
如附图标记230所示，机器学习系统可以将经训练的机器学习模型225应用于新观察，诸如通过接收新观察并且将新观察输入到经训练的机器学习模型225。如所示的，新观察可以包括例如概念数据的第一特征(例如，针对新产品)、历史计划数据的第二特征、市场情报的第三特征(例如，与新产品相关联的)，等等。机器学习系统可以将经训练的机器学习模型225应用于新观察以生成输出(例如，结果)。输出的类型可以取决于机器学习模型的类型和/或正在执行的机器学习任务的类型。例如，输出可以包括目标变量的预测值，诸如当监督学习被采用时。附加地或备选地，输出可以包括标识新观察属于哪个聚类的信息、指示新观察与一个或多个其他观察之间的相似度的信息等，诸如当无监督学习被采用时。
作为示例，经训练的机器学习模型225可以针对新观察的目标变量的值预测先前项目(例如，针对与新产品相似的先前产品)的成功率，如附图标记235所示。基于该预测，机器学习系统可以提供推荐，可以提供用于推荐的确定的输出，可以执行自动化动作，可以使自动化动作被执行(例如，通过指示另一设备执行自动化动作)，等等。自动化动作可以包括例如预测当前项目的预测成功率，如本文所描述的。
在一些实现中，与新观察相关联的推荐和/或自动化动作可以基于具有特定标签(例如，分类、归类等)的目标变量值，可以基于目标变量值是否满足一个或多个阈值(例如，目标变量值是否大于阈值、小于阈值、等于阈值、落入阈值范围，等等)，可以基于新观察被分类在其中的聚类，等等。
以此方式，机器学习系统可以应用严格并且自动化的过程来确定针对预测性模型的一个或多个变量。机器学习系统能够标识和/或标识数十、数百、数千或数百万个特征和/或数十、数百、数千或数百万个观察的特征值，从而相对于需要计算资源被分配给数十、数百或数千个操作员来使用特征或特征值以手动地确定针对预测性模型的一个或多个变量而言，提高了准确性和一致性并且减少了与确定针对预测性模型的一个或多个变量相关联的延迟。
如上所述，提供图2作为示例。其他示例可以与图2所描述的有关的内容不同。
图3是其中可以实现本文所描述的系统和/或方法的示例环境300的示意图。如图3所示，环境300可以包括新产品开发系统301，新产品开发系统可以包括云计算系统302的一个或多个元件和/或可以在云计算系统302内执行的一个或多个元件。云计算系统302可以包括一个或多个元件303-元件313，如下文更详细描述的。如图3进一步所示，环境300可以包括网络320、客户端设备330和/或服务器设备340。环境300的设备和/或元件可以经由有线连接和/或无线连接互连。
云计算系统302包括计算硬件303、资源管理组件304、主机操作系统(OS)305和/或一个或多个虚拟计算系统306。资源管理组件304可以执行计算硬件303的虚拟化(例如，抽象)以创建一个或多个虚拟计算系统306。使用虚拟化，资源管理组件304使得单个计算设备(例如，计算机、服务器等)能够像多个计算设备一样操作，诸如通过从单个计算设备的计算硬件303创建多个隔离的虚拟计算系统306。以此方式，计算硬件303可以更有效地操作，与使用单个计算设备相比，具有更低的功耗、更高的可靠性、更高的可用性、更高的利用率、更大的灵活性和更低的成本。
计算硬件303包括来自一个或多个计算设备的硬件和相应的资源。例如，计算硬件303可以包括来自单个计算设备(例如，单个服务器)或来自多个计算设备(例如，多个服务器)的硬件，诸如一个或多个数据中心中的多个计算设备。如图所示，计算硬件303可以包括一个或多个处理器307、一个或多个存储器308、一个或多个存储组件309和/或一个或多个网络组件310。处理器、存储器、存储组件和网络组件(例如，通信组件)的示例在本文其他地方描述。
资源管理组件304包括能够虚拟化计算硬件303以实现、停止和/或管理一个或多个虚拟计算系统306的虚拟化应用(例如，在诸如计算硬件303之类的硬件上执行)。例如，资源管理组件304可以包括管理程序(例如，裸机或类型1管理程序、托管或类型2管理程序，等等)或虚拟机监视器，诸如当虚拟计算系统306是虚拟机311时。附加地或备选地，资源管理组件304可以包括容器管理器，诸如当虚拟计算系统306是容器312时。在一些实现中，资源管理组件304在主机操作系统305内和/或与主机操作系统305协调地执行。
虚拟计算系统306包括使用计算硬件303使得本文所描述的操作和/或过程的基于云的执行能够实现的虚拟环境。如图所示，虚拟计算系统306可以包括虚拟机311、容器312、包括虚拟机和容器的混合环境313，等等。虚拟计算系统306可以使用文件系统来执行一个或多个应用，该文件系统包括二进制文件、软件库和/或在客户操作系统(例如，在虚拟计算系统306内)或主机操作系统305上执行应用所需的其他资源。
尽管新产品开发系统301可以包括云计算系统302的一个或多个元件303-元件313，但可以在云计算系统302内执行，和/或可以在云计算系统302内被托管，在一些实现中，新产品开发系统301可以不基于云(例如，可以在云计算系统之外被实现)或可以部分基于云。例如，新产品开发系统301可以包括一个或多个不属于云计算系统302的设备，诸如图4的设备400，设备400可以包括独立服务器或另一类型的计算设备。新产品开发系统301可以执行本文其他地方更详细描述的一个或多个操作和/或过程。
网络320包括一个或多个有线和/或无线网络。例如，网络320可以包括蜂窝网络、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、专用网络、互联网，等等，和/或这些或其他类型网络的组合。网络320使得环境300的设备之间能够通信。
客户端设备330包括一个或多个能够接收、生成、存储、处理和/或提供信息的设备，如本文其他地方所述。客户端设备330可以包括通信设备和/或计算设备。例如，客户端设备330可以包括无线通信设备、用户设备(UE)、移动电话(例如，智能电话或手机等)、膝上型计算机、平板计算机、手持式计算机、台式计算机、游戏设备、可穿戴通信设备(例如，智能手表或智能眼镜等)、物联网(IoT)设备或类似类型的设备。客户端设备330可以与环境300的一个或多个其他设备通信，如本文其他地方所述。在一些实现中，客户端设备330可以使用由新产品开发系统301所提供的一个或多个工具来支持新产品的开发。
服务器设备340包括一个或多个能够接收、生成、存储、处理、提供和/或路由信息的设备，如本文其他地方所述。服务器设备340可以包括通信设备和/或计算设备。例如，服务器设备340可以包括服务器、应用服务器、客户端服务器、网络服务器、数据库服务器、主机服务器、代理服务器、虚拟服务器(例如，在计算硬件上执行)、云计算系统中的服务器、包括在云计算环境中使用的计算硬件的设备，或类似类型的设备。服务器设备340可以与环境300的一个或多个其他设备通信，如本文其他地方所述。在一些实现中，服务器设备340可以使用由新产品开发系统301所提供的一个或多个工具来支持新产品的开发。
图3所示的设备和网络的数目和布置是作为示例被提供。在实践中，与图3所示的设备和/或网络相比，可以存在附加的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或不同布置的设备和/或网络。此外，图3中所示的两个或更多个设备可以在单个设备内实现，或者图3中所示的单个设备可以实现为多个、分布式设备。附加地或备选地，环境300的一组设备(例如，一个或多个设备)可以执行被描述为由环境300的另一组设备执行的一个或多个功能。
图4是设备400的示例组件的示意图，设备400可以与新产品开发系统301、计算硬件303、客户端设备330和/或服务器设备340相对应。在一些实现中，新产品开发系统301、计算硬件303、客户端设备330和/或服务器设备340可以包括一个或多个设备400和/或设备400的一个或多个组件。如图4所示，设备400可以包括总线410、处理器420、存储器430、存储组件440、输入组件450、输出组件460，以及通信组件470。
总线410包括使得在设备400的组件之间能够进行有线和/或无线通信的组件。处理器420包括中央处理单元、图形处理单元、微处理器、控制器、微控制器、数字信号处理器、现场可编程门阵列、专用集成电路和/或另一类型的处理组件。处理器420以硬件、固件或硬件和软件的组合而被实现。在一些实现中，处理器420包括能够被编程以执行功能的一个或多个处理器。存储器430包括随机存取存储器、只读存储器和/或另一类型的存储器(例如，闪存、磁存储器和/或光存储器)。
