Predición del cumplimiento del Time To Market de Historias de Usuario en el departamento de TI en una aseguradora
Publicado: 25 Jun 2025, 14:38
Abstract: El presente estudio aborda el desafío crítico de predecir el cumplimiento del Time To Market (T2M) de Historias de Usuario (HU) en el departamento de TI de una aseguradora. El objetivo principal es identificar proactivamente las HUs con riesgo de exceder el T2M establecido, con miras a reducir los riesgos de replanificación y optimizar la asignación de recursos en entornos ágiles. Para ello, se aplica la metodología CRISP-DM utilizando algoritmos de Machine Learning (ML) supervisado en WEKA, con datos recopilados de una herramienta de gestión de HUs para el periodo 2023-2025. El análisis incorpora atributos clave relacionados con la HU (ej., área solicitante) y el perfil de los recursos asignados (desarrolladores y analistas de calidad, incluyendo experiencia y formación).
Tras una evaluación comparativa de J48, Multilayer Perceptron (MLP) y Random Forest, y la aplicación estratégica de balanceo de clases mediante CostSensitiveClassifier para priorizar la detección de incumplimientos (clase "NO"), se determinó que J48 es el algoritmo óptimo para este caso de uso. El modelo J48 demostró un Recall sobresaliente del 80.7% para la clase "NO", lo que es fundamental para maximizar la detección proactiva de HUs con riesgo de exceder el T2M. Adicionalmente, J48 presentó un F-Measure de 0.603 y un Área bajo la curva ROC de 0.804 para la clase "NO", indicando una robustez confiable en la discriminación de clases en un escenario de desbalance de datos. Estos resultados confirman que la aplicación de Machine Learning en la planificación de proyectos es una herramienta viable y estratégica para mejorar la eficiencia en equipos ágiles, consolidando el rol de la ingeniería de sistemas en la toma de decisiones basada en datos y contribuyendo directamente al cumplimiento de indicadores críticos como el T2M en el Balance Score Card.
Keywords: Machine Learning, Aprendizaje supervisado, Modelo Predictivo, Desarrollo ágil, Time to market, CRISP-DM, Historia de Usuario, planificación de recursos, WEKA, J48, balanceo de clases, seguros.
Integrantes
Escuela de Posgrado
Maestría Ejecutiva en Transformación Digital
Lima, Junio de 2005
Tras una evaluación comparativa de J48, Multilayer Perceptron (MLP) y Random Forest, y la aplicación estratégica de balanceo de clases mediante CostSensitiveClassifier para priorizar la detección de incumplimientos (clase "NO"), se determinó que J48 es el algoritmo óptimo para este caso de uso. El modelo J48 demostró un Recall sobresaliente del 80.7% para la clase "NO", lo que es fundamental para maximizar la detección proactiva de HUs con riesgo de exceder el T2M. Adicionalmente, J48 presentó un F-Measure de 0.603 y un Área bajo la curva ROC de 0.804 para la clase "NO", indicando una robustez confiable en la discriminación de clases en un escenario de desbalance de datos. Estos resultados confirman que la aplicación de Machine Learning en la planificación de proyectos es una herramienta viable y estratégica para mejorar la eficiencia en equipos ágiles, consolidando el rol de la ingeniería de sistemas en la toma de decisiones basada en datos y contribuyendo directamente al cumplimiento de indicadores críticos como el T2M en el Balance Score Card.
Keywords: Machine Learning, Aprendizaje supervisado, Modelo Predictivo, Desarrollo ágil, Time to market, CRISP-DM, Historia de Usuario, planificación de recursos, WEKA, J48, balanceo de clases, seguros.
Integrantes
- Mauricio Enrique Nomberto Velásquez
- Kevin Percy Ccapatinta Loayza
- Francisco Javier Jesus Cisneros Huamani
- Lisdey Martel Avila
- Percy Soria Del Castillo
Escuela de Posgrado
Maestría Ejecutiva en Transformación Digital
Lima, Junio de 2005