Оценка пользовательских историй на основе декомпозиции сложности с использованием байесовских сетей

На сегодняшний день в методологии разработки программного обеспечения Scrum предлагаются разные методы оценки трудозатрат и сложности пользовательских историй. В большинстве существующих методов факторы анализируются на уровне мелких структурных единиц, и эти методы не всегда точны. Хотя чаще всего для оценки пользовательских историй в Scrum используется покер планирования, он эффективен в основном для опытных команд, поскольку оценка строится на основе наблюдений экспертов, но у неопытных команд применение этого метода вызывает трудности. В данной статье мы предлагаем метод декомпозиции сложности на крупные блоки, позволяющий учитывать важные для оценки факторы. Для представления факторов и связей между ними используется байесовская сеть. Ребра взвешиваются на основе профессиональной оценки важности рассматриваемых факторов. Узлы сети представляют факторы. На этапе оценки Scrum-команда присваивает каждому фактору значение, что позволяет сети сгенерировать значения для сложности пользовательской истории с последующей трансформацией в номер карты покера планирования, которой представляет относительную оценку сложности пользовательской истории. Цель данного исследования состоит в том, чтобы предоставить командам разработчиков без опыта или без имеющихся статистических данных метод, позволяющий существенно повысить точность оценки сложности пользовательских историй с помощью модели, ориентированной на человеческий фактор разработчиков.

1. K.S. and J. Sutherland. The Scrum Guide. The Definitive Guide to Scrum: the Rules of the Game. Scrum.Org and Scrum Inc, 2017, 19 p.

2. A. Srivastava, S. Bhardwaj, and S. Saraswat. SCRUM model for agile methodology. In Proc. of the International Conference on Computing, Communication and Automation, 2017, pp. 864-869.

3. K.S. Rubin. Essential Scrum: A Practical Guide to the Most Popular Agile Process. Addison-Wesley Professiona, 2012, 496 p.

4. D. Pauly, B. Michalik, and D. Basten. Do Daily Scrums Have to Take Place Each Day? A Case Study of Customized Scrum Principles at an E-commerce Company. In Proc. of the 48th Hawaii International Conference on System Sciences, Kauai, 2015, pp. 5074-5083.

5. A Guide to the Scrum Body of Knowledge (SBOK Guide). VMEdu, Inc, 2016. 140 p.

6. G. Lucassen, F. Dalpiaz, J.M E.M. van der Werf, and S. Brinkkemper. Improving agile requirements: the Quality User Story framework and tool. Requirements Engineering, vol. 21, no. 3, 2016, pp. 383-403.

7. J. Lopez-Martinez, A. Ramirez-Noriega, R. Juarez-Ramirez et al. Analysis of Planning Poker Factors between University and Enterprise. In Proc. of the 5th International Conference in Software Engineering Research and Innovation, 2017, pp. 54–60.

8. J. López-Martínez, A. Ramírez-Noriega, R. Juárez-Ramírez et al. User stories complexity estimation using Bayesian networks for inexperienced developers. Cluster Computing, vol. 21, no. 2, 2018, pp. 715-728.

9. J. López-Martínez, R. Juárez-Ramírez, A. Ramírez-Noriega et al. Estimating User Stories’ Complexity and Importance in Scrum with Bayesian Networks. Advances in Intelligent Systems and Computing, vol. 569, 2017, 205-214.

10. S. Dragicevic, S. Celar, and M. Turic. Bayesian network model for task effort estimation in agile software development. Journal of Systems and Software, vol. 127, 2017, pp. 109-119.

11. J.M. Alostad, L.R.A. Abdullah, and L.S. Aali. A Fuzzy based Model for Effort Estimation in Scrum Projects. International Journal of Advanced Computer Science and Applications, vol. 8, no. 9, 2017, pp. 270-277.

12. E. Scott and D. Pfahl. Using developers’ features to estimate story points. In Proc. of the 2018 International Conference on Software and System Process, 2018, pp. 106-110.

13. V. Lenarduzzi. Could social factors influence the effort software estimation? In Proc. of the 7th International Workshop on Social Software Engineering, 2015, pp. 21-24.

14. V. Mahnič and T. Hovelja. On using planning poker for estimating user stories. Journal of Systems and Software, vol. 85, no. 9, 2012, pp. 2086-2095.