存储组件440存储与设备400的操作相关的信息和/或软件。例如，存储组件440可以包括硬盘驱动器、磁盘驱动器、光盘驱动器、固态盘驱动器、压缩盘、数字多功能盘和/或另一类型的非瞬态计算机可读存储介质。输入组件450使得设备400能够接收输入，诸如用户输入和/或所感测的输入。例如，输入组件450可以包括触摸屏、键盘、小型键盘、鼠标、按钮、麦克风、开关、传感器、全球定位系统组件、加速度计、陀螺仪、致动器，等等。输出组件460使得设备400能够提供输出，诸如经由显示器、扬声器和/或一个或多个发光二极管。通信组件470使得设备400能够与其他设备通信，诸如经由有线连接和/或无线连接。例如，通信组件470可以包括接收器、发送器、收发器、调制解调器、网络接口卡、天线，等等。
设备400可以执行本文所描述的一个或多个过程。例如，非瞬态计算机可读存储介质(例如，存储器430和/或存储组件440)可以存储指令集(例如，一个或多个指令、代码、软件代码、程序代码，等等)，用于由处理器420执行。处理器420可以执行该指令集以执行本文所描述的一个或多个过程。在一些实现中，由一个或多个处理器420执行的指令集使一个或多个处理器420和/或设备400执行本文所描述的一个或多个过程。在一些实现中，硬连线电路可以被用于代替指令或与指令结合以执行本文所描述的一个或多个过程。因此，本文所描述的实现不限于硬件电路和软件的任何特定组合。
图4中所示的组件的数目和布置作为示例被提供。与图4所示的组件相比，设备400可以包括附加的组件、更少的组件、不同的组件或不同布置的组件。附加地或备选地，设备400的一组组件(例如，一个或多个组件)可以执行被描述为由设备400的另一组组件执行的一个或多个功能。
图5是与确定新产品开发的预测成功相关联的示例过程500的流程图。在一些实现中，图5的一个或多个过程块可以由设备(例如，新产品开发系统301)执行。在一些实现中，图5的一个或多个过程块可以由另一设备或与该设备分离或包括该设备的一组设备执行，诸如客户端设备330、服务器设备340，等等。附加地或备选地，图5的一个或多个过程块可以由计算硬件303的一个或多个组件执行，诸如处理器307、存储器308、存储组件309、网络组件310，等等；设备400，诸如处理器420、存储器430、存储组件440、输入组件450、输出组件460、通信组件470，等等；和/或其他类似的组件。
如图5所示，过程500可以包括向一个或多个客户端设备和服务器设备提供一个或多个工具以经由一个或多个客户端设备和服务器设备实现新产品的开发(框510)。例如，该设备可以向一个或多个客户端设备和服务器设备提供一个或多个工具以经由一个或多个客户端设备和服务器设备实现新产品的开发，如上所述。
如图5进一步所示，过程500可以包括从一个或多个工具接收标识用于开发新产品的当前项目的当前项目数据(框520)。例如，设备可以从一个或多个工具接收标识用于开发新产品的当前项目的当前项目数据，如上所述。
如图5进一步所示，过程500可以包括接收标识用于开发历史产品的历史项目的历史项目数据(框530)。例如，设备可以接收标识用于开发历史产品的历史项目的历史项目数据，如上所述。
如图5进一步所示，过程500可以包括接收标识与新产品相关联的行业趋势、与新产品相关联的市场情报、与新产品相关联的众包创意，或与新产品相关联的潜在客户中的一个或多个的行业数据(框540)。例如，设备可以接收标识与新产品相关联的行业趋势、与新产品相关联的市场情报、与新产品相关联的众包创意，或与新产品相关联的潜在客户中的一个或多个的行业数据，如上所述。
如图5进一步所示，过程500可以包括用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量，其中一个或多个变量包括以下一项或多项：与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量，行业数据中经标识的行业项目的量，相关性因素，指示当前项目与历史项目之间的相关性以及当前项目与行业项目之间的相关性，新近因素，指示历史项目与当前项目相比有多近，以及行业项目与当前项目相比有多近，历史项目和行业项目的成功率，或与针对当前项目定义的初始目标的、与针对当前项目定义的初始成本的、与针对当前项目定义的初始时间线的百分比偏差(框550)。例如，设备可以包括用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量，其中一个或多个变量包括以下一项或多项：与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量，行业数据中经标识的行业项目的量，相关性因素，指示当前项目与历史项目之间的相关性以及当前项目与行业项目之间的相关性，新近因素，指示历史项目与当前项目相比有多近，以及行业项目与当前项目相比有多近，历史项目和行业项目的成功率，或与针对当前项目定义的初始目标的、与针对当前项目定义的初始成本的、与针对当前项目定义的初始时间线的百分比偏差。
如图5进一步所示，过程500可以包括用预测性模型处理一个或多个变量，以预测当前项目的预测成功率(框560)。例如，设备可以用预测性模型处理一个或多个变量，以预测当前项目的预测成功率，如上所述。
如图5进一步所示，过程500可以包括基于当前项目的预测成功率来执行一个或多个动作(框570)。例如，设备可以基于当前项目的预测成功率来执行一个或多个动作。
在第一实现中，接收当前项目数据包括以下一项或多项：接收与新产品相关联的概念开发数据；接收与新产品相关联的计划数据；接收与新产品相关联的设计数据；接收与新产品相关联的原型数据；接收与新产品相关联的测试数据；或接收与新产品相关联的试点发布数据。
在第二实现中，单独或与第一个实现结合，历史项目数据包括与开发新产品相关联的、并且开发了历史产品的实体的历史项目数据。
在第三实现中，单独或与第一和第二实现中的一个或多个实现结合，利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量包括：利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识以下一项或多项：与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量，行业数据中经标识的行业项目的量，相关性因素，指示当前项目与历史项目之间的相关性以及当前项目与行业项目之间的相关性，新近因素，指示历史项目与当前项目相比有多近，以及行业项目与当前项目相比有多近，历史项目的成功率，行业项目的成功率，与针对当前项目定义的初始目标的百分比偏差，与针对当前项目定义的初始成本的百分比偏差，或与针对当前项目定义的初始时间线的百分比偏差。
在第四实现中，单独或与第一至第三实现中的一个或多个实现结合，利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率包括：利用预测性模型处理以下一项或多项：与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量，行业数据中经标识的行业项目的量，相关性因素，指示当前项目与历史项目之间的相关性以及当前项目与行业项目之间的相关性，新近因素，指示历史项目与当前项目相比有多近，以及行业项目与当前项目相比有多近，历史项目的成功率，行业项目的成功率，与针对当前项目定义的初始目标的百分比偏差，与针对当前项目定义的初始成本的百分比偏差，或者与针对当前项目定义的初始时间线的百分比偏差，以预测当前项目的预测成功率。
在第五实现中，单独或与第一至第四实现中的一个或多个实现结合，执行一个或多个动作包括以下一项或多项：提供标识当前项目的预测成功率的信息，以用于显示；基于预测成功率来确定针对当前项目的改变，并且使改变经由一个或多个工具被实现；或着基于预测成功率来实现针对当前项目的动作计划，并且监控动作计划的执行。
