Análise da pesquisa sobre gamificação em metodologias ágeis
Andre Felipe
- Entendendo os dados
- Problemas em metodologias ágeis
- Gamificação em metodologias ágeis
- Inferência Estatística
- Por experiência
- Inferência sobre Problemas em metodologias ágeis
- A. Criar boas histórias de usuário
- B. Estimar o esforço e tempo de histórias de usuário
- C. Dividir épicos (histórias muito grandes) em histórias menores
- D. Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- E. Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
- Inferência sobre Gamificação em metodologias ágeis
- A. Criar boas histórias de usuário
- B. Estimar o esforço e tempo de histórias de usuário
- C. Dividir épicos (histórias muito grandes) em histórias menores
- D. Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- E. Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
- Escolha do problema mais importante
- Correlação entre mitigação do problema com gamificação e dificuldade do problema
Entendendo os dados
A pesquisa foi realizada durante aproximadamente 1 mês, entre 26/08/2019 e 02/10/2019, via formulário online do Google.
O arquivo csv com as respostas está disponível aqui: avaliacao_metodos_ageis.csv
A tabela com as todas as respostas é a seguinte:
glimpse(dados)## Observations: 203
## Variables: 16
## $ trabalhou_agil <chr> "Sim", "Sim", "Sim", "Sim", "Sim", "Sim", "Sim", …
## $ anos_agil <dbl> 3, 10, 1, 0, 8, 7, 2, 4, 2, 0, 5, 4, 5, 3, 3, 8, …
## $ papel_agil <chr> "Membro do time de desenvolvimento", "PO - Produc…
## $ area_agil <chr> "Área Comercial (de uma fábrica de software)", "Á…
## $ agil_a <dbl> 3, 3, 3, 3, 4, 3, 5, 4, 2, 1, 5, 4, 3, 3, 3, 4, 2…
## $ agil_b <dbl> 4, 5, 4, 4, 3, 3, 5, 5, 5, 4, 5, 3, 3, 4, 4, 4, 2…
## $ agil_c <dbl> 1, 3, 4, 2, 2, 4, 4, 3, 3, 3, 2, 4, 2, 3, 4, 4, 3…
## $ agil_d <dbl> 2, 3, 3, 4, 4, 4, 5, 3, 5, 3, 3, 3, 2, 3, 4, 4, 3…
## $ agil_e <dbl> 5, 2, 3, 4, 4, 5, 4, 2, 2, 2, 3, 2, 3, 4, 4, 4, 2…
## $ agil_f <chr> NA, "Garantir a visão de escopo global de projeto…
## $ gamificacao_a <dbl> 4, 4, 3, 4, 4, 5, 3, 4, 3, 4, 3, 4, 5, 5, 4, 4, 4…
## $ gamificacao_b <dbl> 3, 4, 4, 2, 4, 4, 3, 4, 5, 4, 2, 4, 4, 5, 4, 3, 4…
## $ gamificacao_c <dbl> 1, 4, 3, 3, 4, 3, 5, 4, 2, 4, 2, 5, 4, 4, 4, 4, 3…
## $ gamificacao_d <dbl> 3, 4, 4, 4, 4, 1, 3, 4, 3, 1, 2, 5, 2, 5, 4, 3, 3…
## $ gamificacao_e <dbl> 5, 4, 4, 4, 4, 5, 3, 4, 2, 4, 2, 4, 3, 3, 3, 4, 3…
## $ gamificacao_f <chr> NA, "Criar uma relação entre estimado e realizado…Visto que a pesquisa visa a opinião de quem já trabalhou com metodologias ágeis, foi necessário isolar apenas esse grupo. A tabela apenas com os dados de quem já trabalhou com metodologias ágeis é a seguinte:
glimpse(dados_agil)## Observations: 119
## Variables: 17
## $ trabalhou_agil <chr> "Sim", "Sim", "Sim", "Sim", "Sim", "Sim", "Sim"…
## $ anos_agil <dbl> 3, 10, 1, 0, 8, 7, 2, 4, 2, 0, 5, 4, 5, 3, 3, 8…
## $ papel_agil <chr> "Membro do time de desenvolvimento", "PO - Prod…
## $ area_agil <chr> "Área Comercial (de uma fábrica de software)", …
## $ agil_a <dbl> 3, 3, 3, 3, 4, 3, 5, 4, 2, 1, 5, 4, 3, 3, 3, 4,…
## $ agil_b <dbl> 4, 5, 4, 4, 3, 3, 5, 5, 5, 4, 5, 3, 3, 4, 4, 4,…
## $ agil_c <dbl> 1, 3, 4, 2, 2, 4, 4, 3, 3, 3, 2, 4, 2, 3, 4, 4,…
## $ agil_d <dbl> 2, 3, 3, 4, 4, 4, 5, 3, 5, 3, 3, 3, 2, 3, 4, 4,…
## $ agil_e <dbl> 5, 2, 3, 4, 4, 5, 4, 2, 2, 2, 3, 2, 3, 4, 4, 4,…
## $ agil_f <chr> NA, "Garantir a visão de escopo global de proje…
## $ gamificacao_a <dbl> 4, 4, 3, 4, 4, 5, 3, 4, 3, 4, 3, 4, 5, 5, 4, 4,…
## $ gamificacao_b <dbl> 3, 4, 4, 2, 4, 4, 3, 4, 5, 4, 2, 4, 4, 5, 4, 3,…
## $ gamificacao_c <dbl> 1, 4, 3, 3, 4, 3, 5, 4, 2, 4, 2, 5, 4, 4, 4, 4,…
## $ gamificacao_d <dbl> 3, 4, 4, 4, 4, 1, 3, 4, 3, 1, 2, 5, 2, 5, 4, 3,…
## $ gamificacao_e <dbl> 5, 4, 4, 4, 4, 5, 3, 4, 2, 4, 2, 4, 3, 3, 3, 4,…
## $ gamificacao_f <chr> NA, "Criar uma relação entre estimado e realiza…
## $ tipo_experiencia <chr> "menos experientes", "mais experientes", "menos…Sumário de quem trabalhou com metodologias ágeis
Segue abaixo os dados sumarizados apenas de quem já trabalhou com metodologias ágeis:
summary(dados_agil)## trabalhou_agil anos_agil papel_agil area_agil
## Length:119 Min. : 0.000 Length:119 Length:119
## Class :character 1st Qu.: 1.000 Class :character Class :character
## Mode :character Median : 3.000 Mode :character Mode :character
## Mean : 3.013
## 3rd Qu.: 4.000
## Max. :10.000
## agil_a agil_b agil_c agil_d
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:3.000 1st Qu.:2.000 1st Qu.:2.000
## Median :3.000 Median :4.000 Median :3.000 Median :3.000
## Mean :2.815 Mean :3.563 Mean :2.504 Mean :3.118
## 3rd Qu.:3.000 3rd Qu.:4.000 3rd Qu.:3.000 3rd Qu.:4.000
## Max. :5.000 Max. :5.000 Max. :4.000 Max. :5.000
## agil_e agil_f gamificacao_a gamificacao_b
## Min. :1.000 Length:119 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 Class :character 1st Qu.:3.000 1st Qu.:3.000
## Median :3.000 Mode :character Median :4.000 Median :4.000
## Mean :3.193 Mean :3.345 Mean :3.387
## 3rd Qu.:4.000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :5.000 Max. :5.000 Max. :5.000
## gamificacao_c gamificacao_d gamificacao_e gamificacao_f
## Min. :1.000 Min. :1.000 Min. :1.00 Length:119
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:3.00 Class :character
