Порівняльний аналіз ефективності роботи алгоритмів XGBoost та LSTM у задачі прогнозування спроможності scrum-команд на різних горизонтах

Анотація

Обґрунтовано доцільність застосування технологій машинного навчання для підвищення точності планування ітерацій у методології Scrum. Виконано експериментальне дослідження на історичних даних реальної DevOps-команди проєкту за 32 завершені спринти, що містили показники продуктивності, календарні обмеження, відпустки, операційне навантаження та контекстні фактори. Проведено систематичний порівняльний аналіз двох класів моделей машинного навчання – градієнтного підсилення XGBoost та рекурентних нейронних мереж LSTM – для прогнозування командної спроможності на різних часових горизонтах. Застосовано методику покрокової валідації з метриками MAE, RMSE, MAPE та тестом Дібольда-Маріано для статистичного порівняння моделей. Встановлено, що модель XGBoost демонструє статистично значущу перевагу на короткотерміновому горизонті (H = 1 спринт) із середньою абсолютною похибкою MAE = 8,42 проти MAE = 12,35 для LSTM (p = 0,005), забезпечуючи зниження похибки на 31,8 % завдяки ефективному виконанню роботи з табличними ознаками та календарними обмеженнями. Виявлено відсутність статистично значущої різниці між моделями на середньо-терміновому горизонті (H = 3 спринти) з MAE = 14,67 для моделі XGBoost та MAE = 14,92 для LSTM (p = 0,678), що свідчить про перехідну зону між домінуванням експертно сформованих ознак й автоматично виявлених часових залежностей. Встановлено, що методика покрокової валідації забезпечує темпорально коректне оцінювання узагальнювальної здатності моделей та усуває систематичне оптимістичне зміщення, характерне для стандартного k-fold крос-валідування на часових рядах спринтів. З'ясовано, що нейронна мережа LSTM виявляє статистично значущу перевагу на довготерміновому горизонті (H = 6 спринтів) з MAE = 17,26 проти MAE = 21,48 для моделі XGBoost (p = 0,031), зменшуючи похибку на 19,6 % через здатність моделювати довготривалі часові залежності, інерційність команди проєкту та сезонні тренди. Результати обґрунтовують доцільність розроблення адаптивної метамоделі, що динамічно вибиратиме або комбінуватиме алгоритми градієнтного підсилення та рекурентних нейронних мереж залежно від горизонту прогнозування командної спроможності та контексту scrum-проєкту для підвищення загальної точності системи прогнозування.