在第六实现中，单独或与第一至第五实现中的一个或多个实现结合，执行一个或多个动作包括以下一项或多项：基于预测成功率计算并且提供标识针对当前项目的投资回报的信息，以用于显示；基于预测成功率确定针对当前项目的投资回报建议，并且使建议经由一个或多个工具被实现；或者基于预测成功率来重新训练机器学习模型。
在第七实现中，单独或与第一至第六实现中的一个或多个实现结合，一个或多个工具包括以下一项或多项：成本和资源优化工具、项目路线图和日程安排工具，或计划、选择和优先次序工具。
在第八实现中，单独或与第一至第七实现中的一个或多个实现结合，执行一个或多个动作包括：基于预测成功率来确定针对当前项目的改变；使改变经由一个或多个工具被实现；基于使一个或多个改变被实现来确定当前项目的经更新的预测成功率；以及基于当前项目的经更新的预测成功率来执行一个或多个附加动作。
在第九实现中，单独或与第一至第八实现中的一个或多个实现结合，利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率包括：确定与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量；确定行业数据中经标识的行业项目的量；确定指示当前项目与历史项目之间的相关性的历史相关性因素；确定指示当前项目与行业项目之间的相关性的行业相关性因素；确定指示历史项目与当前项目相比有多近的历史新近因素；确定指示行业项目与当前项目相比有多近的行业新近因素；确定历史项目的第一成功率；确定行业项目的第二成功率；确定与针对当前项目定义的初始目标的第一百分比偏差；确定与针对当前项目定义的初始成本的第二百分比偏差；确定与针对当前项目定义的初始时间线的第三百分比偏差；以及基于历史项目量、行业项目量、历史相关性因素、行业相关性因素、历史新近因素、行业新近因素、第一成功率、第二成功率、第一百分比偏差、第二百分比偏差、和第三百分比偏差来计算当前项目的预测成功率。
在第十实现中，单独或与第一至第九实现中的一个或多个实现结合，执行一个或多个动作包括：基于预测成功率来确定针对当前项目的一个或多个改变；使一个或多个改变经由一个或多个工具被实现；监控一个或多个改变的实现是否满足合规阈值；以及当一个或多个改变的实现未能满足合规阈值时，生成警报消息，并且提供警报消息以用于显示。
在第十一实现中，单独或与第一至第十实现中的一个或多个实现结合，一个或多个工具包括以下一项或多项：跨过程的链接工具、场景建模工具、基准测试工具、假设工作流工具、预算模拟工具、警报生成工具、报告工具、瓶颈标识工具，或根本原因分析工具。
在第十二实现中，单独或与第一至第十一实现中的一个或多个实现结合，执行一个或多个动作包括：基于预测成功率来停止当前项目的实现；基于预测成功率来修改当前项目的实现；或基于预测成功率来继续当前项目的实现。
在第十三实现中，单独或与第一至第十二实现中的一个或多个实现结合，一个或多个变量包括以下一项或多项：与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量，行业数据中经标识的行业项目的量，相关性因素，指示当前项目与历史项目之间的相关性以及当前项目与行业项目之间的相关性，新近因素，指示历史项目与当前项目相比有多近，以及行业项目与当前项目相比有多近，历史项目的成功率，行业项目的成功率，与针对当前项目定义的初始目标的百分比偏差，与针对当前项目定义的初始成本的百分比偏差，或者与针对当前项目定义的初始时间线的百分比偏差。
在第十四实现中，单独或与第一至第十三实现中的一个或多个实现结合，执行一个或多个动作包括：提供标识当前项目的预测成功率的信息，以用于显示；基于预测成功率来确定针对当前项目的改变，并且使改变经由一个或多个工具被实现；基于预测成功率实现针对当前项目的动作计划，并且监控动作计划的执行；基于预测成功率来计算标识针对当前项目的投资回报的信息，并且提供该信息以用于显示；基于预测成功率来确定针对当前项目的投资回报建议，并且使建议经由一个或多个工具被实现；或者基于预测成功率来重新训练机器学习模型。
在第十五实现中，单独或与第一至第十四实现中的一个或多个实现结合，执行一个或多个动作包括：基于预测成功率来确定针对当前项目的一个或多个改变；使一个或多个改变经由一个或多个工具被实现；基于使一个或多个改变被实现来确定当前项目的经更新的预测成功率；以及基于当前项目的经更新的预测成功率来执行一个或多个附加动作。
在第十六实现中，单独或与第一至第十五实现中的一个或多个实现结合，利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率包括：确定与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量；确定行业数据中经标识的行业项目的量；确定指示当前项目与历史项目之间的相关性的历史相关性因素；确定指示当前项目与行业项目之间的相关性的行业相关性因素；确定指示历史项目与当前项目相比有多近的历史新近因素；确定指示行业项目与当前项目相比有多近的行业新近因素；确定历史项目的第一成功率；确定行业项目的第二成功率；确定与针对当前项目定义的初始目标的第一百分比偏差；确定与针对当前项目定义的初始成本的第二百分比偏差；确定与针对当前项目定义的初始时间线的第三百分比偏差；以及基于历史项目量、行业项目量、历史相关性因素、行业相关性因素、历史新近因素、行业新近因素、第一成功率、第二成功率、第一百分比偏差、第二百分比偏差、和第三百分比偏差来计算当前项目的预测成功率。
在第十七实现中，单独或与第一至第十六实现中的一个或多个实现结合，执行一个或多个动作包括：基于预测成功率来停止当前项目的实现；基于预测成功率来修改当前项目的实现；或基于预测成功率来继续当前项目的实现。
尽管图5示出了过程500的示例框，在一些实现中，与图5中所描绘的框相比，过程500可以包括附加的框、更少的框、不同的框或不同布置的框。附加地或备选地，过程500的框中的两个或更多个框可以被并行地执行。
根据一些实现，至少公开了以下示例。
示例1.一种方法，包括：由设备向一个或多个客户端设备和服务器设备提供一个或多个工具，以经由一个或多个客户端设备和服务器设备实现新产品的开发；由设备从一个或多个工具接收当前项目数据，当前项目数据标识用于开发新产品的当前项目；由设备接收历史项目数据，历史项目数据标识用于开发历史产品的历史项目；由设备接收行业数据，行业数据标识以下一项或多项：与新产品相关联的行业趋势，与新产品相关联的市场情报，与新产品相关联的众包创意，或者与新产品相关联的潜在客户；由设备利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量，其中一个或多个变量包括以下一项或多项：与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量，行业数据中经标识的行业项目的量，相关性因素，指示当前项目与历史项目之间的相关性以及指示当前项目与行业项目之间的相关性，新近因素，指示历史项目与当前项目相比有多近，以及指示行业项目与当前项目相比有多近，历史项目和行业项目的成功率，或者与针对当前项目定义的初始目标的百分比偏差、与针对当前项目定义的初始成本的百分比偏差、以及与针对当前项目定义的初始时间线的百分比偏差；由设备利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率；以及由设备基于当前项目的预测成功率来执行一个或多个动作。
示例2.根据示例1的方法，其中接收当前项目数据包括以下一项或多项：接收与新产品相关联的概念开发数据；接收与新产品相关联的计划数据；接收与新产品相关联的设计数据；接收与新产品相关联的原型数据；接收与新产品相关联的测试数据；或者接收与新产品相关联的试点发布数据。
示例3.根据示例1的方法，其中历史项目数据包括与开发新产品相关联的、并且开发了历史产品的实体的历史项目数据。
示例4.根据示例1的方法，其中利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量包括：利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识以下一项或多项：与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量，行业数据中经标识的行业项目的量，相关性因素，指示当前项目与历史项目之间的相关性以及当前项目与行业项目之间的相关性，新近因素，指示历史项目与当前项目相比有多近，以及行业项目与当前项目相比有多近，历史项目的成功率，行业项目的成功率，与针对当前项目定义的初始目标的百分比偏差，与针对当前项目定义的初始成本的百分比偏差，或者与针对当前项目定义的初始时间线的百分比偏差。
