Desarrollo de un software para la gestión de proyectos de desarrollo PM4R que permita automatizar la etapa de planificación para estimar tiempos a través de algoritmos de aprendizaje automático

• Autor: Espinoza Muñoz, Jorge Enrique
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Tesis
• Lenguaje: español
• OAI Identifier: oai:tesis.pucp.edu.pe:20.500.12404/14431
• Enlace del recurso: http://hdl.handle.net/20.500.12404/14431
• Nivel de acceso: acceso abierto
• Materia: Programas para computadoras--Desarrollo; Aprendizaje automático (Inteligencia artificial); Administración de proyectos; https://purl.org/pe-repo/ocde/ford#1.02.00

La gestión de proyectos es un trabajo arduo que demanda de experiencia en el sector para la correcta definición de actividades y estimación de costos y tiempos de los proyectos. Es por ello que PM4R o gestión para resultados propone 7 etapas integradas. En este contexto, esta metodología es potente al permitir tener una ruta en cómo realizar una buena gestión, pero la habilidad de estimación aún queda definida por los gestores de proyectos, los que en base a su experiencia definen los tiempos de los proyectos y en consecuencia los costos. ¿Qué pasaría si este proceso estuviera automatizado? Ante esta pregunta, en la presente tesis se desarrolla un software para esta metodología. Sin embargo, como componente adicional se integran algoritmos de Machine Learning para permitir una estimación de la duración de los proyectos (tiempos) haciendo uso de la data histórica, para lo cual se procede a generar data en base a un conjunto de datos público del Banco Mundial. Además de que el diseño del software se basa en los lineamientos de Nielsen, lo que permitió la publicación de un artículo en el rubro de Interacción Humano-Computador. En base a lo anterior, los resultados muestran una herramienta potente que ha integrado la metodología en su totalidad (7 pasos) y además los resultados de la integración con Machine Learning son prometedores ya que tanto la clasificación como la regresión presentan valores de error acorde a la revisión del estado del arte y quedan pendientes trabajos como el tuneo de los algoritmos para la obtención de mejores resultados. Además de que a partir de la evaluación del incremento de los datos se observan resultados en los que, si bien es cierto se incrementa la precisión, también se incluye ruido o desbalanceo. Es un trade-off que el gestor de proyectos puede utilizar a su favor, ya que el software en cuestión es una herramienta de apoyo para los gestores, de tal manera que estos puedan tomar mejores decisiones en la etapa de planificación de nuevos proyectos.