## Median :3.000 Median :3.000 Median :4.00 Mode :character
## Mean :2.966 Mean :3.235 Mean :3.58
## 3rd Qu.:4.000 3rd Qu.:4.000 3rd Qu.:4.00
## Max. :5.000 Max. :5.000 Max. :5.00
## tipo_experiencia
## Length:119
## Class :character
## Mode :character
##
##
## Skim (olhada rápida nos dados) de quem trabalhou com metodologias ágeis
Uma olhada rápida na distribuição dos dados de quem trabalhou com metodologias ágeis:
# funcoes extras para skim
funs <- list(cv = function(x) sd(x, na.rm = TRUE) / mean(x, na.rm = TRUE))
variancia <- list(variancia = function(x) var(x))
moda <- list(moda = function(x) getModa2(x))
m_ajust <- list(m_ajust = function(x) mean(x) * var(x))
# append adiciona as suas funcoes nas existentes
skim_with(numeric = funs, append = TRUE)
skim_with(numeric = variancia, append = TRUE)
skim_with(numeric = moda, append = TRUE)
skim_with(numeric = m_ajust, append = TRUE)
# retirar histograma
skim_with(numeric = list(hist = NULL))
skimr::skim(dados_agil)## Skim summary statistics
## n obs: 119
## n variables: 17
##
## ── Variable type:character ───────────────────────────────────────────────────────────────────────────────────────
## variable missing complete n min max empty n_unique
## agil_f 104 15 119 20 223 0 15
## area_agil 0 119 119 24 68 0 3
## gamificacao_f 116 3 119 47 117 0 3
## papel_agil 0 119 119 17 70 0 7
## tipo_experiencia 0 119 119 16 17 0 2
## trabalhou_agil 0 119 119 3 3 0 1
##
## ── Variable type:numeric ─────────────────────────────────────────────────────────────────────────────────────────
## variable missing complete n mean sd p0 p25 p50 p75 p100 cv
## agil_a 0 119 119 2.82 0.97 1 2 3 3 5 0.34
## agil_b 0 119 119 3.56 1.04 1 3 4 4 5 0.29
## agil_c 0 119 119 2.5 0.98 1 2 3 3 4 0.39
## agil_d 0 119 119 3.12 0.98 1 2 3 4 5 0.31
## agil_e 0 119 119 3.19 1.29 1 2 3 4 5 0.4
## anos_agil 0 119 119 3.01 2.29 0 1 3 4 10 0.76
## gamificacao_a 0 119 119 3.34 1.16 1 3 4 4 5 0.35
## gamificacao_b 0 119 119 3.39 1.15 1 3 4 4 5 0.34
## gamificacao_c 0 119 119 2.97 1.31 1 2 3 4 5 0.44
## gamificacao_d 0 119 119 3.24 1.11 1 2 3 4 5 0.34
## gamificacao_e 0 119 119 3.58 1.15 1 3 4 4 5 0.32
## variancia moda m_ajust
## 0.93 3 2.62
## 1.08 4 3.84
## 0.96 3 2.41
## 0.95 3 2.97
## 1.67 2 5.32
## 5.23 3 15.76
## 1.35 4 4.5
## 1.32 4 4.48
## 1.73 4 5.12
## 1.23 4 3.99
## 1.33 4 4.76# # Além destes dados, também pode-se calcular a MODA para cada uma das variaveis do tipo numeric:
#
# # OUTRA FORMA
# paste("variavel MODA")
#
# #dados_agil$agil_a
# moda_agil_a = getModa(dados_agil$agil_a)
# paste("agil_a: ", moda_agil_a)
#
# #dados_agil$agil_b
# moda_agil_b = getModa(dados_agil$agil_b)
# paste("agil_b: ", moda_agil_b)
#
# #dados_agil$agil_c
# moda_agil_c = getModa(dados_agil$agil_c)
# paste("agil_c: ", moda_agil_c)
#
# #dados_agil$agil_d
# moda_agil_d = getModa(dados_agil$agil_d)
# paste("agil_d: ", moda_agil_d)
#
# #dados_agil$agil_e
# moda_agil_e = getModa(dados_agil$agil_e)
# paste("agil_e: ", moda_agil_e)
#
# #dados_agil$anos_agil
# moda_anos_agil = getModa(dados_agil$anos_agil)
# paste("anos_agil: ", moda_anos_agil)
#
# #dados_agil$gamificacao_a
# moda_gamificacao_a = getModa(dados_agil$gamificacao_a)
# paste("gamificacao_a: ", moda_gamificacao_a)
#
# #dados_agil$gamificacao_b
# moda_gamificacao_b = getModa(dados_agil$gamificacao_b)
# paste("gamificacao_b: ", moda_gamificacao_b)
#
# #dados_agil$gamificacao_c
# moda_gamificacao_c = getModa(dados_agil$gamificacao_c)
# paste("gamificacao_c: ", moda_gamificacao_c)
#
# #dados_agil$gamificacao_d
# moda_gamificacao_d = getModa(dados_agil$gamificacao_d)
# paste("gamificacao_d: ", moda_gamificacao_d)
#
# #dados_agil$gamificacao_e
# moda_gamificacao_e = getModa(dados_agil$gamificacao_e)
# paste("gamificacao_e: ", moda_gamificacao_e)Total de respostas
Uma visão geral de todas as respostas com respeito à pergunta quem trabalhou ou não com metodologias ágeis:
dados %>%
count(trabalhou_agil) %>%
ggplot(aes(x = reorder(trabalhou_agil, n), y = n)) +
geom_col(width = .5, fill = "light blue") +
geom_text(aes(label=n), vjust = -1) +
#geom_point() +
#scale_x_continuous(breaks = seq(0,5,1)) +
scale_y_continuous(limits = c(0, 130),breaks = seq(0,130,4)) +
labs(x = "Você já trabalhou em algum projeto de desenvolvimento de software utilizando metologias ágeis?", y = "")
# dados %>%
# count() %>%
# ggplot(aes(x = "total", y=n)) +
# geom_col(width = .5, fill = "yellow") Portanto, a maioria dos que responderam a pesquisa já trabalharam com desenvolviemnto de software utilizando metodologias ágeis, o que salienta a necessidade de que esse grupo seja estudado.
Quando a pessoa respondia que já havia trabalhado com metodologias ágeis, eram feitas também as seguintes perguntas:
- EXPERIÊNCIA: Quantos anos você trabalhou com metodologias ágeis? [resposta em anos]
- PAPEL: Qual foi o seu papel no projeto de desenvolvimento de software utilizando metologias ágeis? Caso tenha trabalhado em mais de um projeto e/ou exercido mais de um papel, marque mais de uma resposta [PO - Product Owner / SM - Scrum Master / Membro do time de desenvolvimento)]
- ÁREA: Qual foi a área do projeto de desenvolvimento de software utilizando metodologias ágeis em que você trabalhou? Caso tenha trabalhado em mais de um projeto e/ou área, marque mais de uma resposta [Área Acadêmica (teórica) / Área Comercial (de uma fábrica de software)]
Essas informações serão necessárias para uma melhor análise da distribuição da nossa amostra.
A distribuição das respostas será mostrada mais adiante.
