Estas son algunas de las preguntas que FATTO le ayuda a responder creando soluciones con Analytics & Machine Learning. Desarrollamos modelos predictivos supervizados y no supervizados. Implementamos soluciones en planillas electrónicas o las incorporamos en sistenas oara orientas decisiones de negocio. Utilizamos sus datos, referencias del mercado y el conocimiento de su equipo en la identificación de padrones, ayudando a la creación de una cultura de resultados.
Analytics & Machine Learning
Clasifique una iniciativa de negocio, estime el esfuerzo de varios contratos para un mismo objetivo priorizar el portafolio sin los detalles necesario para un analista.
"In God we trust, all others bring data.” — W Edwards Deming.
Los datos capturados en la gestión y ejecución de sus operaciones cotidianas de desarrollo esconden respuestas para ccuestiones críticas de negocio. Nosotros le ayudamos a descubrir ese valor al entender la interrelación entre los datos de manera que usted pueda controlar una variable desconocida a partir de fragmentos conocidos o facilmente estimados.
Conocerá mejor el desempeño de su desarrollo de software y crea mecanismos para comunicarlo con los directores, áreas operarias y ejecutivos.
Resultados
Los principales beneficios de nuestro trabajo con Analytics & Machine Learning son descubrir oportunidades, que ni siquiera sabe que existen. Principalmente si usted ya tiene controles de gobernanza corporativa implantados hace algún tiempo, piense en la cantidad de información de sus datos no utilizados y con potencial de traer resultados para su negocio. FATTO tiene un equipo que combina un profundo conocimiento en administración de TI y sabe qué buscar en sus datos.
Un poco sobre como trabajamos...
Un cliente necesitaba estimar las horas de la Gerencia de Proyectos (GP) para iniciativas técnicas y de infraestrutura. Si bien la simple aplicación de un porcentaje sobre el esfuerzo total fue suficiente para el desarrollo de soluciones de software, los proyectos técnicos mostraron una gran variabilidad.
Después de comprender el proceso, recopilar las métricas en los sistemas de gestión de la demanda, entrevistar a los involucrados sobre sus percepciones, descubrimos que en ese contexto:
Nuestro trabajo tambien sirvió para verificar una serie de aspectos cuya variación no resultó ser estadísticamente significativa en la variación del esfuerzo invertido en GP, aunque el “sentido común” indique lo contrario, por ejemplo:
Con esas relaciones mapeadas, una prueba de concepto simulado, el modelo en proyectos pasados permitió confirmar la eficacia y una “calculadora” se entregó para facilitar la planeación de los proyectos técnicos y de infraestructura.
Aplicaciones
Un caso de analytics & machine learning aplicado a sus negocios
Uno de los bancos más grandes de Brasil ha experimentado una profunda reestructuración en su flujo de servicios para desarrollar soluciones de software. El objetivo era disminuir el time-to-market. Se ha establecido un gateway para dirigir si una nueva idea de negocio avanza por un camino ágil. Por eso es necesario saber si la demanda es "pequeña". Otro gateway, para estimar las horas con los requisitos aún macro, con mucha incertidumbre para elaborar una propuesta técnica.
Publicaciones
MetricViews | IFPUG
Volume 8 | Issue 2 | Julho 2014
IFPUG MetricViews
Volume 9 | Issue 1 | Jan/2015