Analytics e Gestão de Projetos: Otimização do Desempenho em Equipes de Desenvolvimento de Software

Célio Roberto da Silva Costa; Bruno Andrade Costa

DOI: 10.22167/2675-6528-202602781

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A crescente complexidade no desenvolvimento de software ampliou os desafios de previsibilidade e controle de desempenho em equipes ágeis. O estudo teve como objetivo analisar a capacidade preditiva de métricas tradicionais e avaliar o uso de técnicas de Aprendizado de Máquina para otimizar a estimativa de prazos em projetos de software. A pesquisa foi conduzida como um estudo de caso quantitativo, utilizando dados históricos reais de 2024, extraídos de uma ferramenta de gestão “DevOps”, que contemplou informações sobre esforço estimado, tempo de execução e dinâmica das sprints. Inicialmente, realizou-se uma análise exploratória para identificar padrões de desempenho, incluindo a taxa de spillover e a correlação entre story points e tempo de entrega. Em seguida, testaram-se modelos preditivos de regressão, incorporando variáveis de contexto como carga histórica, velocidade da equipe e esforço relativo. Os resultados evidenciaram baixa correlação linear entre estimativa e tempo real (r = 0,1078; p = 0,060), não estatisticamente significativa, e uma taxa de “spillover” de 30,59%, indicando limitações no planejamento tradicional. O “Random Forest” apresentou melhoria de 38,75% em relação à previsão ingênua baseada na média histórica, enquanto a Regressão Linear obteve o melhor desempenho no conjunto de teste temporal, reduzindo de forma mais consistente o erro de previsão. A adoção de abordagens analíticas multivariadas contribuiu para aumentar a previsibilidade e apoiar decisões mais assertivas na gestão de projetos de software.

Palavras-chave: analytics; desempenho; gestão ágil; machine learning; previsibilidade.

1. Introdução

Os métodos ágeis representam uma mudança de paradigma na gestão de projetos, priorizando a adaptação contínua em detrimento de abordagens rigidamente planejadas. Essa lógica, operacionalizada por modelos como o Scrum, busca maximizar a eficiência das equipes e permitir entregas de valor em menores frações de tempo (Sutherland, 2014).

Apesar da modernização das ferramentas de trabalho e da adoção de metodologias ágeis, a tradução dessas tecnologias em ganhos consistentes de previsibilidade operacional e produtividade real muitas vezes permanece indescritível. Esse fenômeno evoca o clássico paradoxo da produtividade, formulado por Robert Solow (1987), que observou a dificuldade em mensurar o retorno dos investimentos em tecnologia nos indicadores de produtividade. No desenvolvimento de software contemporâneo, esse descompasso é frequentemente repetido.

A agilidade, com sua natureza iterativa, introduz desafios singulares para a estimativa de prazos, exigindo previsões construídas de forma abstrata e relativa, tipicamente por meio de story points. Métodos tradicionais como PERT e Três Pontos buscam reduzir a subjetividade, mas assumem relações simplificadas e não capturam a complexidade dos projetos de software. O Planning Poker, embora amplamente utilizado, depende do julgamento humano, sendo suscetível a vieses e à ausência de uso estruturado de dados históricos (Finco et al., 2021; Poženel et al., 2023; Tissot et al., 2015).

Diante dessas limitações, técnicas de Machine Learning despontam como alternativas mais adequadas para lidar com a complexidade inerente ao desenvolvimento de software. Algoritmos de aprendizado não linear destacam-se por modelar padrões complexos e múltiplos fatores simultaneamente. Contudo, a adequação do modelo depende da estrutura dos dados e do contexto analisado, o que exige a comparação empírica de diferentes algoritmos como Regressão Linear, Random Forest, Support Vector Machines e XGBoost (Mahdi et al., 2021; Terlapu et al., 2024).