15. S.Z. Ziauddin, S.K. Tipu, and S. Zia. An Effort Estimation Model for Agile Software Development. Advances in Computer Science and Its Applications, vol. 2, no. 1, 2012, pp. 2166-2924.

16. B. Peischl, M. Zanker, M. Nica, and W. Schmid. Constraint-based recommendation for software project effort estimation. Journal of Emerging Technologies in Web Intelligence, vol. 2, no. 4, 2010, pp. 282-290.

17. F. Zare, H. Khademi Zare, and M.S. Fallahnezhad. Software effort estimation based on the optimal Bayesian belief network. Applied Soft Computing, vol. 49, 2016, pp. 968–980.

18. S.K. Rath, B.P. Acharya, and S.M. Satapathy. Early stage software effort estimation using random forest technique based on use case points. IET Software, vol. 10, no. 1, 2016, pp. 10-17.

19. S. C. Hsu, K.W. Weng, Q. Cui, and W. Rand. Understanding the complexity of project team member selection through agent-based modeling. International Journal of Project Management, vol. 34, no. 1, 2016, pp. 82-93.

20. O. Malgonde and K. Chari. An ensemble-based model for predicting agile software development effort. Empirical Software Engineering, vol. 24, issue 2, 2018, pp. 1017-1055.

21. R. Sholiq, S. Dewi, and A.P. Subriadi. A Comparative Study of Software Development Size Estimation Method: UCPabc vs Function Points. Procedia Computer Science, vol. 124, 2017, pp. 470-477.

22. A. Qazi, J. Quigley, A. Dickson, and K. Kirytopoulos. Project Complexity and Risk Management (ProCRiM): Towards modelling project complexity driven risk paths in construction projects International Journal of Project Management, vol. 34, no. 7, 2016, pp. 1183-1198.

23. C. Drahý and O. Pastor. Relationship Between Project Complexity and Risk Kinds Identified on Projects. EMI – Economics, Management, Innovation, vol. 8, no. 1, 2016, pp. 42-50.

24. S.M. Abdou, K. Yong, and M. Othman. Project Complexity Influence on Project management performance – The Malaysian perspective. In Proc. of the 4th International Building Control Conference, 2016, article no. 00065.

25. H. Zahraoui and M.A. Janati Idrissi. Adjusting story points calculation in scrum effort & time estimation. In Proc. of the 10th International Conference on Intelligent Systems: Theories and Applications, 2015, pp. 1-8.

26. E. Mendes. Knowledge Representation using Bayesian Networks A Case Study in Web Effort Estimation. In Proc. of the World Congress on Information and Communication Technologies, 2011, pp. 612-617.

27. Р. Сильхавы, З. Попова, П. Сильхавы. Алгоритмический метод оптимизации оценки трудозатрат. Программирование, том 42, no. 3, 2016 г., стр. 64-71 / R. Silhavy, Z. Prokopova, and P. Silhavy. Algorithmic optimization method for effort estimation. Programming and Computer Software, vol. 42, no. 3, 2016, pp. 161-166.

28. M. Durán, R. Juárez-Ramírez, S. Jiménez, and C. Tona. Taxonomy for Complexity Estimation in Agile Methodologies : A Systematic Literature Review. In Proc. of the 7th International Conference in Software Engineering Research and Innovation, 2020, pp. 87-96.

29. M. Usman, E. Mendes, F. Weidt, and R. Britto. Effort estimation in Agile Software Development: A systematic literature review. In Proc. of the 10th International Conference on Predictive Models in Software Engineering, pp. 82–91, 2014.

30. A. Georgsson. Introducing Story Points and User Stories to Perform Estimations in a Software Development Organisation – A case study at Swedbank IT. Master’s Thesis, UMEÅ University, 2011, 52 p.

31. N. R. Jennings and M. Wooldridge. Agent-Oriented Software Engineering. Artificial Intelligence, vol. 117, 2000, pp. 277-296.

32. F.V. Jensen. Bayesian networks. WIREs Computational Statistics, vol. 1, no. 3, 2009, pp. 307–315.

33. L. Myers, M.J. Sirois. Spearman Correlation Coefficients, Differences between. In Encyclopedia of Statistical Sciences. John Wiley & Sons, 2006.