Ciência de dados aplicada a gestão de projetos de quality assurance
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/231570 |
Resumo: | Em Projetos de Software faz parte do processo de desenvolvimento, encontrar falhas durante a construção do software, e o quanto antes os mesmos forem encontrados, menor será o custo de correção e impacto no negócio. Essas falhas, dependendo do período em que são encontradas, podem acarretar perda financeira e de credibilidade para o cliente. Com um mercado cada vez mais volátil e competitivo, o quanto antes o time do projeto conseguir identificar a causa raiz dessas falhas, decisões estratégicas e até mesmo de mitigação dos riscos de ocorrer as falhas poderão ser tomadas, reduzindo o desperdício e retrabalho do time de projetos. Dentro desse contexto, foram realizadas as análises de um conjunto de dados contendo as falhas de projetos de desenvolvimento e utilizando Ciência de Dados e Aprendizado de Máquina, foi possível prever a causa raiz das falhas, levando em consideração as demais informações presentes no conjunto de dados. Como resultado do estudo, temos a confirmação da viabilidade de utilizar Ciência de Dados e Aprendizado de Máquina para auxiliar na tomada de decisão na gestão de projetos de desenvolvimento de Software. |
id |
UFRGS-2_02757d9930de8fc777b7b14d61f72132 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/231570 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Mello, Leonardo OliveiraOliveira, Flavio Moreira de2021-11-05T04:28:20Z2021http://hdl.handle.net/10183/231570001133187Em Projetos de Software faz parte do processo de desenvolvimento, encontrar falhas durante a construção do software, e o quanto antes os mesmos forem encontrados, menor será o custo de correção e impacto no negócio. Essas falhas, dependendo do período em que são encontradas, podem acarretar perda financeira e de credibilidade para o cliente. Com um mercado cada vez mais volátil e competitivo, o quanto antes o time do projeto conseguir identificar a causa raiz dessas falhas, decisões estratégicas e até mesmo de mitigação dos riscos de ocorrer as falhas poderão ser tomadas, reduzindo o desperdício e retrabalho do time de projetos. Dentro desse contexto, foram realizadas as análises de um conjunto de dados contendo as falhas de projetos de desenvolvimento e utilizando Ciência de Dados e Aprendizado de Máquina, foi possível prever a causa raiz das falhas, levando em consideração as demais informações presentes no conjunto de dados. Como resultado do estudo, temos a confirmação da viabilidade de utilizar Ciência de Dados e Aprendizado de Máquina para auxiliar na tomada de decisão na gestão de projetos de desenvolvimento de Software.Software Projects, it is part of the development process, finding faults during the construction of the software, and the sooner they are found, the lower the cost of correction and affect the business will be. These failures, depending on the period in which they are found can lead to financial and credibility loss for the client. With an increasingly volatile and competitive market, the sooner the project team can identify the root cause of these failures, strategic decisions and even mitigation of the risks of failures can be taken, reducing waste and rework of the projects. Within this context, the analyzes of a dataset containing the failures of development projects were performed and using Data Science and Machine Learning techniques, it was possible to predict the root cause of the failures, taking into account the other information present in the dataset . Because of the study, we have confirmation of the feasibility of using Data Science and Machine Learning to assist in decision making in managing software development projects.application/pdfporAprendizado de máquinaSoftwareData ScienceManagementQuality AssuranceCiência de dados aplicada a gestão de projetos de quality assuranceData science applied to quality assurance project management info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RSespecializaçãoCurso de Especialização em Engenharia de Software e Inovaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001133187.pdf.txt001133187.pdf.txtExtracted Texttext/plain59568http://www.lume.ufrgs.br/bitstream/10183/231570/2/001133187.pdf.txt2e34ce540a9851f59f7ebc4b30c78fc4MD52ORIGINAL001133187.pdfTexto completoapplication/pdf1907044http://www.lume.ufrgs.br/bitstream/10183/231570/1/001133187.pdf40ebfda0603753b501d50fc45cea66faMD5110183/2315702021-11-20 05:56:59.758625oai:www.lume.ufrgs.br:10183/231570Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2021-11-20T07:56:59Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Ciência de dados aplicada a gestão de projetos de quality assurance |
dc.title.alternative.en.fl_str_mv |
Data science applied to quality assurance project management |
title |
Ciência de dados aplicada a gestão de projetos de quality assurance |
spellingShingle |
Ciência de dados aplicada a gestão de projetos de quality assurance Mello, Leonardo Oliveira Aprendizado de máquina Software Data Science Management Quality Assurance |
title_short |
Ciência de dados aplicada a gestão de projetos de quality assurance |
title_full |
Ciência de dados aplicada a gestão de projetos de quality assurance |
title_fullStr |
Ciência de dados aplicada a gestão de projetos de quality assurance |
title_full_unstemmed |
Ciência de dados aplicada a gestão de projetos de quality assurance |
title_sort |
Ciência de dados aplicada a gestão de projetos de quality assurance |
author |
Mello, Leonardo Oliveira |
author_facet |
Mello, Leonardo Oliveira |
author_role |
author |
dc.contributor.author.fl_str_mv |
Mello, Leonardo Oliveira |
dc.contributor.advisor1.fl_str_mv |
Oliveira, Flavio Moreira de |
contributor_str_mv |
Oliveira, Flavio Moreira de |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Software |
topic |
Aprendizado de máquina Software Data Science Management Quality Assurance |
dc.subject.eng.fl_str_mv |
Data Science Management Quality Assurance |
description |
Em Projetos de Software faz parte do processo de desenvolvimento, encontrar falhas durante a construção do software, e o quanto antes os mesmos forem encontrados, menor será o custo de correção e impacto no negócio. Essas falhas, dependendo do período em que são encontradas, podem acarretar perda financeira e de credibilidade para o cliente. Com um mercado cada vez mais volátil e competitivo, o quanto antes o time do projeto conseguir identificar a causa raiz dessas falhas, decisões estratégicas e até mesmo de mitigação dos riscos de ocorrer as falhas poderão ser tomadas, reduzindo o desperdício e retrabalho do time de projetos. Dentro desse contexto, foram realizadas as análises de um conjunto de dados contendo as falhas de projetos de desenvolvimento e utilizando Ciência de Dados e Aprendizado de Máquina, foi possível prever a causa raiz das falhas, levando em consideração as demais informações presentes no conjunto de dados. Como resultado do estudo, temos a confirmação da viabilidade de utilizar Ciência de Dados e Aprendizado de Máquina para auxiliar na tomada de decisão na gestão de projetos de desenvolvimento de Software. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-11-05T04:28:20Z |
dc.date.issued.fl_str_mv |
2021 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/231570 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001133187 |
url |
http://hdl.handle.net/10183/231570 |
identifier_str_mv |
001133187 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/231570/2/001133187.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/231570/1/001133187.pdf |
bitstream.checksum.fl_str_mv |
2e34ce540a9851f59f7ebc4b30c78fc4 40ebfda0603753b501d50fc45cea66fa |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224615265042432 |