Makine öğrenme tekniklerini kullanarak çevik yazılım projelerinin başarısının değerlendirilmesi: Bir vaka çalışması

Bu tez, çevik yazılım geliştirme süreçlerinde sprint başarısını değerlendirmek ve bu süreçlerin daha verimli hale getirilmesi için öneriler sunmayı amaçlamaktadır. Çevik metodolojiler, özellikle Scrum, yazılım geliştirme ekiplerine esneklik, iş birliği ve küçük, işlevsel teslimatlar sağlayarak projelerin daha etkin yönetilmesine olanak tanır. Ancak sprint başarısını etkileyen faktörlerin sistematik bir şekilde ele alındığı çerçevelerin eksikliği, ekiplerin performanslarını iyileştirme konusunda net rehberlik alamamasına neden olmaktadır. Bu tezde, Siemens'ten alınan endüstriyel projeler ve kamuya açık bir veri seti kullanılarak sprint başarılarını etkileyen faktörler incelenmiştir. Makine öğrenmesi modelleri, sprint planlamasının doğruluğunu artırmak ve veri odaklı tahminlerle ekiplerin karar alma süreçlerini geliştirmek amacıyla kullanılmıştır. Ayrıca, "black-box" olarak adlandırılan makine öğrenmesi modellerinin şeffaflığını artırmak için SHAP ve LIME gibi açıklanabilirlik teknikleri uygulanmıştır. Araştırmanın bulguları, sprint başarısına katkı sağlayan temel unsurları tanımlayarak ekiplerin bu süreçleri iyileştirmesi için somut ve uygulanabilir içgörüler sunmaktadır. Ayrıca, veri odaklı yaklaşımların geleneksel subjektif tahmin yöntemlerine göre daha güvenilir sonuçlar sunduğu ve sprint hedeflerini daha etkili bir şekilde gerçekleştirmeye yardımcı olduğu görülmüştür. Son olarak, açıklanabilir makine öğrenmesi modellerinin, yazılım geliştirme ekiplerinin tahmin sonuçlarını daha iyi anlamalarına ve bu sonuçlara güven duymalarına olanak tanıdığı sonucuna ulaşılmıştır.