Analítica y Gestión de Proyectos: Optimización del Rendimiento en Equipos de Desarrollo de Software

Célio Roberto da Silva Costa; Bruno Andrade Costa

DOI: 10.22167/2675-6528-202602781

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La creciente complejidad en el desarrollo de software ha ampliado los desafíos de previsibilidad y control del rendimiento en equipos ágiles. El estudio tuvo como objetivo analizar la capacidad predictiva de métricas tradicionales y evaluar el uso de técnicas de Aprendizaje Automático para optimizar la estimación de plazos en proyectos de software. La investigación se llevó a cabo como un estudio de caso cuantitativo, utilizando datos históricos reales de 2024, extraídos de una herramienta de gestión “DevOps”, que contempló información sobre esfuerzo estimado, tiempo de ejecución y dinámica de los sprints. Inicialmente, se realizó un análisis exploratorio para identificar patrones de rendimiento, incluyendo la tasa de “spillover” y la correlación entre story points y tiempo de entrega. Posteriormente, se probaron modelos predictivos de regresión, incorporando variables de contexto como carga histórica, velocidad del equipo y esfuerzo relativo. Los resultados evidenciaron baja correlación lineal entre estimación y tiempo real (r = 0,1078; p = 0,060), no estadísticamente significativa, y una tasa de “spillover” del 30,59%, indicando limitaciones en la planificación tradicional. El “Random Forest” presentó una mejora del 38,75% en relación con la predicción ingenua basada en la media histórica, mientras que la Regresión Lineal obtuvo el mejor rendimiento en el conjunto de prueba temporal, reduciendo de forma más consistente el error de predicción. La adopción de enfoques analíticos multivariados contribuyó a aumentar la previsibilidad y apoyar decisiones más asertivas en la gestión de proyectos de software.

Palabras clave: análisis; rendimiento; gestión ágil; machine learning; previsibilidad.

1. Introducción

Los métodos ágiles representan un cambio de paradigma en la gestión de proyectos, priorizando la adaptación continua en detrimento de enfoques rígidamente planificados. Esta lógica, operacionalizada por modelos como Scrum, busca maximizar la eficiencia de los equipos y permitir entregas de valor en menores fracciones de tiempo (Sutherland, 2014).

A pesar de la modernización de las herramientas de trabajo y la adopción de metodologías ágiles, la traducción de estas tecnologías en ganancias consistentes de previsibilidad operativa y productividad real a menudo permanece indescifrable. Este fenómeno evoca la clásica paradoja de la productividad, formulada por Robert Solow (1987), quien observó la dificultad en medir el retorno de las inversiones en tecnología en los indicadores de productividad. En el desarrollo de software contemporáneo, este desfase se repite con frecuencia.

La agilidad, con su naturaleza iterativa, introduce desafíos únicos para la estimación de plazos, requiriendo pronósticos construidos de forma abstracta y relativa, típicamente a través de story points. Métodos tradicionales como PERT y Tres Puntos buscan reducir la subjetividad, pero asumen relaciones simplificadas y no capturan la complejidad de los proyectos de software. El Planning Poker, aunque ampliamente utilizado, depende del juicio humano, siendo susceptible a sesgos y a la ausencia de uso estructurado de datos históricos (Finco et al., 2021; Poženel et al., 2023; Tissot et al., 2015).

Ante estas limitaciones, las técnicas de Machine Learning surgen como alternativas más adecuadas para lidiar con la complejidad inherente al desarrollo de software. Los algoritmos de aprendizaje no lineal se destacan por modelar patrones complejos y múltiples factores simultáneamente. Sin embargo, la adecuación del modelo depende de la estructura de los datos y del contexto analizado, lo que exige la comparación empírica de diferentes algoritmos como Regresión Lineal, Random Forest, Support Vector Machines y XGBoost (Mahdi et al., 2021; Terlapu et al., 2024).

La ausencia de linealidad entre estimación y ejecución crea un entorno propenso a fallos de planificación, manifestándose frecuentemente en la ruptura de la cadencia de las entregas y en la ocurrencia del spillover, donde las tareas no concluidas se desbordan hacia sprints subsecuentes. Para mitigar estos retrasos, la aplicación de Analytics se ha consolidado como un diferencial estratégico en la gestión de proyectos (Zwikael y Meredith, 2018). Esta evolución marca un cambio significativo, con la inteligencia artificial y el Machine Learning emergiendo como tendencias globales para optimizar la toma de decisiones en entornos dinámicos e impulsar decisiones orientadas por datos (Vergara et al., 2025; Nishat et al., 2025). La madurez en la gestión de proyectos es crucial, evolucionando de un control reactivo a etapas superiores donde los indicadores de desempeño soportan predicciones estratégicas (Kerzner y Saladis, 2020).

Ante la brecha existente entre la planificación basada en estimaciones teóricas y el rendimiento real observado en la ejecución, se evidencia la limitación de los enfoques tradicionales. La presente investigación se justifica por la necesidad de mejorar la previsibilidad y el control en proyectos de software, mediante la integración de enfoques analíticos avanzados. De esta forma, este trabajo tiene como objetivo analizar la capacidad predictiva de las métricas ágiles convencionales y evaluar la aplicación de modelos de regresión en la optimización de la estimación de plazos en proyectos de software, con un enfoque inicial en el algoritmo Random Forest y posterior comparación con Regresión Lineal, Support Vector Regression y XGBoost, investigando si la incorporación de variables de contexto, como el esfuerzo relativo, la carga histórica y la velocidad del equipo, contribuye a la reducción del error de predicción del tiempo de entrega, posibilitando una gestión basada en evidencias.

2. Material y Métodos

La presente investigación se caracterizó como un estudio de caso de naturaleza cuantitativa, exploratoria y aplicada, con foco en el análisis de la predictibilidad en equipos de desarrollo de software. La investigación se llevó a cabo a partir de datos históricos reales, con el propósito de comparar la planificación tradicional, fundamentada en estimaciones de esfuerzo, y un enfoque predictivo basado en técnicas de Machine Learning. Esta estrategia metodológica buscó analizar la capacidad predictiva de las métricas ágiles convencionales y evaluar la aplicación de modelos de regresión en la optimización de la estimación de plazos en proyectos de software.

El objeto de análisis se centró en el ciclo de ejecución de las actividades, siendo la variable principal el tiempo transcurrido entre la entrada efectiva del ítem en desarrollo y su cierre, denominado “Closed Date”. La base de datos inicial se compuso de 402 ítems de trabajo, extraídos del entorno “Azure DevOps”, correspondientes al año 2024, abarcando los sprints 1 a 25. El proceso de “data wrangling” implicó limpieza y validación, resultando en una muestra final de 274 ítems para modelado predictivo, tras la exclusión de ítems de soporte, tareas administrativas, registros sin estimación o fecha de cierre, y valores atípicos con tiempo de ejecución superior a 28 días.

Aunque la herramienta “Azure DevOps” no conserva el registro estático de la planificación original de los sprints, se mantuvo el historial completo de las actualizaciones de estado de cada elemento. A partir de la extracción y análisis de este historial de movimientos en el “board”, fue posible identificar el momento exacto en que cada tarea transitó a la etapa de “En Desarrollo”. Este procedimiento permitió medir con mayor precisión el tiempo real de ejecución de las tareas, eliminando distorsiones. Todo el proceso de extracción y tratamiento de los datos se llevó a cabo en conformidad con principios de confidencialidad, incluida la anonimización de los desarrolladores.

Con el objetivo de ampliar la capacidad explicativa del modelo e incorporar dimensiones no capturadas por las métricas tradicionales, se realizó una etapa estructurada de ingeniería de atributos. Esta etapa se orientó a la construcción de variables representativas del contexto operacional y humano del desarrollo de software. El tiempo de entrega, o Lead Time, se definió como la variable objetivo (target) que el modelo predictivo buscó estimar, midiendo el período físico real, en días corridos, desde la entrada efectiva de un ítem de trabajo en el estado “En Desarrollo” hasta su fecha de cierre en “Azure DevOps”.

El esfuerzo relativo representó una variable adimensional y predictiva, construida mediante ingeniería de atributos, definida formalmente como Erel = SP / Wdev. SP corresponde a los story points asignados al elemento de trabajo, y Wdev se refiere al peso de antigüedad del desarrollador responsable, con valores de 0,5 para becario, 1 para junior, 4 para pleno y 7 para senior. La carga histórica del desarrollador fue el volumen total de story points completados por el mismo profesional en el sprint anterior, calculada con desfase temporal. La velocidad reciente del equipo fue la media móvil de las entregas de los tres sprints anteriores.

Adicionalmente, se incorporó una variable de estacionalidad, representada por el mes de entrada de la tarea en desarrollo. Los datos ausentes en información esencial fueron excluidos; para variables históricas iniciales, se aplicó imputación por cero. No se normalizó la escala. Para la modelización predictiva, el algoritmo Random Forest Regressor fue inicialmente seleccionado e implementado vía “scikit-learn”, configurado con 100 árboles y estado aleatorio fijo en 42. Posteriormente, su desempeño fue comparado al de Regresión Lineal, Support Vector Regression y XGBoost.

La estrategia de validación adoptada se basó en la división temporal de los datos, preservando el orden cronológico de los sprints, en un procedimiento equivalente a “Time Series Split”. Aproximadamente el 80% de los datos iniciales, correspondientes a los sprints 1 a 20, se utilizaron para el entrenamiento de los modelos, mientras que el 20% final, sprints 21 a 25, se destinaron a la validación. Para la comparación entre algoritmos, se adoptaron las métricas error absoluto medio (MAE), raíz del error cuadrático medio (RMSE) y coeficiente de determinación (R²). También se realizaron pruebas de normalidad de Shapiro-Wilk y análisis de outliers.

3. Resultados y Discusión

El análisis de los datos extraídos del ecosistema de desarrollo de software a lo largo de 2024 reveló insights cruciales sobre la previsibilidad y el rendimiento en equipos ágiles. Los resultados empíricos confrontan las premisas de la planificación ágil tradicional, evidenciando la necesidad de enfoques predictivos más robustos. Este estudio buscó analizar la capacidad predictiva de las métricas ágiles convencionales y evaluar la aplicación de modelos de regresión en la optimización de la estimación de plazos, incorporando variables de contexto para reducir el error de predicción del tiempo de entrega.

Panorama de desempeño y eficiencia operativa

La base de datos analizada, compuesta por actividades registradas en los sprints de 2024, incluyendo ítems de desarrollo, mejoras y correcciones de defectos estimados en story points, permitió el cruce entre la capacidad teórica del equipo y el esfuerzo efectivamente entregado. Se observó que el equipo presentó oscilaciones significativas en la capacidad de entrega a lo largo de los sprints, con ciclos que tanto superaron como quedaron por debajo de la capacidad teórica estimada. Estas variaciones indican una inconsistencia en el flujo de trabajo y en la adherencia a la planificación inicial.

Uno de los hallazgos más relevantes fue la identificación de una tasa de spillover del 30,59%, lo que significa que aproximadamente un tercio de las tareas planificadas no se completó dentro del período originalmente previsto y se trasladó a ciclos posteriores. Este fenómeno compromete directamente la previsibilidad de las entregas y la cadencia de los sprints, evidenciando una limitación estructural en el proceso de planificación tradicional. La ocurrencia del spillover, como se observó en el sprint 12 de 2024, donde alcanzó el 42,86%, estuvo asociada a picos de carga histórica entre desarrolladores más experimentados, lo que sugiere que la concentración de esfuerzo puede impactar negativamente la capacidad de entrega futura.

La capacidad predictiva de los puntos de historia como métrica aislada resultó baja. El análisis estadístico indicó una correlación lineal débil entre puntos de historia y tiempo real de ejecución, con un coeficiente de Pearson de 0,1078 y un valor p de 0,060. El intervalo de confianza del 95% entre -0,0047 y 0,2177, que incluye el cero, sugiere que no hay evidencia estadística suficiente para afirmar una asociación lineal consistente al nivel de significancia del 5%. Las pruebas de normalidad de Shapiro-Wilk rechazaron la hipótesis de normalidad para ambas variables (p < 0,001), y la presencia de valores atípicos en “Lead Time” contribuyó a la inestabilidad de la correlación lineal simple.

Como verificación complementaria, la correlación de Spearman, una medida no paramétrica, presentó una asociación positiva y estadísticamente significativa (rho = 0,2000; p < 0,001), aunque de pequeña magnitud. Estos resultados, incluso tras la eliminación de valores anómalos, refuerzan que los story points, cuando se utilizan aisladamente, no explican de forma satisfactoria el tiempo real de entrega. Esta limitación se atribuye a múltiples factores operacionales y contextuales, que no son capturados por estimaciones basadas exclusivamente en la percepción subjetiva.

Diversos factores contribuyen a la baja previsibilidad observada. La subjetividad inherente al proceso de estimación, influenciada por la presión de los plazos y la percepción individual, es un elemento crítico. Además, los puntos de historia no incorporan variables de contexto, como la carga de trabajo del desarrollador, su antigüedad o interferencias externas. El entorno dinámico de los proyectos de software, con eventos imprevistos y cambios de requisitos, hace que las métricas simplificadas sean insuficientes para proyecciones exactas (Rahman et al., 2023). Estos hallazgos están alineados con la literatura que señala las limitaciones de la planificación manual e intuitiva (Grover y Sharma, 2023).

Los enfoques tradicionales de estimación, como PERT y Tres Puntos, buscan reducir la subjetividad al definir escenarios optimistas, pesimistas y más probables. Sin embargo, estos métodos aún asumen distribuciones simplificadas y relaciones lineales entre variables, lo que limita su capacidad para modelar la complejidad de los proyectos de software, caracterizados por múltiples factores interdependientes y alta variabilidad. El Planning Poker, aunque colaborativo, sigue dependiendo del juicio humano y es susceptible a sesgos, sin un uso estructurado de datos históricos (Finco et al., 2021; Poženel et al., 2023; Tissot et al., 2015).

Ante estas limitaciones, las técnicas de Machine Learning surgen como alternativas más adecuadas, capaces de capturar relaciones no lineales y considerar múltiples variables simultáneamente a partir de datos históricos (Rahman et al., 2023; Terlapu et al., 2024). La adopción de Machine Learning representa una evolución metodológica que permite una mayor capacidad de generalización y adaptación a contextos complejos, superando las restricciones de los métodos heurísticos y estadísticos simplificados cuando se aplican a escenarios reales de desarrollo de software.

Desempeño del modelo predictivo

Con el objetivo de superar las limitaciones de las estimaciones tradicionales, se desarrolló un modelo predictivo basado en el algoritmo Random Forest, incorporando variables de contexto relacionadas con el desempeño del equipo. El desempeño del modelo se evaluó en comparación con un modelo de referencia, que utilizó la media histórica de tiempo de ejecución. Los resultados demostraron una reducción significativa en el error medio absoluto (MAE), que pasó de 6,27 días en el modelo de referencia a 3,84 días en el modelo propuesto, representando una mejora del 38,75% en la precisión de las predicciones.

A pesar de la mejora en la precisión, el modelo presentó un coeficiente de determinación (R²) cercano a cero, lo que indica que una porción relevante de la variabilidad en el tiempo de entrega aún no ha sido explicada. Este comportamiento es esperado en contextos sociotécnicos complejos, como el desarrollo de software, donde factores no observables, como interrupciones, cambios de requisitos, dependencias técnicas y variabilidad individual, ejercen una influencia significativa en el rendimiento (Mahdi et al., 2021; Rahman et al., 2023; Terlapu et al., 2024).

La literatura sobre estimación de esfuerzo en software señala que el desempeño de los equipos está fuertemente influenciado por variables contextuales y humanas, que frecuentemente no son capturadas en bases de datos estructuradas. Consecuentemente, los modelos predictivos tienden a presentar una capacidad limitada de explicación global de la variabilidad, especialmente cuando se basan en datos históricos operacionales. Este resultado refuerza que, en problemas con alta variabilidad e influencia de factores no observables, la utilidad del modelo debe ser evaluada prioritariamente por la reducción de error y no exclusivamente por métricas de explicación global, haciendo el MAE más apropiado para la evaluación.

Comparación entre algoritmos de regresión

Para ampliar la validación del modelo y evaluar la adecuación de diferentes enfoques predictivos, se probaron cuatro algoritmos de regresión: Regresión Lineal, Random Forest Regressor, SVR y XGBoost. La comparación se realizó en el mismo bloque temporal de prueba, con entrenamiento en los sprints 1 a 20 y validación en los sprints 21 a 25, utilizando las métricas MAE, RMSE y R². Los resultados indicaron que la Regresión Lineal presentó el mejor rendimiento entre los modelos probados, con un MAE de 3,7497, RMSE de 6,5616 y R² de 0,1124.

El Random Forest ocupó el segundo lugar, con un MAE de 3,9913, un RMSE de 6,6235 y un R² de 0,0956, mientras que SVR y XGBoost presentaron errores más altos y menor capacidad explicativa. Este resultado sugiere que, en el contexto específico de la base de datos analizada, la relación entre las variables explicativas y el tiempo real de entrega presentó un comportamiento predominantemente lineal. Alternativamente, el volumen y la estructura de los datos disponibles pueden no haber favorecido plenamente el aprovechamiento de modelos no lineales más sofisticados. Así, aunque el Random Forest demostró una ganancia expresiva en relación con la predicción ingenua, la Regresión Lineal fue el enfoque más adecuado para el escenario evaluado en el conjunto de prueba temporal.

Importancia de las variables y factores críticos de desempeño

El análisis de importancia de las variables en el modelo Random Forest reveló que el tiempo de ejecución de las tareas está influenciado predominantemente por factores contextuales, y no solo por la complejidad estimada. La variable más relevante fue el esfuerzo relativo, que considera la relación entre los story points y el nivel de senioridad del desarrollador. Este hallazgo indica que una misma tarea puede presentar comportamientos distintos dependiendo de quién la ejecute, evidenciando la importancia de la asignación adecuada de recursos y de la consideración de la capacidad productiva individual en la modelización.

A continuación, se destacaron la carga histórica del desarrollador y la velocidad reciente del equipo. La carga acumulada, definida como el volumen total de puntos de historia completados por el mismo profesional en el sprint inmediatamente anterior, demostró ser un indicador relevante del rendimiento futuro, sugiriendo que niveles elevados de esfuerzo en períodos anteriores impactan negativamente la productividad subsiguiente. La velocidad reciente del equipo, calculada como la media móvil de las entregas realizadas en los tres sprints anteriores, funcionó como un indicador del estado operativo del equipo, reflejando factores como la estabilidad del entorno, las interrupciones y la eficiencia del flujo de trabajo.

Estos hallazgos refuerzan la necesidad de considerar el contexto operacional en el análisis de rendimiento, superando enfoques simplificados basados exclusivamente en métricas aisladas. Variables como el contexto del sprint (momento), la estimación inicial (story points), la estacionalidad (mes de inicio), el tipo de funcionalidad (nueva funcionalidad, deuda técnica, bug) y el nivel de senioridad también contribuyeron a la predicción, aunque con menor impacto relativo. La incorporación de estas dimensiones del proceso de desarrollo, como características de las tareas e historial del equipo, es fundamental para modelos predictivos más precisos (Mahdi et al., 2021; Rahman et al., 2023; Terlapu et al., 2024).

Discusión e implicaciones gerenciales

Los resultados obtenidos demuestran que la gestión de proyectos de software puede beneficiarse significativamente de la adopción de enfoques analíticos y predictivos. La elevada tasa de spillover y la baja correlación entre estimación y ejecución indican que la planificación tradicional presenta limitaciones estructurales, especialmente en entornos complejos y dinámicos. La utilización de modelos predictivos permite una transición de una gestión reactiva a una gestión orientada por datos, en la cual las decisiones se fundamentan en evidencias empíricas y no solo en la experiencia o la intuición.

Considerando el impacto potencial del retrabajo asociado al desbordamiento de tareas (spillover) y a los cambios estructurales de alcance, se adopta, como parámetro gerencial de referencia, un factor multiplicador de costo de cambio de 1,6. Este parámetro busca representar que el impacto de retrasos y cambios no se restringe al esfuerzo originalmente previsto para la actividad, pudiendo involucrar retrabajo, refactorización de código, repetición de pruebas y cambio de contexto de los desarrolladores. Así, para fines de análisis gerencial, el factor 1,6 representa un incremento del 60% sobre el esfuerzo nominal de ítems afectados por estas ocurrencias, permitiendo considerar una condición de mayor complejidad en relación al flujo de ejecución originalmente planeado.

Desde el punto de vista práctico, los resultados permiten al gestor adoptar estrategias más asertivas, como el balanceo de la carga de trabajo y la asignación de tareas de acuerdo con el nivel de seniority, dado que la optimización predictiva en la asignación de recursos reduce expresivamente la ociosidad y el tiempo de entrega (Grover y Sharma, 2023). Además, los hallazgos sugieren un cambio en el rol del gestor, que deja de actuar solo como un planificador o recolector de datos empíricos, para asumir el rol de analista del flujo de trabajo, utilizando el soporte de herramientas analíticas para orientar decisiones complejas (Asghar y Burria, 2025; Vergara et al., 2025).

La creación de indicadores, la identificación de factores críticos y la comparación entre diferentes modelos de regresión demuestran la viabilidad y el potencial de la aplicación de Analytics para aumentar la previsibilidad y la madurez organizacional. En síntesis, la integración entre datos históricos, análisis estadístico y modelado predictivo representa un avance relevante en la gestión de proyectos de software, contribuyendo a decisiones más precisas y a la mejora continua del desempeño de los equipos. En el caso analizado, la comparación empírica entre algoritmos mostró que la Regresión Lineal fue la alternativa más adecuada en el conjunto de prueba temporal, reforzando que la elección del modelo debe ser orientada por los datos y no solo por la complejidad técnica del algoritmo.

Desde una perspectiva histórica, los hallazgos de este estudio ofrecen una respuesta práctica a la paradoja de la productividad propuesta por Solow (1987), que señalaba la dificultad de observar el retorno tangible de la infraestructura tecnológica en los indicadores de eficiencia de las organizaciones. La presente investigación demuestra que la acumulación de datos operativos en plataformas DevOps, por sí sola, no garantiza una mayor eficiencia o previsibilidad si estos registros continúan siendo interpretados de manera puramente intuitiva o manual. Al integrar técnicas de Machine Learning y Análisis multivariados al flujo de trabajo ágil, este estudio demuestra cómo el aparato tecnológico puede ser convertido en información predictiva y subsidios cuantitativos para decisiones gerenciales orientadas por evidencias.

En resumen, la utilización aislada de métricas tradicionales, como los story points, es insuficiente para explicar y predecir el rendimiento en equipos de desarrollo de software, como se evidencia por la baja correlación observada y la elevada tasa de spillover. Por otro lado, la incorporación de variables contextuales a través de modelos predictivos ha demostrado una capacidad concreta para reducir la incertidumbre en la planificación, aunque no elimina la complejidad inherente al proceso. La previsibilidad en entornos ágiles debe ser comprendida como un fenómeno multifactorial, en el cual la integración entre datos históricos, análisis estadístico e interpretación gerencial representa un camino consistente para el aumento de la confiabilidad y la madurez en la gestión de proyectos de software.

4. Conclusión

El presente estudio buscó analizar la capacidad predictiva de métricas ágiles convencionales y evaluar la aplicación de modelos de regresión para optimizar la estimación de plazos en proyectos de software, incorporando variables de contexto. Se verificó que las métricas tradicionales, como los story points, presentaron baja correlación lineal con el tiempo real de ejecución, no siendo estadísticamente significativa, y una elevada tasa de spillover del 30,59%, indicando limitaciones en la planificación tradicional. En contrapartida, la aplicación de modelos de Aprendizaje Automático demostró ganancias expresivas en la predictibilidad. Inicialmente, el algoritmo Random Forest redujo el error medio absoluto en un 38,75% en relación a la predicción ingenua. Posteriormente, la comparación entre diferentes algoritmos reveló que la Regresión Lineal obtuvo el mejor desempeño en el conjunto de prueba temporal, reduciendo de forma más consistente el error de predicción. El análisis de importancia de las variables destacó el esfuerzo relativo, la carga histórica del desarrollador y la velocidad del equipo como factores críticos, evidenciando que el desempeño es un fenómeno multifactorial. Este enfoque analítico contribuye a una gestión de proyectos de software más orientada por datos, ofreciendo una respuesta práctica a la paradoja de la productividad de Solow (1987), al convertir datos operacionales en subsidios cuantitativos para decisiones gerenciales.

A pesar de los avances en la precisión predictiva, este estudio tiene limitaciones. El análisis se realizó basándose en datos de un único equipo de desarrollo, lo que puede introducir sesgos de selección y restringir la generalización de los hallazgos a otros contextos organizacionales. Además, factores no observables, como la rotación del equipo, las interrupciones y los cambios de requisitos, influyeron en el rendimiento y no fueron capturados en los datos estructurados, lo que resultó en un bajo coeficiente de determinación. El alcance de la investigación se centró exclusivamente en el ciclo de desarrollo, sin abarcar etapas anteriores o posteriores del proyecto. Para futuros estudios, se sugiere la aplicación del modelo en múltiples equipos y contextos distintos, la ampliación de la base de datos para explorar técnicas de modelado más avanzadas, la incorporación de datos no estructurados mediante procesamiento de lenguaje natural y el desarrollo de herramientas integradas que utilicen modelos predictivos en tiempo real para mejorar la gestión.

Referencias 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.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Gestión de Proyectos del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy