Tool for estimating user stories associated with non-functional requirements
Herramienta para la estimación de historias de usuario asociadas a requisitos no funcionales
Share this
Date
2024-05-10Author
González-Palacio, Liliana
Villegas-Osorio, Daniela
Luna-Reinosa, Sebastián
Vásquez, Mariana
García-Giraldo, John
Suescún Monsalve, Elizabeth
Citación
Metadata
Show full item recordDocuments PDF
Abstract
One of the initial steps in developing any software product is defining its functional and non-functional requirements, the latter also known as quality requirements. Several stakeholders are involved in this process. However, estimating the effort needed to implement these requirements, particularly the quality ones, is a complex task. To overcome this challenge, we present Story Points Predictor (SPP), a tool for predicting the effort required to implement quality requirements using artificial intelligence techniques. Based on historical data, SPP estimates the size of the requirements and classifies them into three groups: small, medium, and large. Development teams can use SPP to complement their effort estimation process for requirements. Experimental results show that SPP has a 72% accuracy. Uno de los primeros pasos para el desarrollo de cualquier producto de software es la definición de sus requisitos funcionales y no funcionales, estos últimos también denominados requisitos de calidad. En este proceso participan varias partes interesadas. Sin embargo, estimar el esfuerzo necesario para implantar estos requisitos, y en particular los de calidad, es una tarea compleja. Para superar este reto, presentamos Story Points Predictor (SPP), una herramienta para predecir el esfuerzo necesario en la implementación de los requisitos de calidad mediante técnicas de inteligencia artificial. Basándose en datos históricos, SPP estima el tamaño de los requisitos y los clasifica en tres grupos: pequeños, medianos y grandes. Los equipos de desarrollo pueden utilizar SPP para complementar su proceso de estimación del esfuerzo de los requisitos. Los resultados experimentales muestran que SPP tiene una precisión del 72 %.