Essas são algumas das perguntas a FATTO o ajuda a responder pela criação de soluções com Analytics & Machine Learning. Desenvolvemos modelos preditivos supervisionados e não supervisionados. Implementamos soluções em planilhas eletrônicas ou os incorporamos em sistemas para orientar decisões de negócios. Usamos os seus dados, referências de mercado e o conhecimento de sua equipe na identificação de padrões, auxiliando na criação de uma cultura de resultados.
Analytics & Machine Learning
Classificar uma iniciativa de negócio, estimar o esforço de várias contratações para um mesmo objetivo ou priorizar o portfólio sem os detalhes necessários para um analista.
"In God we trust, all others bring data.” — W Edwards Deming.
Os dados capturados na gestão e execução de suas operações cotidianas de desenvolvimento escondem respostas para questões críticas de negócio. Nós ajudamos você a descobrir esse valor ao entender a interrelação entre esses dados de maneira que você possa controlar uma variável desconhecida a partir de fragmentos conhecidos ou mais facilmente estimados.
Você passa a conhecer melhor o desempenho do seu desenvolvimento de software e cria mecanismos para comunicar isso para diretores, áreas usuárias e executivos.
Resultados
Os principais benefícios de nossa atuação com Analytics & Machine Learning estão na descoberta das oportunidades, que você ainda nem sabe existir! Principalmente se você já tem controles de governança corporativa implantados há algum tempo, pense na quantidade de informação nos seus dados não utilizada e com potencial de trazer resultados para seu negócio. A FATTO conta com uma equipe que alia profundo conhecimento na gestão de TI e sabe o que procurar em seus dados.
Um pouco sobre como trabalhamos...
Um cliente necessitava estimar as horas de Gerência de Projetos (GP) para iniciativas técnicas e de infra-estrutura. Enquanto a simples aplicação de um percentual sobre o esforço total era suficiente para o desenvolvimento de soluções de software, projetos técnicos apresentavam uma variabilidade grande demais.
Após entendermos o processo, coletarmos as métricas nos sistemas de gestão de demandas, entrevistarmos os envolvidos sobre suas percepções, descobrimos que naquele contexto:
Nosso trabalho também serviu para verificar uma série de aspectos cuja variação não se revelou estatisticamente significativa na variação do esforço investido em GP, apesar de o “bom senso” indicar o contrário, por exemplo:
Com essas relações mapeadas, uma prova de conceito simulando o modelo em projetos passados permitiu confirmar a sua eficácia e uma “calculadora” foi entregue para facilitar o planejamento dos projetos técnicos e de infraestrutura.
Aplicações
Um case de analytics & machine learning aplicado aos seus negócios
Um dos maiores bancos do Brasil passou por uma profunda reestruturação em seu fluxo de atendimento para desenvolver soluções de software. O objetivo foi diminuir o time-to-market. Um gateway foi estabelecido para direcionar se uma nova ideia de negócio avança por uma trilha ágil. Para isso era necessário saber se a demanda é "pequena". Outro gateway, para estimar as horas com os requisitos ainda macro, com muita incerteza para elaborar uma proposta técnica.
Publicações
MetricViews | IFPUG
Volume 8 | Issue 2 | Julho 2014
IFPUG MetricViews
Volume 9 | Issue 1 | Jan/2015