Problemas em metodologias ágeis
Nossa abordagem foi a de perguntar sobre alguns problemas que ocorrem em metodologias ágeis. Esses problemas foram baseados na experiência pessoal do autor e também no que os artigos vêm abordando na literatura nos últimos 5 anos. As perguntas foram feitas pedindo para que os itens fossem classificados em escala Likert de 1 a 5, com o seguinte significado:
- 1 = Muito fácil
- 2 = Fácil
- 3 = Neutro
- 4 = Difícil
- 5 = Muito difícil
O texto e os itens a serem classificados foram escritos da seguinte maneira:
Baseado em seu conhecimento teórico ou prático sobre metodologias ágeis, avalie a dificuldade ou facilidade de cada item a seguir:
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
- OUTRO - Escreva aqui algum problema que você enfrenta em um projeto que utiliza metodologia ágil e que não esteja contemplado neste questionário (resposta opcional)
Distribuição total
Sem considerar experiência, papel e área, a distribuição das maiores dificuldades em metodologias ágeis das respostas em ordem decrescente (do mais difícil para o mais fácil) ficou assim:
dados_agil_exp = dados_agil %>%
# filter(anos_agil <= 3) %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=agil_a,B=agil_b,C=agil_c,D=agil_d,E=agil_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
# mostrar distribuição escala likert #
dados_agil_exp <- lapply(dados_agil_exp, factor, levels=1:5, labels=c("Muito fácil","Fácil", "Neutro","Difícil","Muito difícil"))
likt <- likert(as.data.frame(dados_agil_exp))
plot(likt) 
# # calculando a moda #
# getmode <- function(v) {
# uniqv <- unique(v)
# uniqv[which.max(tabulate(match(v, uniqv)))]
# }
#
# dados_agil %>%
# summarise(
# moda_agil_a = getmode(agil_a))- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Analisando a densidade da distribuição:
# mostrar a densidade da distribuição #
# # usar caso seja necessário mostrar correlação
# dados_agil %>%
# select(A = agil_a, B = agil_b, C = agil_c, D = agil_d, E = agil_e) %>%
# ggpairs()
plot(likt,
type="density",
facet = TRUE,
bw = 0.5)
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
F) Outros
As respostas opcionais, caso algum problema que enfrentado em um projeto que utiliza metodologia ágil não estivesse contemplado no questionário ficaram assim:
dados_agil %>%
filter(!is.na(agil_f)) %>%
count(agil_f) %>%
select(outros = agil_f)## # A tibble: 15 x 1
## outros
## <chr>
## 1 Dificuldade de testar com qualidade o produto.
## 2 Estimativa de tempo de termino de atividades mal feita
## 3 Falhas de estimativas.
## 4 Garantir a visão de escopo global de projeto (contrato) e ainda manter …
## 5 Imposições do P.O. na definição de estimativas; imposição de número de …
## 6 Integração de diferentes times dentro de um projeto.
## 7 Interação entre as pessoas
## 8 Levantamento de requisitos junto ao cliente
## 9 Marcar reuniões diárias pode ser algo um pouco complicado, especialment…
## 10 Mudança de requisito
## 11 O contato direto com o cliente e o mais interessado na solução deixa mu…
## 12 Problemas de gerenciamento do time de desenvolvimento são comuns, em es…
## 13 Que todos os membros conheçam bem o processo a ser realizado na metodol…
## 14 Realização de testes e definição de requisitos não funcionais.
## 15 Reduzir escopo do projeto em relação a expectativa do cliente.# ggplot(aes(x = paste(substr(agil_f, 1, 80), ".."), y = n)) +
# geom_col(width = .5, fill = "light green") +
# #geom_text(aes(label=n)) +
# coord_flip() +
# #geom_point() +
# #scale_x_continuous(breaks = seq(0,5,1)) +
# scale_y_continuous(breaks = seq(0,5,1)) +
# labs(x = "", y = "")Respostas com a palavra “requisito”
dados_agil %>%
filter(!is.na(agil_f)) %>%
count(agil_f) %>%
mutate(requisito = agil_f %like% "requisito") %>%
filter(requisito == TRUE) %>%
select(requisito = agil_f)## # A tibble: 3 x 1
## requisito
## <chr>
## 1 Levantamento de requisitos junto ao cliente
## 2 Mudança de requisito
## 3 Realização de testes e definição de requisitos não funcionais.Respostas com a palavra “teste”
dados_agil %>%
filter(!is.na(agil_f)) %>%
count(agil_f) %>%
mutate(teste = agil_f %like% "test") %>%
filter(teste == TRUE) %>%
select(teste = agil_f)## # A tibble: 2 x 1
## teste
## <chr>
## 1 Dificuldade de testar com qualidade o produto.
## 2 Realização de testes e definição de requisitos não funcionais.Respostas com a palavra “escopo”
dados_agil %>%
filter(!is.na(agil_f)) %>%
count(agil_f) %>%
mutate(escopo = agil_f %like% "escopo") %>%
filter(escopo == TRUE) %>%
select(escopo = agil_f)## # A tibble: 3 x 1
## escopo
## <chr>
## 1 Garantir a visão de escopo global de projeto (contrato) e ainda manter a…
## 2 Que todos os membros conheçam bem o processo a ser realizado na metodolo…
## 3 Reduzir escopo do projeto em relação a expectativa do cliente.Respostas com a palavra “estimativa”
dados_agil %>%
filter(!is.na(agil_f)) %>%
count(agil_f) %>%
mutate(estim = agil_f %like% "estim") %>%
filter(estim == TRUE) %>%
select(estim = agil_f)## # A tibble: 2 x 1
## estim
## <chr>
## 1 Falhas de estimativas.
## 2 Imposições do P.O. na definição de estimativas; imposição de número de h…Respostas com a palavra “interação / integração”
dados_agil %>%
filter(!is.na(agil_f)) %>%
count(agil_f) %>%
mutate(intera = tolower(agil_f) %like% "intera", integra = tolower(agil_f) %like% "integra") %>%
filter(intera == TRUE | integra == TRUE) %>%
select(interacao_integracao = agil_f)## # A tibble: 2 x 1
## interacao_integracao
## <chr>
## 1 Integração de diferentes times dentro de um projeto.
## 2 Interação entre as pessoasPor experiência
Distribuição de quanto tempo trabalhou com metodologias ágeis
dados_agil %>%
ggplot(aes(x = "", y = anos_agil)) +
geom_boxplot(coef = 1000, width = .4) +
geom_jitter(width = .2, color = "salmon", alpha = .5, height = 0.1) +
coord_flip() +
scale_y_continuous(breaks = seq(0,11,1)) +
labs(
x = "",
y = "Quantos anos trabalhou com metodologias ágeis"
)
Com isto, vemos claramente que a mediana da experiência com metodologias ágeis é 3 anos. Dividiremos a distribuição em 2 grupos para análise.
- Menos experientes: trabalharam 3 anos ou menos com metodologias ágeis (<= 3);
- Mais experientes: trabalharam mais de 3 anos com metodologias ágeis (> 3).
dados_agil %>%
count(tipo_experiencia) %>%
ggplot(aes(x = reorder(tipo_experiencia, n), y = n)) +
geom_col(width = .9, fill = "salmon") +
geom_text(aes(label=n), hjust = -0.3) +
#geom_point(x = trabalhou_agil) +
#scale_x_continuous(breaks = seq(0,5,1)) +
scale_y_continuous(limits = c(0, 90), breaks = seq(0,90,10)) +
coord_flip() +
labs(x = "Experiência", y = "") +
theme_bw()
A quantidade de respostas de cada um desses grupos pode ser vista a seguir:
Distribuição para quem trabalhou 3 anos ou menos
A distribuição das respostas para os menos experientes em ordem decrescente (do mais difícil para o mais fácil) ficou assim:
dados_agil_exp_menor = dados_agil %>%
filter(anos_agil <= 3) %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=agil_a,B=agil_b,C=agil_c,D=agil_d,E=agil_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
# ggplot(data = dados_agil_media_menor) +
# geom_bar() +
# geom_histogram(data = dados_agil, mapping = aes(x = mean(agil_a)), binwidth = 1, boundary = 0, fill = "white", color = "grey10") +
# geom_col(data = dados_agil, mapping = aes(x = agil_a , y = agil_b, color = agil_c)) +
# geom_line(data = dados_agil, mapping = aes(x = ProjectCode , y=erro_medio_abs, group = 1), , color = "salmon") +
# geom_point(data = dados_agil, mapping = aes(x = ProjectCode , y=erro_medio_abs, group = 1), color = "red") +
#
# geom_hline(data = dados_agil, aes(yintercept=mean(devs)), show.legend = FALSE, color = "blue") +
#theme(axis.text.x = element_text(angle = 90)) +
#scale_y_continuous(breaks = seq(0,100,5)) +
#facet_wrap(~ reorder(titulo, aula))
# labs(title = "teste",
# x = "",
# y = " "
# )
dados_agil_exp_menor <- lapply(dados_agil_exp_menor, factor, levels=1:5, labels=c("Muito fácil","Fácil", "Neutro","Difícil","Muito difícil"))
likt <- likert(as.data.frame(dados_agil_exp_menor))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Distribuição para quem trabalhou mais que 3 anos
A distribuição das respostas para os mais experientes em ordem decrescente (do mais difícil para o mais fácil) ficou assim:
dados_agil_exp_maior = dados_agil %>%
filter(anos_agil > 3) %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=agil_a,B=agil_b,C=agil_c,D=agil_d,E=agil_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_agil_exp_maior <- lapply(dados_agil_exp_maior, factor, levels=1:5, labels=c("Muito fácil","Fácil", "Neutro","Difícil","Muito difícil"))
likt <- likert(as.data.frame(dados_agil_exp_maior))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Por papeis
Considerando que os papeis que podem ser exercidos em metodologias ágeis são os seguintes:
- PO = Product Owner
- SM = Scrum Master
- DEV = Membro do time de desenvolvimento
E sabendo que os participantes poderiam escolher uma, duas ou três respostas, a distribuição ficou assim:
dados_agil %>%
count(papel_agil) %>%
ggplot(aes(x = reorder(papel_agil, n), y = n)) +
geom_col(width = .9, fill = "red") +
geom_text(aes(label=n), hjust = -0.3) +
#geom_point(x = trabalhou_agil) +
#scale_x_continuous(breaks = seq(0,5,1)) +
scale_y_continuous(limits = c(0, 90), breaks = seq(0,90,10)) +
coord_flip() +
labs(x = "Papeis exercidos", y = "") +
theme_bw()
Portanto, a grande maioria dos que responderam à pesquisa são desenvolvedores.