A ausência de linearidade entre estimativa e execução cria um ambiente propenso a falhas de planejamento, manifestando-se frequentemente na quebra de cadência das entregas e na ocorrência do spillover, onde tarefas não concluídas transbordam para sprints subsequentes. Para mitigar esses atrasos, a aplicação de Analytics tem se consolidado como um diferencial estratégico na gestão de projetos (Zwikael e Meredith, 2018). Essa evolução marca uma mudança significativa, com a inteligência artificial e o Machine Learning surgindo como tendências globais para otimizar a tomada de decisão em ambientes dinâmicos e impulsionar decisões orientadas por dados (Vergara et al., 2025; Nishat et al., 2025). A maturidade na gestão de projetos é crucial, evoluindo de um controle reativo para estágios superiores onde indicadores de desempenho suportam previsões estratégicas (Kerzner e Saladis, 2020).

Diante da lacuna existente entre o planejamento baseado em estimativas teóricas e o desempenho real observado na execução, evidencia-se a limitação das abordagens tradicionais. A presente pesquisa justifica-se pela necessidade de aprimorar a previsibilidade e o controle em projetos de software, por meio da integração de abordagens analíticas avançadas. Dessa forma, este trabalho tem como objetivo analisar a capacidade preditiva das métricas ágeis convencionais e avaliar a aplicação de modelos de regressão na otimização da estimativa de prazos em projetos de software, com destaque inicial para o algoritmo Random Forest e posterior comparação com Regressão Linear, Support Vector Regression e XGBoost, investigando se a incorporação de variáveis de contexto, como o esforço relativo, a carga histórica e a velocidade da equipe, contribui para a redução do erro de previsão do tempo de entrega, viabilizando uma gestão baseada em evidências.

2. Material e Métodos

A presente pesquisa caracterizou-se como um estudo de caso de natureza quantitativa, exploratória e aplicada, com foco na análise da previsibilidade em equipes de desenvolvimento de software. A investigação foi conduzida a partir de dados históricos reais, com o propósito de comparar o planejamento tradicional, fundamentado em estimativas de esforço, e uma abordagem preditiva baseada em técnicas de Machine Learning. Essa estratégia metodológica buscou analisar a capacidade preditiva das métricas ágeis convencionais e avaliar a aplicação de modelos de regressão na otimização da estimativa de prazos em projetos de software.

O objeto de análise concentrou-se no ciclo de execução das atividades, sendo a variável principal o tempo decorrido entre a entrada efetiva do item em desenvolvimento e seu fechamento, denominado “Closed Date”. A base inicial de dados foi composta por 402 itens de trabalho, extraídos do ambiente “Azure DevOps”, referentes ao ano de 2024, abrangendo as sprints 1 a 25. O processo de “data wrangling” envolveu limpeza e validação, resultando em uma amostra final de 274 itens para modelagem preditiva, após a exclusão de itens de suporte, tarefas administrativas, registros sem estimativa ou data de fechamento, e valores atípicos com tempo de execução superior a 28 dias.

Embora a ferramenta “Azure DevOps” não preserve o registro estático do planejamento original das sprints, o histórico completo das atualizações de estado de cada item foi mantido. A partir da extração e análise desse histórico de movimentações no “board”, foi possível identificar o momento exato em que cada tarefa transitou para a etapa de “Em Desenvolvimento”. Esse procedimento permitiu mensurar com maior precisão o tempo real de execução das tarefas, eliminando distorções. Todo o processo de extração e tratamento dos dados foi conduzido em conformidade com princípios de confidencialidade, incluindo a anonimização dos desenvolvedores.

Com o objetivo de ampliar a capacidade explicativa do modelo e incorporar dimensões não capturadas pelas métricas tradicionais, realizou-se uma etapa estruturada de engenharia de atributos. Essa etapa foi voltada à construção de variáveis representativas do contexto operacional e humano do desenvolvimento de software. O tempo de entrega, ou Lead Time, foi definido como a variável-alvo (target) que o modelo preditivo buscou estimar, mensurando o período físico real, em dias corridos, desde a entrada efetiva de um item de trabalho no estado “Em Desenvolvimento” até sua data de fechamento no “Azure DevOps”.

