Optimización Predictiva en la Asignación de Desarrolladores para Carga Operativa Mediante Inteligencia Artificial

Abstract

La demanda operativa en equipos de desarrollo de software suele gestionarse de forma reactiva, sin herramientas predictivas que optimicen la asignación de personal. Este estudio aborda dicha problemática proponiendo un enfoque de predicción basado en datos históricos para anticipar la carga de trabajo de soporte y mejorar la planificación de recursos. Se analizó un histórico de tiquetes de soporte (2018–2025) correspondientes a 17 sistemas, considerando campos de texto (título, descripción, comentarios) y fechas de creación y resolución. A partir de estos datos se derivaron variables temporales, como la duración de resolución, y atributos textuales mediante técnicas de procesamiento de lenguaje natural, incluyendo vectorización TF-IDF (Term Frequency–Inverse Document Frequency) y extracción de tópicos con LDA (Latent Dirichlet Allocation). Con estas características se entrenaron modelos ARIMA/SARIMAX (series temporales tradicionales) y una red neuronal LSTM (Long Short-Term Memory) para pronosticar semanalmente la cantidad de tiquetes y la duración promedio de resolución. Los experimentos mostraron que LSTM alcanzó el mejor desempeño, reduciendo el error medio absoluto a 2 tiquetes por semana (frente a 5 de ARIMA). Sin embargo, todos los modelos presentaron limitaciones en su capacidad explicativa (R² bajo), y la predicción de la duración de casos individuales fue poco fiable, dada la alta variabilidad y la débil correlación de los atributos disponibles con la complejidad de cada tarea. En conclusión, el enfoque propuesto permite anticipar la demanda operativa agregada y apoyar una asignación proactiva de recursos en equipos de desarrollo. Se sugiere incorporar datos más enriquecidos y perfeccionar continuamente el modelo para mejorar la predictibilidad a nivel de incidente.