Distribuição para quem trabalhou como PO
A distribuição para quem trabalhou como Product Owner em ordem decrescente (do mais difícil para o mais fácil) ficou assim:
dados_agil_po = dados_agil %>%
filter(papel_agil %like% "PO") %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=agil_a,B=agil_b,C=agil_c,D=agil_d,E=agil_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_agil_po <- lapply(dados_agil_po, factor, levels=1:5, labels=c("Muito fácil","Fácil", "Neutro","Difícil","Muito difícil"))
likt <- likert(as.data.frame(dados_agil_po))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Distribuição para quem trabalhou como SM
A distribuição para quem trabalhou como Scrum Master em ordem decrescente (do mais difícil para o mais fácil) ficou assim:
dados_agil_sm = dados_agil %>%
filter(papel_agil %like% "SM") %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=agil_a,B=agil_b,C=agil_c,D=agil_d,E=agil_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_agil_sm <- lapply(dados_agil_sm, factor, levels=1:5, labels=c("Muito fácil","Fácil", "Neutro","Difícil","Muito difícil"))
likt <- likert(as.data.frame(dados_agil_sm))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Distribuição para quem trabalhou como DEV
A distribuição para quem trabalhou como membro do time de desenvolvimento em ordem decrescente (do mais difícil para o mais fácil) ficou assim:
dados_agil_dev = dados_agil %>%
filter(papel_agil %like% "Membro do time de desenvolvimento") %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=agil_a,B=agil_b,C=agil_c,D=agil_d,E=agil_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_agil_dev <- lapply(dados_agil_dev, factor, levels=1:5, labels=c("Muito fácil","Fácil", "Neutro","Difícil","Muito difícil"))
likt <- likert(as.data.frame(dados_agil_dev))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Por área
Considerando que as áreas em que os participantes atuaram poderiam ser as seguintes:
- Área Acadêmica (teórica)
- Área Comercial (de uma fábrica de software)
E sabendo que os participantes poderiam escolher uma ou duas respostas, a distribuição ficou assim:
dados_agil %>%
count(area_agil) %>%
ggplot(aes(x = reorder(area_agil, n), y = n)) +
geom_col(width = .5, fill = "orange") +
geom_text(aes(label=n), hjust = -0.3) +
#geom_point(x = trabalhou_agil) +
#scale_x_continuous(breaks = seq(0,5,1)) +
scale_y_continuous(limits = c(0, 70),breaks = seq(0,70,5)) +
coord_flip() +
labs(x = "Área", y = "")
Portanto, a grande maioria é da área comercial.
Distribuição para quem trabalhou na área acadêmica
A distribuição para quem trabalhou na área acadêmica em ordem decrescente (do mais difícil para o mais fácil) ficou assim:
dados_agil_academica = dados_agil %>%
filter(area_agil %like% "Área Acadêmica") %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=agil_a,B=agil_b,C=agil_c,D=agil_d,E=agil_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_agil_academica <- lapply(dados_agil_academica, factor, levels=1:5, labels=c("Muito fácil","Fácil", "Neutro","Difícil","Muito difícil"))
likt <- likert(as.data.frame(dados_agil_academica))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Distribuição para quem trabalhou na área comercial
A distribuição para quem trabalhou na área comercial em ordem decrescente (do mais difícil para o mais fácil) ficou assim:
dados_agil_comercial = dados_agil %>%
filter(area_agil %like% "Área Comercial") %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=agil_a,B=agil_b,C=agil_c,D=agil_d,E=agil_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_agil_comercial <- lapply(dados_agil_comercial, factor, levels=1:5, labels=c("Muito fácil","Fácil", "Neutro","Difícil","Muito difícil"))
likt <- likert(as.data.frame(dados_agil_comercial))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Gamificação em metodologias ágeis
A abordagem para a gamificação foi a de perguntar sobre como a pessoa pensa que os problemas que ocorrem em metodologias ágeis poderiam ser resolvidos com gamificação. As perguntas foram feitas pedindo para que os itens fossem classificados em escala Likert de 1 a 5, com o seguinte significado:
- 1 = Pouco efetivo
- 2 = Não muito efetivo
- 3 = Neutro
- 4 = Efetivo
- 5 = Muito efetivo
O texto e os itens a serem classificados foram escritos da seguinte maneira:
Pensamos transformar partes dos processos ágeis em jogos (gamificar) para tentar resolver ou diminuir os problemas mencionados anteriormente. Você acha que pode funcionar? Classifique de acordo a efetividade das soluções propostas.
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
- OUTRO - Escreva aqui algum problema que você acredita que poderia ser resolvido com gamificação que não foi contemplado neste questionário e como isso poderia ser feito (resposta opcional)
Distribuição total
Sem considerar experiência, papel e área, a distribuição das respostas sobre as maiores dificuldades em metodologias ágeis que poderiam ser resolvidas com gamificação em ordem decrescente (do mais efetivo para o menos efetivo) ficou assim:
dados_gamificacao_exp = dados_agil %>%
# filter(anos_agil <= 3) %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=gamificacao_a,B=gamificacao_b,C=gamificacao_c,D=gamificacao_d,E=gamificacao_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
# mostrar distribuição escala likert #
dados_gamificacao_exp <- lapply(dados_gamificacao_exp, factor, levels=1:5, labels=c("Pouco efetivo","Não muito efetivo", "Neutro","Efetivo","Muito efetivo"))
likt <- likert(as.data.frame(dados_gamificacao_exp))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Analisando a densidade da distribuição:
# mostrar a densidade da distribuição #
# # usar caso seja necessário mostrar correlação
# dados_agil %>%
# select(A = gamificacao_a, B = gamificacao_b, C = gamificacao_c, D = gamificacao_d, E = gamificacao_e) %>%
# ggpairs()
plot(likt,
type="density",
facet = TRUE,
bw = 0.5)
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
F) Outros
A distribuição das respostas opcionais, caso algum problema que poderia ser resolvido com gamificação e que não foi contemplado no questionário, além de como isso poderia ser feito, ficou assim:
dados_agil %>%
filter(!is.na(gamificacao_f)) %>%
count(gamificacao_f) %>%
select(outros = gamificacao_f)## # A tibble: 3 x 1
## outros
## <chr>
## 1 Criar uma relação entre estimado e realizado, premiando quem acerta.
## 2 Estimativa de termino do projeto muito apertada
## 3 Qualquer atividade rotineira braçal (chata) que a maioria das pessoas ev…#
# ggplot(aes(x = paste(substr(gamificacao_f, 1, 80), ".."), y = n)) +
# geom_col(width = .5, fill = "light pink") +
# #geom_text(aes(label=n)) +
# coord_flip() +
# #geom_point() +
# #scale_x_continuous(breaks = seq(0,5,1)) +
# scale_y_continuous(breaks = seq(0,5,1)) +
# labs(x = "", y = "")Por experiência
Distribuição para quem trabalhou 3 anos ou menos
A distribuição das respostas para os menos experientes em ordem decrescente (do mais efetivo para o menos efetivo) ficou assim:
dados_gamificacao_exp_menor = dados_agil %>%
filter(anos_agil <= 3) %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=gamificacao_a,B=gamificacao_b,C=gamificacao_c,D=gamificacao_d,E=gamificacao_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_gamificacao_exp_menor <- lapply(dados_gamificacao_exp_menor, factor, levels=1:5, labels=c("Pouco efetivo","Não muito efetivo", "Neutro","Efetivo","Muito efetivo"))
likt <- likert(as.data.frame(dados_gamificacao_exp_menor))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Distribuição para quem trabalhou mais de 3 anos
A distribuição das respostas para os mais experientes em ordem decrescente (do mais efetivo para o menos efetivo) ficou assim:
dados_gamificacao_exp_maior = dados_agil %>%
filter(anos_agil > 3) %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=gamificacao_a,B=gamificacao_b,C=gamificacao_c,D=gamificacao_d,E=gamificacao_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_gamificacao_exp_maior <- lapply(dados_gamificacao_exp_maior, factor, levels=1:5, labels=c("Pouco efetivo","Não muito efetivo", "Neutro","Efetivo","Muito efetivo"))
likt <- likert(as.data.frame(dados_gamificacao_exp_maior))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Por papeis
Distribuição para quem trabalhou como PO
A distribuição para quem trabalhou como Product Owner em ordem decrescente (do mais efetivo para o menos efetivo) ficou assim:
dados_gamificacao_papeis = dados_agil %>%
filter(papel_agil %like% "PO") %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=gamificacao_a,B=gamificacao_b,C=gamificacao_c,D=gamificacao_d,E=gamificacao_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_gamificacao_papeis <- lapply(dados_gamificacao_papeis, factor, levels=1:5, labels=c("Pouco efetivo","Não muito efetivo", "Neutro","Efetivo","Muito efetivo"))
likt <- likert(as.data.frame(dados_gamificacao_papeis))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Distribuição para quem trabalhou como SM
A distribuição para quem trabalhou como Scrum Master em ordem decrescente (do mais efetivo para o menos efetivo) ficou assim:
dados_gamificacao_papeis = dados_agil %>%
filter(papel_agil %like% "SM") %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=gamificacao_a,B=gamificacao_b,C=gamificacao_c,D=gamificacao_d,E=gamificacao_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_gamificacao_papeis <- lapply(dados_gamificacao_papeis, factor, levels=1:5, labels=c("Pouco efetivo","Não muito efetivo", "Neutro","Efetivo","Muito efetivo"))
likt <- likert(as.data.frame(dados_gamificacao_papeis))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Distribuição para quem trabalhou como DEV
A distribuição para quem trabalhou como membro do time de desenvolvimento em ordem decrescente (do mais efetivo para o menos efetivo) ficou assim:
dados_gamificacao_papeis = dados_agil %>%
filter(papel_agil %like% "Membro do time de desenvolvimento") %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=gamificacao_a,B=gamificacao_b,C=gamificacao_c,D=gamificacao_d,E=gamificacao_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_gamificacao_papeis <- lapply(dados_gamificacao_papeis, factor, levels=1:5, labels=c("Pouco efetivo","Não muito efetivo", "Neutro","Efetivo","Muito efetivo"))
likt <- likert(as.data.frame(dados_gamificacao_papeis))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Por área
Distribuição para quem trabalhou na área acadêmica
A distribuição para quem trabalhou na área acadêmica em ordem decrescente (do mais efetivo para o menos efetivo) ficou assim:
dados_agil_academica = dados_agil %>%
filter(area_agil %like% "Área Acadêmica") %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=gamificacao_a,B=gamificacao_b,C=gamificacao_c,D=gamificacao_d,E=gamificacao_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_agil_academica <- lapply(dados_agil_academica, factor, levels=1:5, labels=c("Pouco efetivo","Não muito efetivo", "Neutro","Efetivo","Muito efetivo"))
likt <- likert(as.data.frame(dados_agil_academica))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Distribuição para quem trabalhou na área comercial
A distribuição para quem trabalhou na área comercial em ordem decrescente (do mais efetivo para o menos efetivo) ficou assim:
dados_agil_academica = dados_agil %>%
filter(area_agil %like% "Área Comercial") %>%
# mutate(agil_a = as.factor(agil_a),
# agil_b = as.factor(agil_b),
# agil_c = as.factor(agil_c),
# agil_d = as.factor(agil_d),
# agil_e = as.factor(agil_e)
# ) %>%
select(A=gamificacao_a,B=gamificacao_b,C=gamificacao_c,D=gamificacao_d,E=gamificacao_e) #%>%
# summarise(media_a = mean(agil_a),
# media_b = mean(agil_b),
# media_c = mean(agil_c),
# media_d = mean(agil_d),
# media_e = mean(agil_e)
# ) %>%
dados_agil_academica <- lapply(dados_agil_academica, factor, levels=1:5, labels=c("Pouco efetivo","Não muito efetivo", "Neutro","Efetivo","Muito efetivo"))
likt <- likert(as.data.frame(dados_agil_academica))
plot(likt) 
- Criar boas histórias de usuário
- Estimar o esforço e tempo de histórias de usuário
- Dividir épicos (histórias muito grandes) em histórias menores
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Outros filtros
Participantes com maior experiência, que tenham trabalhado na área comercial, como desenvolvedor
dados_agil_maisexp_com_dev = dados_agil %>%
filter(anos_agil > 3,
area_agil %like% "Área Comercial",
papel_agil %like% "Membro do time de desenvolvimento") %>%
select(A=agil_a,B=agil_b,C=agil_c,D=agil_d,E=agil_e)
dados_agil_maisexp_com_dev <- lapply(dados_agil_maisexp_com_dev, factor, levels=1:5, labels=c("Muito fácil","Fácil", "Neutro","Difícil","Muito difícil"))
likt <- likert(as.data.frame(dados_agil_maisexp_com_dev))
plot(likt) 
Participantes com menor experiência, que tenham trabalhado na área comercial, como desenvolvedor
dados_agil_menosexp_com_dev = dados_agil %>%
filter(anos_agil <= 3,
area_agil %like% "Área Comercial",
papel_agil %like% "Membro do time de desenvolvimento") %>%
select(A=agil_a,B=agil_b,C=agil_c,D=agil_d,E=agil_e)
dados_agil_menosexp_com_dev <- lapply(dados_agil_menosexp_com_dev, factor, levels=1:5, labels=c("Muito fácil","Fácil", "Neutro","Difícil","Muito difícil"))
likt <- likert(as.data.frame(dados_agil_menosexp_com_dev))
plot(likt) 
Inferência Estatística
Como foi tomada apenas uma amostra do total de uma população, faz-se necessário inferir dados dessa população. A seguir faremos essas inferências com um intervalo de confiança de 95% (N = 4000, n = 119).
Por experiência
Experiência inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_anos_agil = mean(anos_agil)) %>%
pull(media_anos_agil)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))ci_ano = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
ci_ano## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3.01 -0.00242 0.207 2.61 3.42Gráfico
ci_ano %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(0, 10), breaks = seq(0,10,0.5)) +
labs(x = "anos",
y = "anos")
Inferência sobre Problemas em metodologias ágeis
A seguir faremos a inferência estatística para cada um dos problemas na população total.