O esforço relativo representou uma variável adimensional e preditiva, construída por meio de engenharia de atributos, definida formalmente como Erel = SP / Wdev. SP corresponde aos story points atribuídos ao item de trabalho, e Wdev refere-se ao peso de senioridade do desenvolvedor responsável, com valores de 0,5 para estagiário, 1 para júnior, 4 para pleno e 7 para sênior. A carga histórica do desenvolvedor foi o volume total de story points concluídos pelo mesmo profissional na sprint anterior, calculada com defasagem temporal. A velocidade recente da equipe foi a média móvel das entregas das três sprints anteriores.

Adicionalmente, incorporou-se uma variável de sazonalidade, representada pelo mês de entrada da tarefa em desenvolvimento. Dados ausentes em informações essenciais foram excluídos; para variáveis históricas iniciais, aplicou-se imputação por zero. Não se normalizou a escala. Para a modelagem preditiva, o algoritmo Random Forest Regressor foi inicialmente selecionado e implementado via “scikit-learn”, configurado com 100 árvores e estado aleatório fixo em 42. Posteriormente, seu desempenho foi comparado ao de Regressão Linear, Support Vector Regression e XGBoost.

A estratégia de validação adotada foi baseada em divisão temporal dos dados, preservando a ordem cronológica das sprints, em procedimento equivalente ao “Time Series Split”. Aproximadamente 80% dos dados iniciais, correspondentes às sprints 1 a 20, foram utilizados para treinamento dos modelos, enquanto os 20% finais, sprints 21 a 25, foram destinados à validação. Para a comparação entre algoritmos, adotaram-se as métricas erro absoluto médio (MAE), raiz do erro quadrático médio (RMSE) e coeficiente de determinação (R²). Testes de normalidade de Shapiro-Wilk e análise de outliers também foram realizados.

3. Resultados e Discussão

A análise dos dados extraídos do ecossistema de desenvolvimento de software ao longo de 2024 revelou insights cruciais sobre a previsibilidade e o desempenho em equipes ágeis. Os resultados empíricos confrontam as premissas do planejamento ágil tradicional, evidenciando a necessidade de abordagens preditivas mais robustas. Este estudo buscou analisar a capacidade preditiva das métricas ágeis convencionais e avaliar a aplicação de modelos de regressão na otimização da estimativa de prazos, incorporando variáveis de contexto para reduzir o erro de previsão do tempo de entrega.

Panorama de desempenho e eficiência operacional

A base de dados analisada, composta por atividades registradas nas sprints de 2024, incluindo itens de desenvolvimento, melhorias e correções de defeitos estimados em story points, permitiu o cruzamento entre a capacidade teórica da equipe e o esforço efetivamente entregue. Observou-se que a equipe apresentou oscilações significativas na capacidade de entrega ao longo das sprints, com ciclos que tanto superaram quanto ficaram aquém da capacidade teórica estimada. Essas variações indicam uma inconsistência no fluxo de trabalho e na aderência ao planejamento inicial.

Um dos achados mais relevantes foi a identificação de uma taxa de spillover de 30,59%, o que significa que aproximadamente um terço das tarefas planejadas não foi concluída dentro do período originalmente previsto e transbordou para ciclos subsequentes. Esse fenômeno compromete diretamente a previsibilidade das entregas e a cadência das sprints, evidenciando uma limitação estrutural no processo de planejamento tradicional. A ocorrência do spillover, como observado na sprint 12 de 2024, onde atingiu 42,86%, esteve associada a picos de carga histórica entre desenvolvedores mais experientes, sugerindo que a concentração de esforço pode impactar negativamente a capacidade de entrega futura.

A capacidade preditiva dos story points como métrica isolada mostrou-se baixa. A análise estatística indicou uma correlação linear fraca entre story points e tempo real de execução, com um coeficiente de Pearson de 0,1078 e um valor p de 0,060. O intervalo de confiança de 95% entre -0,0047 e 0,2177, que inclui o zero, sugere que não há evidência estatística suficiente para afirmar uma associação linear consistente ao nível de significância de 5%. Testes de normalidade de Shapiro-Wilk rejeitaram a hipótese de normalidade para ambas as variáveis (p < 0,001), e a presença de outliers em “Lead Time” contribuiu para a instabilidade da correlação linear simples.

