Estimación del esfuerzo de desarrollo de software

En el desarrollo de software , la estimación del esfuerzo es el proceso de predecir la cantidad más realista de esfuerzo (expresada en términos de horas-persona o dinero) necesaria para desarrollar o mantener software a partir de datos incompletos, inciertos y con ruido. Las estimaciones del esfuerzo pueden utilizarse como datos de entrada para planes de proyecto, planes de iteración, presupuestos, análisis de inversión, procesos de fijación de precios y rondas de licitación. ^{[ 1 ] [ 2 ]}

Las encuestas publicadas sobre la práctica de estimación sugieren que la estimación de expertos es la estrategia dominante al estimar el esfuerzo de desarrollo de software. ^{[ 3 ]}

Por lo general, las estimaciones de esfuerzo son demasiado optimistas y existe una gran confianza excesiva en su precisión. El sobrecoste medio del esfuerzo parece ser de alrededor del 30 % y no disminuye con el tiempo. Para una revisión de las encuestas sobre errores en la estimación del esfuerzo, véase ^{[ 4 ]} . Sin embargo, la medición del error de estimación es problemática; véase Evaluación de la precisión de las estimaciones . La gran confianza excesiva en la precisión de las estimaciones de esfuerzo se ilustra con el hallazgo de que, en promedio, si un profesional del software tiene un 90 % de confianza o está "casi seguro" de incluir el esfuerzo real en un intervalo mínimo-máximo, la frecuencia observada de inclusión del esfuerzo real es solo del 60-70 %. ^{[ 5 ]}

Actualmente, el término "estimación del esfuerzo" se utiliza para referirse a diferentes conceptos, como el uso más probable del esfuerzo (valor modal), el esfuerzo que corresponde a una probabilidad del 50 % de no excederlo (mediana), el esfuerzo planificado, el esfuerzo presupuestado o el esfuerzo utilizado para proponer una oferta o precio al cliente. Se considera que esto es desafortunado, ya que pueden surgir problemas de comunicación y porque los conceptos persiguen objetivos diferentes. ^{[ 6 ] [ 7 ]}

Los investigadores y profesionales del software han estado abordando los problemas de estimación del esfuerzo para proyectos de desarrollo de software desde al menos la década de 1960; véase, por ejemplo, el trabajo de Farr ^{[ 8 ] [ 9 ]} y Nelson. ^{[ 10 ]}

La mayor parte de la investigación se ha centrado en la construcción de modelos formales de estimación del esfuerzo de software. Los primeros modelos se basaban típicamente en análisis de regresión o se derivaban matemáticamente de teorías de otros dominios. Desde entonces, se ha evaluado un gran número de enfoques para la construcción de modelos, como los basados ​​en razonamiento basado en casos , árboles de clasificación y regresión , simulación , redes neuronales , estadística bayesiana , análisis léxico de especificaciones de requisitos, programación genética , programación lineal , modelos de producción económica, computación blanda , modelado de lógica difusa , remuestreo estadístico y combinaciones de dos o más de estos modelos. Los métodos de estimación más comunes en la actualidad son, quizás, los modelos de estimación paramétrica COCOMO , SEER-SEM y SLIM. Tienen su base en la investigación de estimación realizada en las décadas de 1970 y 1980 y desde entonces se actualizan con nuevos datos de calibración, siendo la última versión importante COCOMO II en el año 2000. Los enfoques de estimación basados ​​en medidas de tamaño basadas en la funcionalidad, por ejemplo, puntos de función , también se basan en investigaciones realizadas en las décadas de 1970 y 1980, pero se recalibran con medidas de tamaño modificadas y diferentes enfoques de conteo, como los puntos de casos de uso ^{[ 11 ]} o los puntos de objeto y los puntos de función COSMIC en la década de 1990.

Existen muchas formas de categorizar los enfoques de estimación; véase, por ejemplo, ^{[ 12 ] [ 13 ].} Las categorías de nivel superior son las siguientes:

• Estimación experta: El paso de cuantificación, es decir, el paso en el que la estimación se produce en base a procesos de juicio. ^{[ 14 ]}
• Modelo de estimación formal: La etapa de cuantificación se basa en procesos mecánicos, por ejemplo, el uso de una fórmula derivada de datos históricos.
• Estimación basada en combinaciones: La etapa de cuantificación se basa en una combinación subjetiva y mecánica de estimaciones procedentes de diferentes fuentes.

A continuación se muestran ejemplos de métodos de estimación dentro de cada categoría.

La evidencia sobre las diferencias en la precisión de estimación de diferentes enfoques y modelos de estimación sugiere que no existe un "mejor enfoque" y que la precisión relativa de un enfoque o modelo en comparación con otro depende en gran medida del contexto. ^{[ 18 ]} Esto implica que diferentes organizaciones se benefician de diferentes enfoques de estimación. Los hallazgos ^{[ 19 ]} que pueden respaldar la selección de un enfoque de estimación basado en la precisión esperada de dicho enfoque incluyen:

• La estimación de expertos es, en promedio, al menos tan precisa como la estimación del esfuerzo basada en modelos. En particular, en situaciones con relaciones inestables e información de gran importancia no incluida en el modelo, puede ser conveniente recurrir a la estimación de expertos. Esto presupone, por supuesto, que se cuenta con expertos con la experiencia pertinente.
• Los modelos de estimación formales que no se adaptan al contexto específico de una organización pueden resultar muy imprecisos. Por consiguiente, el uso de datos históricos propios es fundamental si no se tiene la certeza de que las relaciones principales del modelo de estimación (por ejemplo, los parámetros de la fórmula) se basan en contextos de proyectos similares.
• Los modelos de estimación formales pueden ser particularmente útiles en situaciones donde el modelo se adapta al contexto de la organización (ya sea mediante el uso de datos históricos propios o porque el modelo se deriva de proyectos y contextos similares), y es probable que las estimaciones de los expertos estén sujetas a un alto grado de subjetividad.

El hallazgo más sólido, en muchos ámbitos de pronóstico, es que la combinación de estimaciones de fuentes independientes, preferiblemente aplicando diferentes enfoques, mejorará en promedio la precisión de la estimación. ^{[ 19 ] [ 20 ] [ 21 ]}

Es importante tener en cuenta las limitaciones de cada enfoque tradicional para medir la productividad del desarrollo de software. ^{[ 22 ]}

Además, en un proceso de selección se deben considerar otros factores como la facilidad de comprensión y comunicación de los resultados de un enfoque, la facilidad de uso de un enfoque y el costo ^{[ 23 ] de introducción de un enfoque.}

La medida más común de la precisión promedio de la estimación es el MMRE (Magnitud Media del Error Relativo), donde el MRE de cada estimación se define como:

MRE = | ( esfuerzo real) - (esfuerzo estimado) | / (esfuerzo real)

Esta medida ha sido criticada ^{[ 24 ] [ 25 ] [ 26 ]} y existen varias medidas alternativas, como medidas más simétricas, ^{[ 27 ]} la Media ponderada de cuartiles de errores relativos (WMQ) ^{[ 28 ]} y la Variación media de la estimación (MVFE). ^{[ 29 ]}

El MRE no es fiable si los elementos individuales presentan asimetría. Se prefiere PRED(25) como medida de precisión de la estimación. PRED(25) mide el porcentaje de valores predichos que se encuentran dentro del 25 % del valor real.

Un error de estimación elevado no puede interpretarse automáticamente como un indicador de baja capacidad de estimación. Entre las razones alternativas, que compiten o se complementan, se incluyen el bajo control de costes del proyecto, la alta complejidad del trabajo de desarrollo y una mayor funcionalidad entregada de la estimada inicialmente. En ^{[ 30 ] se incluye un marco para mejorar el uso y la interpretación de la medición del error de estimación.}

Existen muchos factores psicológicos que podrían explicar la marcada tendencia a sobreestimar el esfuerzo. Es fundamental considerar estos factores incluso al utilizar modelos de estimación formales, ya que gran parte de la información que se introduce en estos modelos se basa en juicios subjetivos. Entre los factores que han demostrado ser importantes se encuentran el pensamiento ilusorio , el anclaje , la falacia de planificación y la disonancia cognitiva . ^{[ 31 ]}

• Es fácil estimar lo que se sabe.
• Es difícil estimar lo que se sabe que se desconoce. (incógnitas conocidas)
• Es muy difícil estimar lo que se desconoce que es desconocido. (incógnitas desconocidas)

La subestimación crónica del esfuerzo de desarrollo ha llevado a la creación y popularidad de numerosos adagios humorísticos, como referirse irónicamente a una tarea como "un pequeño asunto de programación " (cuando probablemente se requiere mucho esfuerzo) y citar leyes sobre la subestimación:

• Regla del noventa y noventa :

El primer 90 por ciento del código representa el primer 90 por ciento del tiempo de desarrollo. El 10 por ciento restante del código representa el otro 90 por ciento del tiempo de desarrollo. ^{[ 32 ]}

• Ley de Hofstadter :

Ley de Hofstadter: Siempre se tarda más de lo esperado, incluso teniendo en cuenta la ley de Hofstadter.

• La ley de Fred Brooks :

Lo que un programador puede hacer en un mes, dos programadores pueden hacerlo en dos meses.