A. Criar boas histórias de usuário
Resultados para o problema de “Criar boas histórias de usuário” inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_agil_a = mean(agil_a)) %>%
pull(media_agil_a)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))ciaa = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
ciaa## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2.82 0.00120 0.0889 2.64 2.98grafico_ciaa = ciaa %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(1, 5), breaks = seq(1,5,0.2)) +
labs(x = "A",
y = "")B. Estimar o esforço e tempo de histórias de usuário
Resultados para o problema de “Estimar o esforço e tempo de histórias de usuário” inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_agil_b = mean(agil_b)) %>%
pull(media_agil_b)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))ciab = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
ciab## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3.56 -0.000116 0.0937 3.39 3.75grafico_ciab = ciab %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(1, 5), breaks = seq(1,5,0.2)) +
labs(x = "B",
y = "")C. Dividir épicos (histórias muito grandes) em histórias menores
Resultados para o problema de “Dividir épicos (histórias muito grandes) em histórias menores” inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_agil_c = mean(agil_c)) %>%
pull(media_agil_c)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))ciac = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
ciac## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2.50 0.00194 0.0907 2.32 2.68grafico_ciac= ciac %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(1, 5), breaks = seq(1,5,0.2)) +
labs(x = "C",
y = "")D. Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
Resultados para o problema de “Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil” inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_agil_d = mean(agil_d)) %>%
pull(media_agil_d)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))ciad = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
ciad## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3.12 -0.000334 0.0901 2.93 3.29grafico_ciad= ciad %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(1, 5), breaks = seq(1,5,0.2)) +
labs(x = "D",
y = "")E. Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Resultados para o problema de “Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema” inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_agil_e = mean(agil_e)) %>%
pull(media_agil_e)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))ciae = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
ciae## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3.19 0.000775 0.117 2.97 3.43grafico_ciae = ciae %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(1, 5), breaks = seq(1,5,0.2)) +
labs(x = "E",
y = "")Gráfico
Pode-se observar o gráfico já com os intervalos de confiança de todos os problemas apresentados.
grid.arrange(grafico_ciaa, grafico_ciab, grafico_ciac, grafico_ciad, grafico_ciae, ncol = 5)
Inferência sobre Gamificação em metodologias ágeis
A seguir faremos a inferência estatística na população total em cada um dos tópicos sobre como a gamificação pode ajudar a mitigar cada um dos problemas.
A. Criar boas histórias de usuário
Resultados sobre a mitigação do problema de “Criar boas histórias de usuário” utilizando gamificação inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_gamificacao_a = mean(gamificacao_a)) %>%
pull(media_gamificacao_a)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))ciga = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
ciga## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3.34 0.00118 0.107 3.13 3.55grafico_ciga = ciga %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(1, 5), breaks = seq(1,5,0.2)) +
labs(x = "A",
y = "")B. Estimar o esforço e tempo de histórias de usuário
Resultados sobre a mitigação do problema de “Estimar o esforço e tempo de histórias de usuário” utilizando gamificação inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_gamificacao_b = mean(gamificacao_b)) %>%
pull(media_gamificacao_b)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))cigb = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
cigb## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3.39 0.00149 0.104 3.18 3.59grafico_cigb = cigb %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(1, 5), breaks = seq(1,5,0.2)) +
labs(x = "B",
y = "")C. Dividir épicos (histórias muito grandes) em histórias menores
Resultados sobre a mitigação do problema de “Dividir épicos (histórias muito grandes) em histórias menores” utilizando gamificação inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_gamificacao_c = mean(gamificacao_c)) %>%
pull(media_gamificacao_c)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))cigc = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
cigc## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2.97 0.00165 0.123 2.73 3.21grafico_cigc = cigc %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(1, 5), breaks = seq(1,5,0.2)) +
labs(x = "C",
y = "")D. Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
Resultados sobre a mitigação do problema de “Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil” utilizando gamificação inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_gamificacao_d = mean(gamificacao_d)) %>%
pull(media_gamificacao_d)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))cigd = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
cigd## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3.24 -0.00160 0.101 3.04 3.44grafico_cigd= cigd %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(1, 5), breaks = seq(1,5,0.2)) +
labs(x = "D",
y = "")E. Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
Resultados sobre a mitigação do problema de “Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema” utilizando gamificação inferida da população.
theta_f = function(d, i){
d %>%
slice(i) %>%
summarise(media_gamificacao_e = mean(gamificacao_e)) %>%
pull(media_gamificacao_e)
}
theta_c = theta_f(dados_agil, 1:NROW(dados_agil))
theta_c## [1] 3.579832cige = dados_agil %>%
boot(statistic = theta_f,
R = 4000) %>%
tidy(conf.level = 0.95,
method = "bca",
conf.int = TRUE)
cige## # A tibble: 1 x 5
## statistic bias std.error conf.low conf.high
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3.58 -0.00235 0.105 3.36 3.77grafico_cige = cige %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high,
)) +
geom_pointrange() +
geom_point(size = 3) +
scale_y_continuous(limits = c(1, 5), breaks = seq(1,5,0.2)) +
labs(x = "E",
y = "")Gráfico
Pode-se observar o gráfico já com os intervalos de confiança sobre a mitigação de todos os problemas apresentados utilizando gamificação.
grid.arrange(grafico_ciga, grafico_cigb, grafico_cigc, grafico_cigd, grafico_cige, ncol = 5)
Escolha do problema mais importante
- Tabela apenas com os dados de quem já tem 3 anos ou menos de experiência AND desenvolvedor AND comercial com metodologias ágeis
- Sumário
- Skim
# menos experiente, desenvolvedor, comercial
dados_expmenor_dev_com = dados_agil %>%
filter(anos_agil <= 3,
papel_agil %like% "Membro do time de desenvolvimento",
