El título, el proyecto y el tipo aportan el contexto disponible antes de iniciar el trabajo.
Investigación aplicada · Itemlet
Una incidencia.
Una incidencia.
Tres lecturas útiles.
El laboratorio estima Story Points, sugiere una prioridad histórica y clasifica la complejidad del proceso. Cada resultado se acompaña de la evaluación que permite interpretarlo con cautela.
- 727.280incidencias únicas
- 108variables auditadas
- 3modelos predictivos
Entrada analizada
JOBLIB ACTIVO
DEV · Bug
Fix login error when saving a form
34 caracteres
SP≈ 2.4Ridge
PRMediaSGD
CPMediaSGD
Ejemplo de lectura. La prueba interactiva utiliza los artefactos actuales.
01 · Recorrido
Cómo utilizar la aplicación
La prueba requiere tres datos disponibles antes de comenzar el trabajo. La longitud del título se calcula automáticamente.
- 01Describe la incidencia
Escribe un título concreto, como se registraría en Jira. Evita palabras sueltas o información sensible.
- 02Busca proyecto y tipo
El buscador muestra el nombre oficial del proyecto y conserva su clave de forma interna para los modelos.
- 03Ejecuta el análisis
El servidor carga los archivos
.jobliby entrega las tres salidas en una sola solicitud. - 04Revisa la evidencia
Contrasta la estimación con sus métricas. Las salidas apoyan una decisión; no sustituyen el criterio del equipo.
02 · Funcionamiento
De una incidencia a una decisión informada
La aplicación transforma los tres datos escritos en representaciones numéricas y ejecuta tres modelos especializados. Cada salida responde una pregunta distinta del proceso de planificación.
TF-IDF representa el texto; la codificación categórica procesa proyecto y tipo; además se calcula la longitud.
Los archivos joblib conservan exactamente las transformaciones y estimadores evaluados en los notebooks.
El equipo contrasta Story Points, prioridad y complejidad con las métricas y con su conocimiento del proyecto.
ESTIMACIÓN
Story Points
Para qué sirve: propone una primera medida de esfuerzo relativo para conversar durante la planificación.
Por qué importa: aporta un punto de partida uniforme y permite detectar tareas que necesitan dividirse o aclararse.
Se utiliza antes de comprometer una tarea con un sprint.PRIORIZACIÓN
Prioridad histórica
Para qué sirve: sugiere qué incidencias requieren atención primero según patrones observados en Itemlet.
Por qué importa: ayuda a ordenar el trabajo pendiente cuando existen muchas solicitudes simultáneas.
Se revisa junto con impacto, urgencia y criterio del responsable.CLASIFICACIÓN
Complejidad del proceso
Para qué sirve: identifica si el patrón histórico de una incidencia corresponde a complejidad baja, media o alta.
Por qué importa: permite anticipar revisión, coordinación o descomposición adicional antes de asignar el trabajo.
Describe el proceso registrado; no calcula complejidad del código fuente.03 · Modelos
Qué calcula cada modelo
Los tres modelos utilizan texto con TF-IDF, variables categóricas codificadas y la longitud del título. Las métricas corresponden a conjuntos de prueba separados.
Story Points
Estima el esfuerzo relativo que puede asignarse a la incidencia durante la planificación.
Título + tipo + proyecto→TF-IDF + Ridge + log1p→Puntos
- MAE conocido
- 1,88
- R² conocido
- 0,412
Prioridad histórica
Sugiere urgente, alta, media o baja según patrones de incidencias ya registradas.
Título + tipo + proyecto→TF-IDF + SGD logístico→Nivel
- Exactitud
- 74,2 %
- F1 macro
- 63,3 %
Complejidad del proceso
Clasifica la incidencia como baja, media o alta según patrones históricos del proceso.
Título + tipo + proyecto→TF-IDF + SGD logístico→Nivel
- Exactitud
- 54,1 %
- F1 macro
- 53,6 %
Resultado de control
Horas registradas: mediana de 4 h
Se conserva como referencia académica. La regresión evaluada no supera esta regla simple y no se ofrece como predicción personalizada.
04 · Artefactos
Cómo utiliza la web los archivos joblib
Joblib permite guardar cada pipeline ya entrenado. La web carga esos artefactos y ejecuta inferencia; no vuelve a entrenar, no modifica el dataset y no cambia los parámetros evaluados.
Se ajustan las transformaciones TF-IDF, la codificación categórica y los estimadores con los conjuntos definidos.
Cada archivo conserva el preprocesamiento y el modelo como una sola unidad reproducible.
El servidor usa joblib.load() cuando llega la primera solicitud y mantiene los modelos disponibles en memoria.
predict() estima Story Points y clases; predict_proba() entrega la distribución de prioridad y complejidad.
modelo_regresion_story_points.joblib
predictTransforma la entrada y estima el esfuerzo relativo.
modelo_clasificacion_prioridad.joblib
predict + predict_probaClasifica la prioridad histórica y calcula probabilidades.
modelo_clasificacion_complejidad.joblib
predict + predict_probaClasifica la complejidad del proceso y calcula probabilidades.
referencia_regresion_horas.joblib
referenciaConserva la mediana de cuatro horas como control no predictivo.
Comprobando los artefactos disponibles…
FILA CONSTRUIDA POR LA API
issue_summary · issuetype_name · project_key · summary_lengthEsta fila utiliza exactamente los nombres de variables esperados por los pipelines guardados.
05 · Inferencia
Prueba una incidencia
Los resultados se generan en el backend Python del equipo de demostración mediante los modelos exportados por los notebooks 07, 08 y 09.
Los resultados aparecerán aquí
Se mostrarán Story Points, prioridad, complejidad y las probabilidades de cada clasificación.
LECTURA CONJUNTA
SPStory Points
—
Modelo: Ridge TF-IDF · MAE 1,88 en proyectos conocidos.
PRPrioridad
—
Modelo: SGD logístico · se recomienda revisión humana.
CPComplejidad del proceso
—
Describe el proceso histórico; no evalúa el código.
Referencia de horas4 h
No es una predicción de la incidencia. Es la mediana que el modelo aprendido no consigue superar.
06 · Evidencia
Gráficos para interpretar el estudio
Cada visualización indica su población y propósito. Los filtros modifican solo los gráficos descriptivos; las métricas de prueba permanecen fijas.
Cargando resultados de los notebooks…
07 · Trazabilidad
De Itemlet a la página
La web no entrena ni altera los modelos. Consume los artefactos guardados después de evaluar cada experimento.
727.282 filas y 108 variables originales.
Nulos, anomalías, distribuciones y asociaciones.
Entrenamiento, validación, prueba y referencia.
Se guardan transformaciones y estimadores juntos.
La interfaz consulta la API de Python, que carga los artefactos y devuelve las inferencias.
Las etiquetas faltantes no se rellenan. Cada objetivo utiliza solo las incidencias con una respuesta observada y válida.
La cobertura indica cuántas filas pueden participar. El acierto se mide en conjuntos de prueba independientes.
Las probabilidades expresan preferencia interna del clasificador. No garantizan que la decisión sea correcta.
Los resultados disminuyen cuando la prueba contiene proyectos ausentes durante el entrenamiento.