示例5.根据示例1的方法，其中利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率包括：利用预测性模型处理以下一项或多项：与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量，行业数据中经标识的行业项目的量，相关性因素，指示当前项目与历史项目之间的相关性以及当前项目与行业项目之间的相关性，新近因素，指示历史项目与当前项目相比有多近，以及行业项目与当前项目相比有多近，历史项目的成功率，行业项目的成功率，与针对当前项目定义的初始目标的百分比偏差，与针对当前项目定义的初始成本的百分比偏差，或者与针对当前项目定义的初始时间线的百分比偏差，以预测当前项目的预测成功率。
示例6.根据示例1的方法，其中执行一个或多个动作包括以下一项或多项：提供标识当前项目的预测成功率的信息，以用于显示；基于预测成功率来确定针对当前项目的改变，并且使改变经由一个或多个工具被实现；或者基于预测成功率来实现针对当前项目的动作计划，并且监控动作计划的执行。
示例7.根据示例1的方法，其中执行一个或多个动作包括以下一项或多项：基于预测成功率来计算标识针对当前项目的投资回报的信息，并且提供信息以用于显示；基于预测成功率来确定针对当前项目的投资回报建议，并且使投资回报建议经由一个或多个工具被实现；或者基于预测成功率来重新训练机器学习模型。
示例8.一种设备，包括：一个或多个存储器；以及一个或多个处理器，被通信地耦合到一个或多个存储器，一个或多个处理器被配置为：向一个或多个客户端设备和服务器设备提供一个或多个工具，以经由一个或多个客户端设备和服务器设备实现新产品的开发；从一个或多个工具接收当前项目数据，当前项目数据标识用于开发新产品的当前项目；接收历史项目数据，历史项目数据标识用于开发历史产品的历史项目；接收与新产品相关联的行业数据；利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量，其中机器学习模型基于以下而被训练：标识用于开发先前产品的先前项目的先前项目数据，历史项目数据，以及与先前产品相关联的特定行业数据；利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率；以及基于当前项目的预测成功率来执行一个或多个动作。
示例9.根据示例8的设备，其中一个或多个工具包括以下一项或多项：成本和资源优化工具，项目路线图和日程安排工具，或者计划、选择和优先次序工具。
示例10.根据示例8的设备，其中一个或多个处理器在执行一个或多个动作时，被配置为：基于预测成功率来确定针对当前项目的一个或多个改变；使一个或多个改变经由一个或多个工具被实现；基于使一个或多个改变被实现来确定当前项目的经更新的预测成功率；以及基于当前项目的经更新的预测成功率来执行一个或多个附加动作。
示例11.根据示例8的设备，其中一个或多个处理器在利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率时，被配置为：确定与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量；确定行业数据中经标识的行业项目的量；确定指示当前项目与历史项目之间的相关性的历史相关性因素；确定指示当前项目与行业项目之间的相关性的行业相关性因素；确定指示历史项目与当前项目相比有多近的历史新近因素；确定指示行业项目与当前项目相比有多近的行业新近因素；确定历史项目的第一成功率；确定行业项目的第二成功率；确定与针对当前项目定义的初始目标的第一百分比偏差；确定与针对当前项目定义的初始成本的第二百分比偏差；确定与针对当前项目定义的初始时间线的第三百分比偏差；以及基于历史项目的量、行业项目的量、历史相关性因素、行业相关性因素、历史新近因素、行业新近因素、第一成功率、第二成功率、第一百分比偏差、第二百分比偏差、和第三百分比偏差来计算当前项目的预测成功率。
示例12.根据示例8的设备，其中一个或多个处理器在执行一个或多个动作时，被配置为：基于预测成功率来确定针对当前项目的一个或多个改变；使一个或多个改变经由一个或多个工具被实现；监控一个或多个改变的实现是否满足合规阈值；以及当一个或多个改变的实现未能满足合规阈值时，生成警报消息，并且提供警报消息以用于显示。
示例13.根据示例8的设备，其中一个或多个工具包括以下一项或多项：跨过程的链接工具，场景建模工具，基准测试工具，假设工作流工具，预算模拟工具，警报生成工具，报告工具，瓶颈标识工具，或者根本原因分析工具。
示例14.根据示例8的设备，其中一个或多个处理器在执行一个或多个动作时，被配置为以下一项：基于预测成功率来停止当前项目的实现；基于预测成功率来修改当前项目的实现；或者基于预测成功率来继续当前项目的实现。
示例15.一种非瞬态计算机可读存储介质，存储指令，指令包括：一个或多个指令，一个或多个指令在由一个或多个处理器执行时，使一个或多个处理器：向一个或多个客户端设备和服务器设备提供一个或多个工具，以经由一个或多个客户端设备和服务器设备实现新产品的开发；从一个或多个工具接收当前项目数据，当前项目数据标识用于开发新产品的当前项目；接收历史项目数据，历史项目数据标识用于开发历史产品的历史项目；接收与新产品相关联的行业数据；利用机器学习模型处理当前项目数据、历史项目数据和行业数据，以标识针对预测性模型的一个或多个变量；利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率；以及基于当前项目的预测成功率来执行一个或多个动作。
示例16.根据示例15的非瞬态计算机可读存储介质，其中一个或多个变量包括以下一项或多项：与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量，行业数据中经标识的行业项目的量，相关性因素，指示当前项目与历史项目之间的相关性以及当前项目与行业项目之间的相关性，新近因素，指示历史项目与当前项目相比有多近，以及行业项目与当前项目相比有多近，历史项目的成功率，行业项目的成功率，与针对当前项目定义的初始目标的百分比偏差，与针对当前项目定义的初始成本的百分比偏差，或者与针对当前项目定义的初始时间线的百分比偏差。
示例17.根据示例15的非瞬态计算机可读存储介质，其中使一个或多个处理器执行一个或多个动作的一个或多个指令使一个或多个处理器执行以下一项或多项：提供标识当前项目的预测成功率的信息，以用于显示；基于预测成功率来确定针对当前项目的改变，并且使改变经由一个或多个工具被实现；基于预测成功率来实现针对当前项目的动作计划，并且监控动作计划的执行；基于预测成功率来计算标识针对当前项目的投资回报的信息，并且提供信息以用于显示；基于预测成功率来确定针对当前项目的投资回报建议，并且使投资回报建议经由一个或多个工具被实现；或者基于预测成功率来重新训练机器学习模型。
示例18.根据示例15的非瞬态计算机可读存储介质，其中使一个或多个处理器执行一个或多个动作的一个或多个指令使一个或多个处理器：基于预测成功率来确定针对当前项目的一个或多个改变；使一个或多个改变经由一个或多个工具被实现；基于使一个或多个改变被实现来确定当前项目的经更新的预测成功率；以及基于当前项目的经更新的预测成功率来执行一个或多个附加动作。
示例19.根据示例15的非瞬态计算机可读存储介质，其中使一个或多个处理器利用预测性模型处理一个或多个变量，以预测当前项目的预测成功率的一个或多个指令使一个或多个处理器：确定与开发新产品相关联的、并且开发了历史产品的实体的历史项目的量；确定行业数据中经标识的行业项目的量；确定指示当前项目与历史项目之间的相关性的历史相关性因素；确定指示当前项目与行业项目之间的相关性的行业相关性因素；确定指示历史项目与当前项目相比有多近的历史新近因素；确定指示行业项目与当前项目相比有多近的行业新近因素；确定历史项目的第一成功率；确定行业项目的第二成功率；确定与针对当前项目定义的初始目标的第一百分比偏差；确定与针对当前项目定义的初始成本的第二百分比偏差；确定与针对当前项目定义的初始时间线的第三百分比偏差；以及基于历史项目的量、行业项目的量、历史相关性因素、行业相关性因素、历史新近因素、行业新近因素、第一成功率、第二成功率、第一百分比偏差、第二百分比偏差、和第三百分比偏差来计算当前项目的预测成功率。