area_agil %like% "Área Comercial")
# mais de 3 anos de experiencia AND desenvolvedor AND comercial
dados_expmaior_dev_com = dados_agil %>%
filter(anos_agil > 3) %>%
filter(papel_agil %like% "Membro do time de desenvolvimento") %>%
filter(area_agil %like% "Área Comercial")
dados_expmaior_dev_com2 = filter(dados_agil,
anos_agil > 3 &
papel_agil %like% "Membro do time de desenvolvimento" &
area_agil %like% "Comercial")
# Multiple arguments are equivalent to and
#OU: filter(dados_agil, anos_agil > 3, area_agil %like% "Comercial")
glimpse(dados_expmaior_dev_com)## Observations: 29
## Variables: 17
## $ trabalhou_agil <chr> "Sim", "Sim", "Sim", "Sim", "Sim", "Sim", "Sim"…
## $ anos_agil <dbl> 7.0, 5.0, 5.0, 8.0, 6.0, 8.0, 3.5, 5.0, 4.0, 4.…
## $ papel_agil <chr> "Membro do time de desenvolvimento", "SM - Scru…
## $ area_agil <chr> "Área Comercial (de uma fábrica de software)", …
## $ agil_a <dbl> 3, 5, 3, 4, 2, 3, 2, 3, 3, 3, 5, 3, 3, 3, 4, 4,…
## $ agil_b <dbl> 3, 5, 3, 4, 2, 3, 4, 4, 3, 3, 5, 4, 2, 5, 4, 4,…
## $ agil_c <dbl> 4, 2, 2, 4, 3, 2, 3, 2, 4, 4, 4, 2, 1, 3, 4, 2,…
## $ agil_d <dbl> 4, 3, 2, 4, 3, 2, 2, 4, 4, 2, 2, 1, 3, 4, 5, 3,…
## $ agil_e <dbl> 5, 3, 3, 4, 2, 3, 1, 2, 2, 3, 3, 1, 1, 3, 2, 3,…
## $ agil_f <chr> NA, "Reduzir escopo do projeto em relação a exp…
## $ gamificacao_a <dbl> 5, 3, 5, 4, 4, 2, 4, 5, 3, 2, 3, 4, 2, 4, 4, 2,…
## $ gamificacao_b <dbl> 4, 2, 4, 3, 4, 2, 3, 4, 5, 2, 3, 2, 5, 2, 4, 3,…
## $ gamificacao_c <dbl> 3, 2, 4, 4, 3, 2, 3, 4, 1, 4, 3, 3, 2, 4, 4, 2,…
## $ gamificacao_d <dbl> 1, 2, 2, 3, 3, 2, 2, 4, 2, 4, 2, 3, 4, 1, 5, 3,…
## $ gamificacao_e <dbl> 5, 2, 3, 4, 3, 1, 2, 3, 4, 3, 4, 4, 1, 4, 2, 3,…
## $ gamificacao_f <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
## $ tipo_experiencia <chr> "mais experientes", "mais experientes", "mais e…glimpse(dados_expmaior_dev_com2)## Observations: 29
## Variables: 17
## $ trabalhou_agil <chr> "Sim", "Sim", "Sim", "Sim", "Sim", "Sim", "Sim"…
## $ anos_agil <dbl> 7.0, 5.0, 5.0, 8.0, 6.0, 8.0, 3.5, 5.0, 4.0, 4.…
## $ papel_agil <chr> "Membro do time de desenvolvimento", "SM - Scru…
## $ area_agil <chr> "Área Comercial (de uma fábrica de software)", …
## $ agil_a <dbl> 3, 5, 3, 4, 2, 3, 2, 3, 3, 3, 5, 3, 3, 3, 4, 4,…
## $ agil_b <dbl> 3, 5, 3, 4, 2, 3, 4, 4, 3, 3, 5, 4, 2, 5, 4, 4,…
## $ agil_c <dbl> 4, 2, 2, 4, 3, 2, 3, 2, 4, 4, 4, 2, 1, 3, 4, 2,…
## $ agil_d <dbl> 4, 3, 2, 4, 3, 2, 2, 4, 4, 2, 2, 1, 3, 4, 5, 3,…
## $ agil_e <dbl> 5, 3, 3, 4, 2, 3, 1, 2, 2, 3, 3, 1, 1, 3, 2, 3,…
## $ agil_f <chr> NA, "Reduzir escopo do projeto em relação a exp…
## $ gamificacao_a <dbl> 5, 3, 5, 4, 4, 2, 4, 5, 3, 2, 3, 4, 2, 4, 4, 2,…
## $ gamificacao_b <dbl> 4, 2, 4, 3, 4, 2, 3, 4, 5, 2, 3, 2, 5, 2, 4, 3,…
## $ gamificacao_c <dbl> 3, 2, 4, 4, 3, 2, 3, 4, 1, 4, 3, 3, 2, 4, 4, 2,…
## $ gamificacao_d <dbl> 1, 2, 2, 3, 3, 2, 2, 4, 2, 4, 2, 3, 4, 1, 5, 3,…
## $ gamificacao_e <dbl> 5, 2, 3, 4, 3, 1, 2, 3, 4, 3, 4, 4, 1, 4, 2, 3,…
## $ gamificacao_f <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
## $ tipo_experiencia <chr> "mais experientes", "mais experientes", "mais e…###
# # formatacao na tabela
# # kableExtra
# kableExtra::kable(dados_expmaior_dev_com, "html") %>%
# kableExtra::kable_styling(
# bootstrap_options = c("striped", "hover", "condensed", "responsive"),
# fixed_thead = T)
# DT
DT::datatable(dados_expmaior_dev_com,
extensions = c('FixedColumns',"FixedHeader"),
options = list(scrollX = TRUE,
scrollY = TRUE,
paging=TRUE,
pageLength = 3,
autoWidth = TRUE,
searching=FALSE,
fixedHeader=TRUE))#
# DT::datatable(dados_expmaior_dev_com2,
# extensions = c('FixedColumns',"FixedHeader"),
# options = list(scrollX = FALSE,
# scrollY = FALSE,
# paging=TRUE,
# pageLength = 3,
# autoWidth = TRUE,
# searching=FALSE,
# fixedHeader=TRUE))
###
summary(dados_expmaior_dev_com)## trabalhou_agil anos_agil papel_agil area_agil
## Length:29 Min. :3.500 Length:29 Length:29
## Class :character 1st Qu.:4.000 Class :character Class :character
## Mode :character Median :6.000 Mode :character Mode :character
## Mean :5.741
## 3rd Qu.:7.000
## Max. :9.000
## agil_a agil_b agil_c agil_d
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:1.000 1st Qu.:2.000
## Median :3.000 Median :3.000 Median :2.000 Median :3.000
## Mean :2.862 Mean :3.069 Mean :2.172 Mean :3.034
## 3rd Qu.:3.000 3rd Qu.:4.000 3rd Qu.:3.000 3rd Qu.:4.000
## Max. :5.000 Max. :5.000 Max. :4.000 Max. :5.000
## agil_e agil_f gamificacao_a gamificacao_b
## Min. :1.000 Length:29 Min. :1.000 Min. :1.000
## 1st Qu.:3.000 Class :character 1st Qu.:2.000 1st Qu.:2.000
## Median :3.000 Mode :character Median :3.000 Median :3.000
## Mean :3.586 Mean :3.069 Mean :2.655
## 3rd Qu.:5.000 3rd Qu.:4.000 3rd Qu.:3.000
## Max. :5.000 Max. :5.000 Max. :5.000
## gamificacao_c gamificacao_d gamificacao_e gamificacao_f
## Min. :1.000 Min. :1.000 Min. :1.000 Length:29
## 1st Qu.:1.000 1st Qu.:2.000 1st Qu.:3.000 Class :character
## Median :2.000 Median :3.000 Median :4.000 Mode :character
## Mean :2.172 Mean :2.793 Mean :3.862
## 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.:5.000
## Max. :4.000 Max. :5.000 Max. :5.000
## tipo_experiencia
## Length:29
## Class :character
## Mode :character
##
##
## # funcoes extras para skim
funs <- list(cv = function(x) sd(x, na.rm = TRUE) / mean(x, na.rm = TRUE))
variancia <- list(variancia = function(x) var(x))
moda <- list(moda = function(x) getModa2(x))
# append adiciona as suas funcoes nas existentes
skim_with(numeric = funs, append = TRUE)
skim_with(numeric = variancia, append = TRUE)
skim_with(numeric = moda, append = TRUE)
# retirar histograma
skim_with(numeric = list(hist = NULL))
skimr::skim(dados_expmaior_dev_com)## Skim summary statistics
## n obs: 29
## n variables: 17
##
## ── Variable type:character ───────────────────────────────────────────────────────────────────────────────────────
## variable missing complete n min max empty n_unique
## agil_f 26 3 29 62 163 0 3
## area_agil 0 29 29 43 68 0 2
## gamificacao_f 29 0 29 NA NA 0 0
## papel_agil 0 29 29 33 70 0 4
## tipo_experiencia 0 29 29 16 16 0 1
## trabalhou_agil 0 29 29 3 3 0 1
##
## ── Variable type:numeric ─────────────────────────────────────────────────────────────────────────────────────────
## variable missing complete n mean sd p0 p25 p50 p75 p100 cv
## agil_a 0 29 29 2.86 1.06 1 2 3 3 5 0.37
## agil_b 0 29 29 3.07 1.1 1 2 3 4 5 0.36
## agil_c 0 29 29 2.17 1.2 1 1 2 3 4 0.55
## agil_d 0 29 29 3.03 0.91 1 2 3 4 5 0.3
## agil_e 0 29 29 3.59 1.45 1 3 3 5 5 0.4
## anos_agil 0 29 29 5.74 1.5 3.5 4 6 7 9 0.26
## gamificacao_a 0 29 29 3.07 1.19 1 2 3 4 5 0.39
## gamificacao_b 0 29 29 2.66 1.2 1 2 3 3 5 0.45
## gamificacao_c 0 29 29 2.17 1.23 1 1 2 3 4 0.56
## gamificacao_d 0 29 29 2.79 1.11 1 2 3 3 5 0.4
## gamificacao_e 0 29 29 3.86 1.3 1 3 4 5 5 0.34
## variancia moda m_ajust
## 1.12 3 3.21
## 1.21 3 3.71
## 1.43 1 3.11
## 0.82 3 2.49
## 2.11 5 7.56
## 2.26 6 12.98
## 1.42 3 4.37
## 1.45 3 3.85
## 1.5 1 3.27
## 1.24 3 3.47
## 1.69 5 6.54Correlação entre mitigação do problema com gamificação e dificuldade do problema
Um pouco de teoria…
O coeficiente de correlação assume valores entre -1 e 1. O significado é:
- 1 = Significa uma correlação perfeita positiva entre as duas variáveis.
