🧠 Análisis SLA — Sistema de IA para Gestión de Incidencias de O&M

Sistema de Machine Learning diseñado para analizar, predecir y alertar sobre el cumplimiento de Acuerdos de Nivel de Servicio (ANS/SLA) en operaciones de O&M (Operación y Mantenimiento), utilizando datos de seguimiento de incidencias extraídos de Jira.

---

🎯 Objetivo

Reducir los incumplimientos de SLA en el NOC (Network Operations Center) mediante inteligencia artificial capaz de:

• Clasificar si un ticket cumplirá o no el ANS antes de que venza.
• Predecir con cuántos minutos/horas se resolverá un incidente.
• Detectar los nodos y zonas geográficas de mayor riesgo operativo.
• Proyectar la demanda futura de incidencias por zona.

---

🗂️ Nueva Estructura del Proyecto (v2.0)

El proyecto ha sido reestructurado siguiendo las mejores prácticas de Clean Code y SOLID, como se define en AGENTES.md.

MLpractica2/
├── data/
│   ├── raw/                # Datos originales (JiraATP.csv, Excel O&M)
│   └── processed/          # Datasets limpios (datos_jira_regresion.csv, etc.)
├── models/                 # Modelos entrenados (.pkl)
├── outputs/
│   └── plots/              # Gráficos y visualizaciones generadas
├── src/
│   ├── core/               # Lógica principal: Modelos y Detección de Anomalías
│   ├── data/               # Motores ETL para limpieza y transformación
│   ├── utils/              # Generación de reportes y visualizaciones
│   ├── scripts/            # Puntos de entrada y orquestación del pipeline
│   └── config.py           # Configuración centralizada de rutas y constantes
├── tests/                  # Suite de pruebas automatizadas con Pytest
└── legacy/                 # Scripts originales preservados para compatibilidad

---

🚀 Instalación y Uso

1. Clonar el repositorio

git clone https://github.com/Johansarria/Analisis_SLA.git
cd Analisis_SLA

2. Instalar dependencias

pip install -r requirements.txt

3. Ejecutar el Pipeline Maestro

Ya no es necesario ejecutar múltiples scripts por separado. El pipeline maestro coordina todo el proceso:

python -m src.scripts.run_pipeline

Este comando realiza:

1. ETL: Limpieza de datos de Jira y Excel.
2. Entrenamiento: Calibración de modelos XGBoost para ANS y Oráculo de tiempos.
3. Detección: Identificación de nodos críticos.
4. Reporte: Generación de gráficos en outputs/plots/.

4. Ejecutar pruebas de integridad

pytest tests/ -v

---

🛠️ Tecnologías Utilizadas

Librería	Uso
pandas	Manipulación y limpieza de datos
xgboost	Modelos de clasificación y regresión (SLA)
scikit-learn	Preprocesamiento y métricas
matplotlib	Visualización de gráficos de operación
pathlib	Manejo robusto de rutas del sistema

---

👤 Autor

Johan Sarria
GitHub: @Johansarria