示例20.根据示例15的非瞬态计算机可读存储介质，其中使一个或多个处理器执行一个或多个动作的一个或多个指令使一个或多个处理器执行以下一项：基于预测成功率来停止当前项目的实现；基于预测成功率来修改当前项目的实现；或者基于预测成功率来继续当前项目的实现。
前述公开提供了说明和描述，但并非旨在穷举或将实施限制为所公开的精确形式。可以根据上述公开进行修改，也可以从实现的实践中获得。
如本文所使用，术语“组件”旨在广义地解释为硬件、固件或硬件和软件的组合。显然，本文所描述的系统和/或方法可以以不同形式的硬件、固件和/或硬件和软件的组合而被实现。被用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限制实现。因此，系统和/或方法的操作和行为在本文不参考特定软件代码而被描述——应当理解，软件和硬件可以被用于基于本文的描述来实现系统和/或方法。
如本文所使用，根据上下文，满足阈值可以指值大于阈值、大于或等于阈值、小于阈值、小于或等于阈值、等于阈值，等等，取决于上下文。
尽管在权利要求中陈述和/或在说明书中公开了特征的特定组合，但是这些组合并不旨在限制各种实现的公开。事实上，这些特征中的许多特征可以以权利要求中未具体记载和/或说明书中未公开的方式组合。尽管下面列出的每个从属权利要求可能直接仅取决于一个权利要求，但是各种实现的公开包括每个从属权利要求与权利要求集合中的所有其他权利要求相结合。
除非明确说明，否则本文所使用的任何元件、动作或指令均不应被解释为关键或必要的。此外，如本文所用，冠词“一个(a)”和“一个(an)”旨在包括一个或多个项目，并且可以与“一个或多个”互换使用。此外，如本文所用，冠词“the”旨在包括与冠词“the”相关的一个或多个项目，并且可以与“所述一个或多个(the one or more)”互换使用。此外，如本文所使用，术语“集合”旨在包括一个或多个项目(例如，相关项目、不相关项目、相关和不相关项目的组合等)，并且可以与“一个或多个(one or more)”互换使用。如果仅旨在一项，则使用短语“仅一个(only one)”或类似语言。此外，如本文所使用，术语“具有(has)”、“具有(have)”、“具有(having)”等旨在是开放式术语。此外，除非另有明确说明，否则短语“基于”旨在表示“至少部分基于”。此外，如本文所使用，术语“或”在以系列形式使用时旨在包括在内，并且可以与“和/或”互换使用，除非另有明确说明(例如，如果与“任一(either)”或“仅其中之一(only one of)”结合使用)。

Claims (20)

1.一种方法，包括：
由设备向一个或多个客户端设备和服务器设备提供一个或多个工具，以经由所述一个或多个客户端设备和服务器设备实现新产品的开发；
由所述设备从所述一个或多个工具接收当前项目数据，所述当前项目数据标识用于开发所述新产品的当前项目；
由所述设备接收历史项目数据，所述历史项目数据标识用于开发历史产品的历史项目；
由所述设备接收行业数据，所述行业数据标识以下一项或多项：
与所述新产品相关联的行业趋势，
与所述新产品相关联的市场情报，
与所述新产品相关联的众包创意，或者
与所述新产品相关联的潜在客户；
由所述设备利用机器学习模型处理所述当前项目数据、所述历史项目数据和所述行业数据，以标识针对预测性模型的一个或多个变量，
其中所述一个或多个变量包括以下一项或多项：
与开发所述新产品相关联的、并且开发了所述历史产品的实体的历史项目的量，
所述行业数据中经标识的行业项目的量，
相关性因素，指示所述当前项目与所述历史项目之间的相关性以及指示所述当前项目与所述行业项目之间的相关性，
新近因素，指示所述历史项目与所述当前项目相比有多近，以及指示所述行业项目与所述当前项目相比有多近，
所述历史项目和所述行业项目的成功率，或者
与针对所述当前项目定义的初始目标的百分比偏差、与针对所述当前项目定义的初始成本的百分比偏差、以及与针对所述当前项目定义的初始时间线的百分比偏差；
由所述设备利用所述预测性模型处理所述一个或多个变量，以预测所述当前项目的预测成功率；以及
由所述设备基于所述当前项目的所述预测成功率来执行一个或多个动作。
2.根据权利要求1所述的方法，其中接收所述当前项目数据包括以下一项或多项：
接收与所述新产品相关联的概念开发数据；
接收与所述新产品相关联的计划数据；
接收与所述新产品相关联的设计数据；
接收与所述新产品相关联的原型数据；
接收与所述新产品相关联的测试数据；或者
接收与所述新产品相关联的试点发布数据。
3.根据权利要求1所述的方法，其中所述历史项目数据包括与开发所述新产品相关联的、并且开发了所述历史产品的实体的历史项目数据。
4.根据权利要求1所述的方法，其中利用所述机器学习模型处理所述当前项目数据、所述历史项目数据和所述行业数据，以标识针对所述预测性模型的所述一个或多个变量包括：
利用所述机器学习模型处理所述当前项目数据、所述历史项目数据和所述行业数据，以标识以下一项或多项：
与开发所述新产品相关联的、并且开发了所述历史产品的实体的历史项目的量，
所述行业数据中经标识的行业项目的量，
相关性因素，指示所述当前项目与所述历史项目之间的相关性以及所述当前项目与所述行业项目之间的相关性，
新近因素，指示所述历史项目与所述当前项目相比有多近，以及所述行业项目与所述当前项目相比有多近，
所述历史项目的成功率，
所述行业项目的成功率，
与针对所述当前项目定义的初始目标的百分比偏差，
与针对所述当前项目定义的初始成本的百分比偏差，或者
与针对所述当前项目定义的初始时间线的百分比偏差。
5.根据权利要求1所述的方法，其中利用所述预测性模型处理所述一个或多个变量，以预测所述当前项目的所述预测成功率包括：
利用所述预测性模型处理以下一项或多项：
与开发所述新产品相关联的、并且开发了所述历史产品的实体的历史项目的量，
所述行业数据中经标识的行业项目的量，
相关性因素，指示所述当前项目与所述历史项目之间的相关性以及所述当前项目与所述行业项目之间的相关性，
新近因素，指示所述历史项目与所述当前项目相比有多近，以及所述行业项目与所述当前项目相比有多近，
所述历史项目的成功率，
所述行业项目的成功率，
与针对所述当前项目定义的初始目标的百分比偏差，
与针对所述当前项目定义的初始成本的百分比偏差，或者
与针对所述当前项目定义的初始时间线的百分比偏差，
以预测所述当前项目的所述预测成功率。
6.根据权利要求1所述的方法，其中执行所述一个或多个动作包括以下一项或多项：
提供标识所述当前项目的所述预测成功率的信息，以用于显示；
基于所述预测成功率来确定针对所述当前项目的改变，并且使所述改变经由所述一个或多个工具被实现；或者
基于所述预测成功率来实现针对所述当前项目的动作计划，并且监控所述动作计划的执行。
7.根据权利要求1所述的方法，其中执行所述一个或多个动作包括以下一项或多项：
基于所述预测成功率来计算标识针对所述当前项目的投资回报的信息，并且提供所述信息以用于显示；
基于所述预测成功率来确定针对所述当前项目的投资回报建议，并且使所述投资回报建议经由所述一个或多个工具被实现；或者
基于所述预测成功率来重新训练所述机器学习模型。
8.一种设备，包括：
一个或多个存储器；以及
一个或多个处理器，被通信地耦合到所述一个或多个存储器，所述一个或多个处理器被配置为：
向一个或多个客户端设备和服务器设备提供一个或多个工具，以经由所述一个或多个客户端设备和服务器设备实现新产品的开发；
从所述一个或多个工具接收当前项目数据，所述当前项目数据标识用于开发所述新产品的当前项目；
接收历史项目数据，所述历史项目数据标识用于开发历史产品的历史项目；
接收与所述新产品相关联的行业数据；
利用机器学习模型处理所述当前项目数据、所述历史项目数据和所述行业数据，以标识针对预测性模型的一个或多个变量，
其中所述机器学习模型基于以下而被训练：
标识用于开发先前产品的先前项目的先前项目数据，
所述历史项目数据，以及