Como verificação complementar, a correlação de Spearman, uma medida não paramétrica, apresentou uma associação positiva e estatisticamente significativa (rho = 0,2000; p < 0,001), embora de pequena magnitude. Esses resultados, mesmo após a remoção de valores anômalos, reforçam que os story points, quando utilizados isoladamente, não explicam de forma satisfatória o tempo real de entrega. Essa limitação é atribuída a múltiplos fatores operacionais e contextuais, que não são capturados por estimativas baseadas exclusivamente em percepção subjetiva.

Diversos fatores contribuem para a baixa previsibilidade observada. A subjetividade inerente ao processo de estimativa, influenciada por pressão de prazos e percepção individual, é um elemento crítico. Além disso, os story points não incorporam variáveis de contexto, como a carga de trabalho do desenvolvedor, sua senioridade ou interferências externas. O ambiente dinâmico dos projetos de software, com eventos não previstos e mudanças de requisitos, torna métricas simplificadas insuficientes para projeções exatas (Rahman et al., 2023). Esses achados estão alinhados com a literatura que aponta as limitações do planejamento manual e intuitivo (Grover e Sharma, 2023).

As abordagens tradicionais de estimativa, como PERT e Três Pontos, buscam reduzir a subjetividade ao definir cenários otimistas, pessimistas e mais prováveis. Contudo, esses métodos ainda assumem distribuições simplificadas e relações lineares entre variáveis, o que limita sua capacidade de modelar a complexidade dos projetos de software, caracterizados por múltiplos fatores interdependentes e alta variabilidade. O Planning Poker, embora colaborativo, permanece dependente do julgamento humano e suscetível a vieses, sem um uso estruturado de dados históricos (Finco et al., 2021; Poženel et al., 2023; Tissot et al., 2015).

Diante dessas limitações, técnicas de Machine Learning surgem como alternativas mais adequadas, capazes de capturar relações não lineares e considerar múltiplas variáveis simultaneamente a partir de dados históricos (Rahman et al., 2023; Terlapu et al., 2024). A adoção de Machine Learning representa uma evolução metodológica que permite maior capacidade de generalização e adaptação a contextos complexos, superando as restrições dos métodos heurísticos e estatísticos simplificados quando aplicados a cenários reais de desenvolvimento de software.

Desempenho do modelo preditivo

Com o objetivo de superar as limitações das estimativas tradicionais, desenvolveu-se um modelo preditivo baseado no algoritmo Random Forest, incorporando variáveis de contexto relacionadas ao desempenho da equipe. O desempenho do modelo foi avaliado em comparação com um modelo baseline, que utilizou a média histórica de tempo de execução. Os resultados demonstraram uma redução significativa no erro médio absoluto (MAE), que passou de 6,27 dias no modelo baseline para 3,84 dias no modelo proposto, representando uma melhoria de 38,75% na precisão das previsões.

Apesar da melhoria na precisão, o modelo apresentou um coeficiente de determinação (R²) próximo de zero, indicando que uma parcela relevante da variabilidade no tempo de entrega ainda não foi explicada. Esse comportamento é esperado em contextos sociotécnicos complexos, como o desenvolvimento de software, onde fatores não observáveis, como interrupções, mudanças de requisitos, dependências técnicas e variabilidade individual, exercem influência significativa sobre o desempenho (Mahdi et al., 2021; Rahman et al., 2023; Terlapu et al., 2024).

A literatura sobre estimativa de esforço em software aponta que o desempenho das equipes é fortemente influenciado por variáveis contextuais e humanas, que frequentemente não são capturadas em bases estruturadas de dados. Consequentemente, modelos preditivos tendem a apresentar capacidade limitada de explicação global da variabilidade, especialmente quando baseados em dados históricos operacionais. Esse resultado reforça que, em problemas com alta variabilidade e influência de fatores não observáveis, a utilidade do modelo deve ser avaliada prioritariamente pela redução de erro e não exclusivamente por métricas de explicação global, tornando o MAE mais apropriado para a avaliação.

