ESTIMACIÓN DE ESFUERZO EN PROYECTOS DE SOFTWARE A PARTIR DE HISTORIAS DE USUARIO

Abstract

En la industria del desarrollo de software, la estimación inicial de la duración de los proyectos es de suma importancia para garantizar su éxito y es una de las actividades más complejas de realizar correctamente. Alrededor del 60% de los proyectos fracasa por no cumplir con expectativas temporales, por lo que se ha hecho énfasis en poder generar mejores métodos de predicción. Sin embargo, existen falencias en la mayoría de los métodos que no permiten que sean implementados en la realidad. En este trabajo se propone un framework de pronóstico de esfuerzo en proyectos de software, que utiliza la información de las historias de usuario y métodos de aprendizaje automático. Para esto se proponen además aspecto clave de las historias de usuario que se relacionan con el esfuerzo que requieren para ser terminadas. Finalmente, se valida el framework con un dataset de proyectos que utilizan metodologías ágiles para su realización, comparando su rendimiento con el estado del arte y el proceso de estimación clásico. En base a los resultados, se concluye respecto a la información que es relevante para pronosticar un proyecto y el rendimiento general de la propuesta.

In the industry of software development, the initial estimation of the duration of projects is one of the most important and diffcult tasks in the planning phase. Around 60% of projects fails due to unfeasible deadlines, so a lot of research has been done in order to mitigate it. Most of this research, however, presents a degree of problems that makes it rather impossible to implement in practice. In this work, an effort forecasting framework is proposed that uses information of the user stories to perform predictions with modern machine learning techniques. A set of key aspects of the user stories is also proposed with the motivation to recognize useful information for the predictive process. Finally, the framework is validated on a modern dataset of projects that use agile methodologies in their implementations, comparing its performance with the state of the art and the current classic forecasting process. Based on the results obtained, conclusions are made about the relevance of the proposed aspects of the user stories and the overall performance of the framework.