Predição de séries temporais em projetos ágeis

Abstract

A metodologia ágil está presente em grande parte das empresas - principalmente nos segmentos de tecnologia -, e vem contribuindo para alcançarem o sucesso com a velocidade acelerada que o mercado exige cada vez mais nas últimas décadas. Uma dos principais framework utilizados é o Scrum, em que os objetivos são divididos em tarefas menores e criadas sprints periódicas, para finalizá-las em um curto período de tempo. Para auxiliar, são utilizadas ferramentas para organização das sprints, em que são guardadas no histórico e, posteriormente, os dados podem ser transformados em uma série temporal. Neste trabalho, após inúmeros testes, foi desenvolvido um modelo para predizer o tempo necessário para concluir cada tarefa das sprints em empresas de tecnologia, a partir de métodos preditivos que utilizam Machine Learning, com o objetivo de apoiar negócios a serem mais assertivos em seus planejamentos. Neste sentido, a empresa JExperts apoiou com o desenvolvimento do trabalho a partir dos dados de seus projetos de sua própria plataforma, que possui um módulo Agile, o Channel, para a criação de séries temporais em que foram utilizadas, testadas e avaliadas em diversos métodos de predição de dados. O método Random Forest obteve os melhores resultados nas três séries temporais utilizadas, onde o tempo predito para finalizar as tarefas teve uma média de erro de aproximadamente cinco minutos, em tarefas que em média levaram 85 a 90 minutos para serem finalizadas, e os piores resultados alcançados por esse mesmo modelo, foi um erro médio de aproximadamente 11 minutos em tarefas que em média foram finalizados entre 70 e 80 minutos. Então conclui-se que é possível utilizar essa técnica em projetos ágeis.

The agile methodology is present in most companies - mainly in the technology segments - and has contributed to achieving success with the accelerated speed that the market has increasingly demanded in recent decades. One of the main frameworks used is Scrum, in which objectives are divided into smaller tasks and periodic sprints are created to complete them in a short period of time. To help, tools are used to organize the sprints, in which they are stored in the history and, later, the data can be transformed into a time series. In this work, after numerous tests, a model was developed to predict the time needed to complete each sprint task in technology companies, based on predictive methods that use Machine Learning, with the objective of supporting businesses to be more assertive in their planning . In this sense, the company JExperts supported the development of the work based on data from its projects on its own platform, which has an Agile module, the Channel, for creating time series in which they were used, tested and evaluated in various methods. of data prediction. The Random Forest method obtained the best results in the three time series used, where the predicted time to finish the tasks had an average error of approximately five minutes, in tasks that took 85 to 90 minutes on average to be finished, and the worst results achieved by this same model, was an average error of approximately 11 minutes in tasks that on average were completed between 70 and 80 minutes. So it is concluded that it is possible to use this technique in agile projects.