与所述先前产品相关联的特定行业数据；
利用所述预测性模型处理所述一个或多个变量，以预测所述当前项目的预测成功率；以及
基于所述当前项目的所述预测成功率来执行一个或多个动作。
9.根据权利要求8所述的设备，其中所述一个或多个工具包括以下一项或多项：
成本和资源优化工具，
项目路线图和日程安排工具，或者
计划、选择和优先次序工具。
10.根据权利要求8所述的设备，其中所述一个或多个处理器在执行所述一个或多个动作时，被配置为：
基于所述预测成功率来确定针对所述当前项目的一个或多个改变；
使所述一个或多个改变经由所述一个或多个工具被实现；
基于使所述一个或多个改变被实现来确定所述当前项目的经更新的预测成功率；以及
基于所述当前项目的所述经更新的预测成功率来执行一个或多个附加动作。
11.根据权利要求8所述的设备，其中所述一个或多个处理器在利用所述预测性模型处理所述一个或多个变量，以预测所述当前项目的所述预测成功率时，被配置为：
确定与开发所述新产品相关联的、并且开发了所述历史产品的实体的历史项目的量；
确定所述行业数据中经标识的行业项目的量；
确定指示所述当前项目与所述历史项目之间的相关性的历史相关性因素；
确定指示所述当前项目与所述行业项目之间的相关性的行业相关性因素；
确定指示所述历史项目与所述当前项目相比有多近的历史新近因素；
确定指示所述行业项目与所述当前项目相比有多近的行业新近因素；
确定所述历史项目的第一成功率；
确定所述行业项目的第二成功率；
确定与针对所述当前项目定义的初始目标的第一百分比偏差；
确定与针对所述当前项目定义的初始成本的第二百分比偏差；
确定与针对所述当前项目定义的初始时间线的第三百分比偏差；以及
基于历史项目的所述量、行业项目的所述量、所述历史相关性因素、所述行业相关性因素、所述历史新近因素、所述行业新近因素、所述第一成功率、所述第二成功率、所述第一百分比偏差、所述第二百分比偏差、和所述第三百分比偏差来计算所述当前项目的所述预测成功率。
12.根据权利要求8所述的设备，其中所述一个或多个处理器在执行所述一个或多个动作时，被配置为：
基于所述预测成功率来确定针对所述当前项目的一个或多个改变；
使所述一个或多个改变经由所述一个或多个工具被实现；
监控所述一个或多个改变的实现是否满足合规阈值；以及
当所述一个或多个改变的实现未能满足所述合规阈值时，生成警报消息，并且提供所述警报消息以用于显示。
13.根据权利要求8所述的设备，其中所述一个或多个工具包括以下一项或多项：
跨过程的链接工具，
场景建模工具，
基准测试工具，
假设工作流工具，
预算模拟工具，
警报生成工具，
报告工具，
瓶颈标识工具，或者
根本原因分析工具。
14.根据权利要求8所述的设备，其中所述一个或多个处理器在执行所述一个或多个动作时，被配置为以下一项：
基于所述预测成功率来停止所述当前项目的实现；
基于所述预测成功率来修改所述当前项目的实现；或者
基于所述预测成功率来继续所述当前项目的实现。
15.一种非瞬态计算机可读存储介质，存储指令，所述指令包括：
一个或多个指令，所述一个或多个指令在由一个或多个处理器执行时，使所述一个或多个处理器：
向一个或多个客户端设备和服务器设备提供一个或多个工具，以经由所述一个或多个客户端设备和服务器设备实现新产品的开发；
从所述一个或多个工具接收当前项目数据，所述当前项目数据标识用于开发所述新产品的当前项目；
接收历史项目数据，所述历史项目数据标识用于开发历史产品的历史项目；
接收与所述新产品相关联的行业数据；
利用机器学习模型处理所述当前项目数据、所述历史项目数据和所述行业数据，以标识针对预测性模型的一个或多个变量；
利用所述预测性模型处理所述一个或多个变量，以预测所述当前项目的预测成功率；以及
基于所述当前项目的所述预测成功率来执行一个或多个动作。
16.根据权利要求15所述的非瞬态计算机可读存储介质，其中所述一个或多个变量包括以下一项或多项：
与开发所述新产品相关联的、并且开发了所述历史产品的实体的历史项目的量，
所述行业数据中经标识的行业项目的量，
相关性因素，指示所述当前项目与所述历史项目之间的相关性以及所述当前项目与所述行业项目之间的相关性，
新近因素，指示所述历史项目与所述当前项目相比有多近，以及所述行业项目与所述当前项目相比有多近，
所述历史项目的成功率，
所述行业项目的成功率，
与针对所述当前项目定义的初始目标的百分比偏差，
与针对所述当前项目定义的初始成本的百分比偏差，或者
与针对所述当前项目定义的初始时间线的百分比偏差。
17.根据权利要求15所述的非瞬态计算机可读存储介质，其中使所述一个或多个处理器执行所述一个或多个动作的所述一个或多个指令使所述一个或多个处理器执行以下一项或多项：
提供标识所述当前项目的所述预测成功率的信息，以用于显示；
基于所述预测成功率来确定针对所述当前项目的改变，并且使所述改变经由所述一个或多个工具被实现；
基于所述预测成功率来实现针对所述当前项目的动作计划，并且监控所述动作计划的执行；
基于所述预测成功率来计算标识针对所述当前项目的投资回报的信息，并且提供所述信息以用于显示；
基于所述预测成功率来确定针对所述当前项目的投资回报建议，并且使所述投资回报建议经由所述一个或多个工具被实现；或者
基于所述预测成功率来重新训练所述机器学习模型。
18.根据权利要求15所述的非瞬态计算机可读存储介质，其中使所述一个或多个处理器执行所述一个或多个动作的所述一个或多个指令使所述一个或多个处理器：
基于所述预测成功率来确定针对所述当前项目的一个或多个改变；
使所述一个或多个改变经由所述一个或多个工具被实现；
基于使所述一个或多个改变被实现来确定所述当前项目的经更新的预测成功率；以及
基于所述当前项目的所述经更新的预测成功率来执行一个或多个附加动作。
19.根据权利要求15所述的非瞬态计算机可读存储介质，其中使所述一个或多个处理器利用所述预测性模型处理所述一个或多个变量，以预测所述当前项目的所述预测成功率的所述一个或多个指令使所述一个或多个处理器：
确定与开发所述新产品相关联的、并且开发了所述历史产品的实体的历史项目的量；
确定所述行业数据中经标识的行业项目的量；
确定指示所述当前项目与所述历史项目之间的相关性的历史相关性因素；
确定指示所述当前项目与所述行业项目之间的相关性的行业相关性因素；
确定指示所述历史项目与所述当前项目相比有多近的历史新近因素；
确定指示所述行业项目与所述当前项目相比有多近的行业新近因素；
确定所述历史项目的第一成功率；
确定所述行业项目的第二成功率；
确定与针对所述当前项目定义的初始目标的第一百分比偏差；
确定与针对所述当前项目定义的初始成本的第二百分比偏差；
确定与针对所述当前项目定义的初始时间线的第三百分比偏差；以及
基于历史项目的所述量、行业项目的所述量、所述历史相关性因素、所述行业相关性因素、所述历史新近因素、所述行业新近因素、所述第一成功率、所述第二成功率、所述第一百分比偏差、所述第二百分比偏差、和所述第三百分比偏差来计算所述当前项目的所述预测成功率。
20.根据权利要求15所述的非瞬态计算机可读存储介质，其中使所述一个或多个处理器执行所述一个或多个动作的所述一个或多个指令使所述一个或多个处理器执行以下一项：
基于所述预测成功率来停止所述当前项目的实现；
基于所述预测成功率来修改所述当前项目的实现；或者
基于所述预测成功率来继续所述当前项目的实现。
CN202110891788.XA 2020-08-06 2021-08-04 利用机器学习模型来管理和确定新产品开发的预测成功率 Pending CN114065997A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/947,551 US20220044174A1 (en) 2020-08-06 2020-08-06 Utilizing machine learning and predictive modeling to manage and determine a predicted success rate of new product development
US16/947,551 2020-08-06

Publications (1)

Publication Number Publication Date
CN114065997A true CN114065997A (zh) 2022-02-18

