Personalized Task Duration Estimation using Machine Learning

Master scriptie: Personalized Task Duration Estimation

Soms vind ik het lastig om een accurate tijdsinschatting te maken van de lengte van een taak. Vaak gebruik ik een combinatie van soortgelijke taken in het verleden, een inschatting van de moeilijkheidsgraad, of bijvoorbeeld een tooltje als goblin.tools die mij helpt de taak op te breken in stukken.

In mijn afstudeerscriptie van mijn master heb ik onderzocht hoe ik met behulp van machine learning de inschatting van de duur van een taak kan verbeteren. Ik merkte dat de huidige tools vaak niet accuraat genoeg zijn en geen rekening houden met de specifieke omstandigheden van een organisatie. Daarom ontwikkelde ik een data-driven prototype dat project- en taakdata analyseert om zo patronen en trends te ontdekken.

Hiervoor gebruikte ik de data van 9193 taken van Men in Green, die ze tussen 10 juni 2022 en 19 mei 2023 hadden verzameld. Met deze dataset kon ik een model maken specifiek voor Men in Green, en de gebruikerservaring testen voor de medewerkers van dit bedrijf.

Het prototype maakt gebruik van een classificatiemodel, in dit geval een multinomiale Naive Bayes, om de voorspellingen te doen. Hoewel de resultaten van mijn onderzoek veelbelovend waren en de gebruikers (medewerkers van MiG) het systeem als nuttig en gebruiksvriendelijk beoordeelden, is er nog genoeg ruimte voor verbetering van het model.

Lees mijn volledige scriptie met de onderstaande knop (Engels):