Comparação entre algoritmos de regressão

Para ampliar a validação do modelo e avaliar a adequação de diferentes abordagens preditivas, foram testados quatro algoritmos de regressão: Regressão Linear, Random Forest Regressor, SVR e XGBoost. A comparação foi realizada no mesmo bloco temporal de teste, com treinamento nas sprints 1 a 20 e validação nas sprints 21 a 25, utilizando as métricas MAE, RMSE e R². Os resultados indicaram que a Regressão Linear apresentou o melhor desempenho entre os modelos testados, com um MAE de 3,7497, RMSE de 6,5616 e R² de 0,1124.

O Random Forest ficou em segundo lugar, com um MAE de 3,9913, RMSE de 6,6235 e R² de 0,0956, enquanto SVR e XGBoost apresentaram erros mais elevados e menor capacidade explicativa. Esse resultado sugere que, no contexto específico da base de dados analisada, a relação entre as variáveis explicativas e o tempo real de entrega apresentou um comportamento predominantemente linear. Alternativamente, o volume e a estrutura dos dados disponíveis podem não ter favorecido plenamente o aproveitamento de modelos não lineares mais sofisticados. Assim, embora o Random Forest tenha demonstrado um ganho expressivo em relação à previsão ingênua, a Regressão Linear foi a abordagem mais adequada para o cenário avaliado no conjunto de teste temporal.

Importância das variáveis e fatores críticos de desempenho

A análise de importância das variáveis no modelo Random Forest revelou que o tempo de execução das tarefas é influenciado predominantemente por fatores contextuais, e não apenas pela complexidade estimada. A variável mais relevante foi o esforço relativo, que considera a relação entre os story points e o nível de senioridade do desenvolvedor. Esse achado indica que uma mesma tarefa pode apresentar comportamentos distintos dependendo do executor, evidenciando a importância da alocação adequada de recursos e da consideração da capacidade produtiva individual na modelagem.

Em seguida, destacaram-se a carga histórica do desenvolvedor e a velocidade recente da equipe. A carga acumulada, definida como o volume total de story points concluídos pelo mesmo profissional na sprint imediatamente anterior, mostrou-se um indicador relevante de desempenho futuro, sugerindo que níveis elevados de esforço em períodos anteriores impactam negativamente a produtividade subsequente. A velocidade recente da equipe, calculada como a média móvel das entregas realizadas nas três sprints anteriores, funcionou como um indicador do estado operacional do time, refletindo fatores como estabilidade do ambiente, interrupções e eficiência do fluxo de trabalho.

Esses achados reforçam a necessidade de considerar o contexto operacional na análise de desempenho, superando abordagens simplificadas baseadas exclusivamente em métricas isoladas. Variáveis como o contexto da sprint (momento), a estimativa inicial (story points), a sazonalidade (mês de início), o tipo de funcionalidade (nova funcionalidade, débito técnico, bug) e o nível de senioridade também contribuíram para a previsão, embora com menor impacto relativo. A incorporação dessas dimensões do processo de desenvolvimento, como características das tarefas e histórico da equipe, é fundamental para modelos preditivos mais precisos (Mahdi et al., 2021; Rahman et al., 2023; Terlapu et al., 2024).

Discussão e implicações gerenciais

Os resultados obtidos demonstram que a gestão de projetos de software pode se beneficiar significativamente da adoção de abordagens analíticas e preditivas. A elevada taxa de spillover e a baixa correlação entre estimativa e execução indicam que o planejamento tradicional apresenta limitações estruturais, especialmente em ambientes complexos e dinâmicos. A utilização de modelos preditivos permite uma transição de uma gestão reativa para uma gestão orientada por dados, na qual decisões são fundamentadas em evidências empíricas e não apenas na experiência ou intuição.

Considerando o impacto potencial do retrabalho associado ao transbordamento de tarefas (spillover) e às alterações estruturais de escopo, adota-se, como parâmetro gerencial de referência, um fator multiplicador de custo de mudança de 1,6. Esse parâmetro busca representar que o impacto de atrasos e alterações não se restringe ao esforço originalmente previsto para a atividade, podendo envolver retrabalho, refatoração de código, repetição de testes e mudança de contexto dos desenvolvedores. Assim, para fins de análise gerencial, o fator 1,6 representa um acréscimo de 60% sobre o esforço nominal de itens afetados por essas ocorrências, permitindo considerar uma condição de maior complexidade em relação ao fluxo de execução originalmente planejado.