Family

ID=80113907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110891788.XA Pending CN114065997A (zh) 2020-08-06 2021-08-04 利用机器学习模型来管理和确定新产品开发的预测成功率

Country Status (3)

Country Link
US (1) US20220044174A1 (zh)
JP (1) JP7320569B2 (zh)
CN (1) CN114065997A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11507908B2 (en) * 2021-03-17 2022-11-22 Accenture Global Solutions Limited System and method for dynamic performance optimization

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6988076B2 (en) * 1997-05-21 2006-01-17 Khimetrics, Inc. Strategic planning and optimization system
JP2003524221A (ja) * 1999-01-27 2003-08-12 リチャード・ソーンダーズ・インターナショナル 刺激に対する人間の反応のシミュレーション方法
EP2631856A3 (en) * 2000-11-10 2013-10-30 Affinnova, Inc. Method and apparatus for for dynamic, real-time market segmentation
US20100010870A1 (en) * 2000-12-20 2010-01-14 Karl Millar System and Method for Tuning Demand Coefficients
US20030225601A1 (en) * 2002-05-31 2003-12-04 Boehringer Ingelheim Pharmaceuticals, Inc. Method of performing risk analysis
US20070288602A1 (en) * 2006-06-09 2007-12-13 Ebay Inc. Interest-based communities
US8032404B2 (en) * 2007-06-13 2011-10-04 International Business Machines Corporation Method and system for estimating financial benefits of packaged application service projects
US7962357B2 (en) * 2008-02-29 2011-06-14 International Business Machines Corporation System and method for calculating potential maximal price and share rate
US8214238B1 (en) * 2009-04-21 2012-07-03 Accenture Global Services Limited Consumer goods and services high performance capability assessment
US20110191141A1 (en) * 2010-02-04 2011-08-04 Thompson Michael L Method for Conducting Consumer Research
JP2012146126A (ja) 2011-01-12 2012-08-02 Ntt Data Corp 進捗管理支援装置、進捗管理支援方法、および進捗管理支援プログラム
US20130179219A1 (en) * 2012-01-09 2013-07-11 Bank Of America Corporation Collection and management of feeds for predictive analytics platform
US20140330638A1 (en) * 2013-05-02 2014-11-06 Go Daddy Operating Company, LLC System and method for management of marketing allocations using a return on investment metric
US20140344020A1 (en) * 2013-05-14 2014-11-20 Bank Of America Corporation Competitor pricing strategy determination
GB2521749A (en) * 2013-11-04 2015-07-01 Global Analytics Inc Real-time adaptive decision system and method using predictive modeling
US9043745B1 (en) * 2014-07-02 2015-05-26 Fmr Llc Systems and methods for monitoring product development
US20160171534A1 (en) * 2014-12-11 2016-06-16 Facebook, Inc. Inferring product interest
CN109983490B (zh) * 2016-10-06 2023-08-29 邓白氏公司 在赢得/失去分类上进行人工智能优化的潜在客户确定的机器学习分类器和预测引擎
US11062333B2 (en) * 2016-11-22 2021-07-13 Accenture Global Solutions Limited Determining indices based on area-assigned data elements
US20180247322A1 (en) * 2017-02-28 2018-08-30 International Business Machines Corporation Computer-based forecasting of market demand for a new product
US10984433B1 (en) * 2017-04-24 2021-04-20 Skyline Products, Inc. Price optimization system
US20190340516A1 (en) * 2017-05-06 2019-11-07 Excubator Consulting Pvt Ltd System and method for quantitatively analyzing an idea
US20180341898A1 (en) * 2017-05-24 2018-11-29 Sears Brands, L.L.C. Demand forecast
JP6973887B2 (ja) 2017-08-02 2021-12-01 Tis株式会社 プロジェクト管理支援装置、プロジェクト管理支援方法およびプログラム
US20190213551A1 (en) * 2018-01-10 2019-07-11 International Business Machines Corporation System and method of collecting project metrics to optimize distributed development efforts
US20210103943A1 (en) * 2019-10-08 2021-04-08 Swytchback, Inc Hit or miss insight analysis
US11361244B2 (en) * 2018-06-08 2022-06-14 Microsoft Technology Licensing, Llc Time-factored performance prediction
US11468379B2 (en) 2018-10-19 2022-10-11 Oracle International Corporation Automated evaluation of project acceleration
US10554817B1 (en) * 2018-12-12 2020-02-04 Amazon Technologies, Inc. Automation of contact workflow and automated service agents in contact center system
US20200311749A1 (en) * 2019-03-27 2020-10-01 Dell Products L.P. System for Generating and Using a Stacked Prediction Model to Forecast Market Behavior
US20210390424A1 (en) * 2020-06-10 2021-12-16 At&T Intellectual Property I, L.P. Categorical inference for training a machine learning model

Also Published As

Publication number Publication date
JP7320569B2 (ja) 2023-08-03
JP2022031234A (ja) 2022-02-18
US20220044174A1 (en) 2022-02-10

Similar Documents

Publication Publication Date Title
Islam et al. Prediction of probable backorder scenarios in the supply chain using Distributed Random Forest and Gradient Boosting Machine learning techniques
Ivanov et al. Digital supply chain twins: Managing the ripple effect, resilience, and disruption risks by data-driven optimization, simulation, and visibility
Zhong et al. Mining SOTs and dispatching rules from RFID-enabled real-time shopfloor production data
CN109416765B (zh) 用于系统的元数据驱动的机器学习
JP2022506494A (ja) 在庫管理および最適化のためのシステムおよび方法
US11062240B2 (en) Determining optimal workforce types to fulfill occupational roles in an organization based on occupational attributes
US11538237B2 (en) Utilizing artificial intelligence to generate and update a root cause analysis classification model
US11900320B2 (en) Utilizing machine learning models for identifying a subject of a query, a context for the subject, and a workflow
Can et al. A demonstration of machine learning for explicit functions for cycle time prediction using MES data
CN114065997A (zh) 利用机器学习模型来管理和确定新产品开发的预测成功率
US20220172298A1 (en) Utilizing a machine learning model for predicting issues associated with a closing process of an entity
US20220129794A1 (en) Generation of counterfactual explanations using artificial intelligence and machine learning techniques
CN111679814A (zh) 一种数据驱动的数据中台系统
US20210182701A1 (en) Virtual data scientist with prescriptive analytics
US11782923B2 (en) Optimizing breakeven points for enhancing system performance
US11961099B2 (en) Utilizing machine learning for optimization of planning and value realization for private networks
US11900325B2 (en) Utilizing a combination of machine learning models to determine a success probability for a software product
Chien et al. Production-level artificial intelligence applications in semiconductor supply chains
US20240013123A1 (en) Utilizing machine learning models to analyze an impact of a change request
US20240134682A1 (en) Automatic workflow generation and optimization
US20230161661A1 (en) Utilizing topology-centric monitoring to model a system and correlate low level system anomalies and high level system impacts
US11580466B2 (en) Utilizing machine learning models to aggregate applications and users with events associated with the applications
US20230196104A1 (en) Agent enabled architecture for prediction using bi-directional long short-term memory for resource allocation
US20240144052A1 (en) Automated decision optimization for maintenance of physical assets
US11960904B2 (en) Utilizing machine learning models to predict system events based on time series data generated by a system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination