ReCIBE (Feb 2024)
Los Algoritmos, métricas y validación en la estimación del esfuerzo y su impacto en la gestión de proyectos DevOps un mapeo sistemático de la literatura
Abstract
En proyectos de desarrollo de software, la estimación del esfuerzo desempeña un papel crítico en el éxito o fracaso de éstos, ya que está intrínsecamente ligada al alcance, el costo y el tiempo. A pesar de numerosos esfuerzos por mejorar la precisión de las estimaciones, la mayoría de la literatura existente se centra en proyectos de desarrollo de software tradicionales, dejando un vacío en cuanto a la estimación del esfuerzo en proyectos DevOps. Esta investigación se enfoca en identificar los algoritmos/métodos, métricas y procesos de validación que actualmente se han implementado para la estimación del esfuerzo. Dando como resultado diversas técnicas, incluyendo algoritmos basados en aprendizaje automático, estimación del tamaño de software, listas de verificación, técnicas de estimación ágil y marcos de trabajo. Estas técnicas han evaluado la precisión de las estimaciones utilizando una variedad de métricas, tales como la media de la magnitud del error relativo, mediana de la magnitud del error relativo, predicción en el nivel n, precisión estandarizada, error medio absoluto, error cuadrático, residuo medio absoluto, magnitud del error relativo, mediana del sesgo del error relativo equilibrado, error relativo, error absoluto, error cuadrático relativo raíz, error cuadrático medio raíz, precisión, error cuadrático medio, coeficiente de variación, media y desviación estándar. Estos estudios se han validado mediante encuestas, casos de estudio, historias de usuario, entrevistas, factores y proyectos extraídos de repositorios de datos como Cocomo81, Nasa 93, Maxwell, China y ISBSG. Los resultados de esta investigación tienen el potencial de aportar nuevos enfoques para mejorar el proceso de estimación en proyectos DevOps, llenando un vacío importante en la literatura actual sobre este tema.