Do ponto de vista prático, os resultados possibilitam ao gestor adotar estratégias mais assertivas, como o balanceamento da carga de trabalho e a alocação de tarefas de acordo com o nível de senioridade, visto que a otimização preditiva na alocação de recursos reduz expressivamente a ociosidade e o tempo de entrega (Grover e Sharma, 2023). Além disso, os achados sugerem uma mudança no papel do gestor, que deixa de atuar apenas como um planejador ou coletor de dados empíricos, para assumir o papel de analista do fluxo de trabalho, utilizando o suporte de ferramentas analíticas para orientar decisões complexas (Asghar e Burria, 2025; Vergara et al., 2025).

A criação de indicadores, a identificação de fatores críticos e a comparação entre diferentes modelos de regressão demonstram a viabilidade e o potencial da aplicação de Analytics para aumentar a previsibilidade e a maturidade organizacional. Em síntese, a integração entre dados históricos, análise estatística e modelagem preditiva representa um avanço relevante na gestão de projetos de software, contribuindo para decisões mais precisas e para a melhoria contínua do desempenho das equipes. No caso analisado, a comparação empírica entre algoritmos mostrou que a Regressão Linear foi a alternativa mais adequada no conjunto de teste temporal, reforçando que a escolha do modelo deve ser orientada pelos dados e não apenas pela complexidade técnica do algoritmo.

Sob uma perspectiva histórica, os achados deste estudo oferecem uma resposta prática ao paradoxo da produtividade proposto por Solow (1987), que apontava a dificuldade de se observar o retorno tangível da infraestrutura tecnológica nos indicadores de eficiência das organizações. A presente pesquisa demonstra que o acúmulo de dados operacionais em plataformas DevOps, por si só, não garante maior eficiência ou previsibilidade se esses registros continuarem a ser interpretados de maneira puramente intuitiva ou manual. Ao integrar técnicas de Machine Learning e Analytics multivariados ao fluxo de trabalho ágil, este estudo demonstra como o aparato tecnológico pode ser convertido em informações preditivas e subsídios quantitativos para decisões gerenciais orientadas por evidências.

Em síntese, a utilização isolada de métricas tradicionais, como os story points, é insuficiente para explicar e prever o desempenho em equipes de desenvolvimento de software, conforme evidenciado pela baixa correlação observada e pela elevada taxa de spillover. Por outro lado, a incorporação de variáveis contextuais por meio de modelos preditivos demonstrou capacidade concreta de reduzir a incerteza no planejamento, ainda que não elimine a complexidade inerente ao processo. A previsibilidade em ambientes ágeis deve ser compreendida como um fenômeno multifatorial, no qual a integração entre dados históricos, análise estatística e interpretação gerencial representa um caminho consistente para o aumento da confiabilidade e da maturidade na gestão de projetos de software.

4. Conclusão

O presente estudo buscou analisar a capacidade preditiva de métricas ágeis convencionais e avaliar a aplicação de modelos de regressão para otimizar a estimativa de prazos em projetos de software, incorporando variáveis de contexto. Verificou-se que as métricas tradicionais, como os story points, apresentaram baixa correlação linear com o tempo real de execução, não sendo estatisticamente significativa, e uma elevada taxa de spillover de 30,59%, indicando limitações no planejamento tradicional. Em contrapartida, a aplicação de modelos de Aprendizado de Máquina demonstrou ganhos expressivos na previsibilidade. Inicialmente, o algoritmo Random Forest reduziu o erro médio absoluto em 38,75% em relação à previsão ingênua. Posteriormente, a comparação entre diferentes algoritmos revelou que a Regressão Linear obteve o melhor desempenho no conjunto de teste temporal, reduzindo de forma mais consistente o erro de previsão. A análise de importância das variáveis destacou o esforço relativo, a carga histórica do desenvolvedor e a velocidade da equipe como fatores críticos, evidenciando que o desempenho é um fenômeno multifatorial. Essa abordagem analítica contribui para uma gestão de projetos de software mais orientada por dados, oferecendo uma resposta prática ao paradoxo da produtividade de Solow (1987), ao converter dados operacionais em subsídios quantitativos para decisões gerenciais.

Apesar dos avanços na precisão preditiva, este estudo possui limitações. A análise foi conduzida com base em dados de uma única equipe de desenvolvimento, o que pode introduzir viés de seleção e restringir a generalização dos achados para outros contextos organizacionais. Além disso, fatores não observáveis, como rotatividade da equipe, interrupções e mudanças de requisitos, influenciaram o desempenho e não foram capturados nos dados estruturados, resultando em um baixo coeficiente de determinação. O escopo da pesquisa concentrou-se exclusivamente no ciclo de desenvolvimento, sem abranger etapas anteriores ou posteriores do projeto. Para estudos futuros, sugere-se a aplicação do modelo em múltiplas equipes e contextos distintos, a ampliação da base de dados para explorar técnicas de modelagem mais avançadas, a incorporação de dados não estruturados por meio de processamento de linguagem natural e o desenvolvimento de ferramentas integradas que utilizem modelos preditivos em tempo real para aprimorar a gestão.

Referências Bibliográficas

Asghar, M.Z.; Burria, K.U. 2025. The impact of artificial intelligence on agile project management: enhancing team performance and project success in technology-driven organizations. The Critical Review of Social Sciences Studies 3(4): 1217-1232.

Finco, D. A.; Bastos, L. C.; Neto, A. G. S. S. 2021. Combinando Planning Poker e Aprendizado de Máquina para estimar esforço de software. In: Escola Regional de Engenharia de Software, 2021, Curitiba, PR, Brasil. Anais… p. 1-10.

Grover, H.; Sharma, S. 2023. Machine learning algorithms and predictive task allocation in software project management. International Journal of Open Publication and Exploration 11(1): 34-43.

Kerzner, H.; Saladis, F. P. 2020. Using the Project Management Maturity Model: Strategic Planning for Project Management. 3ed. Wiley, Hoboken, NJ, USA.

Mahdi, M.N. et al. 2021. Software project management using machine learning technique-a review. Applied Sciences 11(11): 5183.

Nishat, H. A.; Tanisha, T. A.; Ali, M. H.; Khondoker, M. A. H. 2025. Applying machine learning for predictive analysis in project-based data: insights into variation orders. Journal of Information Technology in Construction (ITcon), 30: 33–51.

Poženel, M. et al. 2023. Agile effort estimation: comparing the accuracy and efficiency of planning poker, bucket system, and affinity estimation methods. International Journal of Software Engineering and Knowledge Engineering 33(11): 1923-1950.

Rahman, M. et al. 2023. Software effort estimation using machine learning technique. International Journal of Advanced Computer Science and Applications 14(4): 1-10.

Solow, R. M. 1987. We’d better watch out. New York Times Book Review, New York, NY, USA, 12 jul. 1987.

Sutherland, J. 2014. Scrum: A Arte de Fazer o Dobro de Trabalho na Metade do Tempo. Leya, São Paulo, SP, Brasil.

Terlapu, P.V. et al. 2024. Improved software effort estimation through machine learning: challenges, applications, and feature importance analysis. IEEE Access 12(1): 1-15.

Tissot, Α.Α.; Emer, M.C.F.P.; Bastos, L.C. 2015. Influence of the review of executed activities utilizing planning poker. In: 29th Brazilian Symposium on Software Engineering, 2015, Belo Horizonte, MG, Brasil. Anais… p. 170-178.

Vergara, D. et al. 2025. Trends and applications of artificial intelligence in project management. Electronics 14(4): 800.

Zwikael, O.; Meredith, J. R. 2018. Data analytics in project management: A systematic literature review. In: 2018 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), Bangkok, Tailândia. Anais… p.6-10.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão de Projetos do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy