Modelo para priorização do Backlog Kanban de uma Tech Banking

Resumen

Objetivo do estudo: Este trabalho teve como objetivo desenvolver um modelo de aprendizado de máquina que faz a priorização e a sugestão de itens de “backlog Kanban”, executáveis dentro de um ciclo de desenvolvimento, para um time ágil responsável pelo produto de conta corrente de um tech banking.

Metodologia: A pesquisa utilizou o método exploratório de natureza aplicada, seguindo a metodologia “Team Data Science Process” (Processo de ciência de dados de equipe) [TDSP] desenvolvida pela Microsoft.

Relevância: Com times reduzidos, causados pelo apagão de mão de obra especializada no Brasil e uma lista de demandas em espera cada vez maior, as empresas de tecnologia precisam saber o que priorizar, ter a noção do que o time é capaz de executar e ao mesmo tempo preservar a qualidade de vida dos seus colaboradores.

Principais resultados: A implementação com o algoritmo XGBoost se mostrou o melhor modelo supervisionado de aprendizado de máquina para realizar a estimativa dos prazos das atividades. O algoritmo final fez a sugestão das demandas na qual o time tem a capacidade de executar em um ciclo.

Contribuições teóricas/metodológicas: A pesquisa aponta uma deficiência nos processos de desenvolvimento de times ágeis e sugere a aplicação de inteligência artificial para cobrir essa lacuna.

Contribuições para a gestão: O método algoritmo proposto apoia a gestão na tomada de decisão e na previsibilidade do que o time é capaz de entregar em um período definido.