Gestión de Sprint en Enfoque Ágil: Evaluación de Progreso y Velocidad Aplicando Aprendizaje Automático
Autores: Pérez Castillo, Yadira Jazmín; Orantes Jiménez, Sandra Dinora; Letelier Torres, Patricio Orlando
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Gestión de Sprint en Enfoque Ágil: Evaluación de Progreso y Velocidad Aplicando Aprendizaje Automático
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Tecnología
Recolección de datos
Análisis
Metodologías ágiles
Gestión de proyectos
Algoritmos de aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Hoy en día, la tecnología juega un papel fundamental en la recopilación y análisis de datos, que son esenciales para la toma de decisiones en diversos campos. Las metodologías ágiles han transformado la gestión de proyectos al centrarse en la entrega continua y la adaptación al cambio. En la gestión de múltiples proyectos, evaluar el progreso y el ritmo de trabajo en Sprints es particularmente importante. En este trabajo, se desarrolló un modelo de datos para evaluar el progreso y el ritmo de trabajo, basado en la interpretación visual de datos numéricos de ciertos gráficos que permiten el seguimiento, como el gráfico de Burndown. Además, se llevaron a cabo experimentos con algoritmos de aprendizaje automático para validar la efectividad y las posibles mejoras facilitadas por este desarrollo de conjunto de datos.
Descripción
Hoy en día, la tecnología juega un papel fundamental en la recopilación y análisis de datos, que son esenciales para la toma de decisiones en diversos campos. Las metodologías ágiles han transformado la gestión de proyectos al centrarse en la entrega continua y la adaptación al cambio. En la gestión de múltiples proyectos, evaluar el progreso y el ritmo de trabajo en Sprints es particularmente importante. En este trabajo, se desarrolló un modelo de datos para evaluar el progreso y el ritmo de trabajo, basado en la interpretación visual de datos numéricos de ciertos gráficos que permiten el seguimiento, como el gráfico de Burndown. Además, se llevaron a cabo experimentos con algoritmos de aprendizaje automático para validar la efectividad y las posibles mejoras facilitadas por este desarrollo de conjunto de datos.