- -1 = Significa uma correlação negativa perfeita entre as duas variáveis - Isto é, se uma aumenta, a outra sempre diminui.
- 0 = Significa que as duas variáveis não dependem linearmente uma da outra. No entanto, pode existir uma outra dependência que seja “não linear”. Assim, o resultado r=0 deve ser investigado por outros meios.
Alguns tipos de coeficientes de correlação:
Pearson: O coeficiente de correlação de Pearson (r) ou coeficiente de correlação produto-momento ou o r de Pearson mede o grau da correlação linear entre duas variáveis quantitativas. É um índice adimensional com valores situados ente -1,0 e 1.0 inclusive, que reflete a intensidade de uma relação linear entre dois conjuntos de dados.
Spearman: O coeficiente de correlação de postos de Spearman, denominado pela letra grega ρ (rho), é uma medida de correlação não-paramétrica. Ao contrário do coeficiente de correlação de Pearson não requer a suposição que a relação entre as variáveis é linear, nem requer que as variáveis sejam quantitativas; pode ser usado para as variáveis medidas no nível ordinal.
Kendall: O coeficiente de correlação por postos de Kendall, τ (tau) é uma medida de associação para variáveis ordinais. Uma vantagem de τ sobre o coeficiente de Spearman é que τ pode ser generalizado para um coeficiente de correlação parcial.
Calcularemos os 3 tipos de coeficientes neste trabalho para saber se há correlação entre a dificuldade do problema e o potencial de mitigação desse problema utilizando gamificação.
Problema A x Gamificação A
- Criar boas histórias de usuário
# geral
dados_agil %>%
summarise(pearson = cor(agil_a, gamificacao_a, method = "pearson"),
spearman = cor(agil_a, gamificacao_a, method = "spearman"),
kendall = cor(agil_a, gamificacao_a, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.148 0.0992 0.0785# mais experiente, desenvolvedor, comercial
dados_expmaior_dev_com %>%
summarise(pearson = cor(agil_a, gamificacao_a, method = "pearson"),
spearman = cor(agil_a, gamificacao_a, method = "spearman"),
kendall = cor(agil_a, gamificacao_a, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.262 0.199 0.164# menos experiente, desenvolvedor, comercial
dados_expmenor_dev_com %>%
summarise(pearson = cor(agil_a, gamificacao_a, method = "pearson"),
spearman = cor(agil_a, gamificacao_a, method = "spearman"),
kendall = cor(agil_a, gamificacao_a, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.254 0.250 0.207# # geral
# dados_agil %>%
# summarise(pearson = cor(gamificacao_a, agil_a, method = "pearson"),
# spearman = cor(gamificacao_a, agil_a, method = "spearman"),
# kendall = cor(gamificacao_a, agil_a, method = "kendall"), )
#
# # mais experiente, desenvolvedor, comercial
# dados_expmaior_dev_com %>%
# summarise(pearson = cor(gamificacao_a, agil_a, method = "pearson"),
# spearman = cor(gamificacao_a, agil_a, method = "spearman"),
# kendall = cor(gamificacao_a, agil_a, method = "kendall"), )
#
# # menos experiente, desenvolvedor, comercial
# dados_expmenor_dev_com %>%
# summarise(pearson = cor(gamificacao_a, agil_a, method = "pearson"),
# spearman = cor(gamificacao_a, agil_a, method = "spearman"),
# kendall = cor(gamificacao_a, agil_a, method = "kendall"), )Problema B x Gamificação B
- Estimar o esforço e tempo de histórias de usuário
# geral
dados_agil %>%
summarise(pearson = cor(agil_b, gamificacao_b, method = "pearson"),
spearman = cor(agil_b, gamificacao_b, method = "spearman"),
kendall = cor(agil_b, gamificacao_b, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.355 0.338 0.290# mais experiente, desenvolvedor, comercial
dados_expmaior_dev_com %>%
summarise(pearson = cor(agil_b, gamificacao_b, method = "pearson"),
spearman = cor(agil_b, gamificacao_b, method = "spearman"),
kendall = cor(agil_b, gamificacao_b, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.0996 0.122 0.0909# menos experiente, desenvolvedor, comercial
dados_expmenor_dev_com %>%
summarise(pearson = cor(agil_b, gamificacao_b, method = "pearson"),
spearman = cor(agil_b, gamificacao_b, method = "spearman"),
kendall = cor(agil_b, gamificacao_b, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.477 0.504 0.440Problema C x Gamificação C
- Dividir épicos (histórias muito grandes) em histórias menores
# geral
dados_agil %>%
summarise(pearson = cor(agil_c, gamificacao_c, method = "pearson"),
spearman = cor(agil_c, gamificacao_c, method = "spearman"),
kendall = cor(agil_c, gamificacao_c, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.499 0.452 0.379# mais experiente, desenvolvedor, comercial
dados_expmaior_dev_com %>%
summarise(pearson = cor(agil_c, gamificacao_c, method = "pearson"),
spearman = cor(agil_c, gamificacao_c, method = "spearman"),
kendall = cor(agil_c, gamificacao_c, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.684 0.718 0.649# menos experiente, desenvolvedor, comercial
dados_expmenor_dev_com %>%
summarise(pearson = cor(agil_c, gamificacao_c, method = "pearson"),
spearman = cor(agil_c, gamificacao_c, method = "spearman"),
kendall = cor(agil_c, gamificacao_c, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.482 0.435 0.347Problema D x Gamificação D
- Avaliar a qualidade do código feita por um time de desenvolvimento que utiliza metodologia ágil
# geral
dados_agil %>%
summarise(pearson = cor(agil_d, gamificacao_d, method = "pearson"),
spearman = cor(agil_d, gamificacao_d, method = "spearman"),
kendall = cor(agil_d, gamificacao_d, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.209 0.195 0.167# mais experiente, desenvolvedor, comercial
dados_expmaior_dev_com %>%
summarise(pearson = cor(agil_d, gamificacao_d, method = "pearson"),
spearman = cor(agil_d, gamificacao_d, method = "spearman"),
kendall = cor(agil_d, gamificacao_d, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.149 0.118 0.113# menos experiente, desenvolvedor, comercial
dados_expmenor_dev_com %>%
summarise(pearson = cor(agil_d, gamificacao_d, method = "pearson"),
spearman = cor(agil_d, gamificacao_d, method = "spearman"),
kendall = cor(agil_d, gamificacao_d, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.178 0.172 0.148Problema E x Gamificação E
- Validação, por parte do usuário, do que foi feito pelo time de desenvolvimento, antes da implantação do sistema
# geral
dados_agil %>%
summarise(pearson = cor(agil_e, gamificacao_e, method = "pearson"),
spearman = cor(agil_e, gamificacao_e, method = "spearman"),
kendall = cor(agil_e, gamificacao_e, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.414 0.425 0.346# mais experiente, desenvolvedor, comercial
dados_expmaior_dev_com %>%
summarise(pearson = cor(agil_e, gamificacao_e, method = "pearson"),
spearman = cor(agil_e, gamificacao_e, method = "spearman"),
kendall = cor(agil_e, gamificacao_e, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.800 0.882 0.783# menos experiente, desenvolvedor, comercial
dados_expmenor_dev_com %>%
summarise(pearson = cor(agil_e, gamificacao_e, method = "pearson"),
spearman = cor(agil_e, gamificacao_e, method = "spearman"),
kendall = cor(agil_e, gamificacao_e, method = "kendall"), )## # A tibble: 1 x 3
## pearson spearman kendall
## <dbl> <dbl> <dbl>
## 1 0.369 0.391 0.310