Caso practicovs

53 %
47 %
Information about Caso practicovs
Technology

Published on March 11, 2014

Author: VanesaSerrano

Source: slideshare.net

FindClothes Tiendas saturadas, colas en los probadores, escasez de tiempo, falta de unificación en las tallas, y la forma de cuerpo de cada uno (antropometría) hacen que comprar ropa no sea siempre una experiencia placentera, o que no encontremos la prenda que nos guste y nos siente bien. En la industria de la moda ya existen clasificaciones de las prendas, por parte de la antropometría también existen clasificaciones de la forma del cuerpo. Findclothes consiste en la posibilidad de visualizar cómo nos quedaría una prenda, y cruzar clasificaciones de prendas y antropométricas para hacer recomendaciones.

Funcionalidades 1. Visualizar en un modelo nuestro cómo nos queda una prenda. 2. Recomendaciones basadas en el cruce forma prenda/forma cuerpo 3. Recomendaciones evolutivas de prendas (aprendizaje de la aplicación) basadas en elecciones previas del usuario. 4. Recomendaciones basadas en prendas seleccionadas por usuarios con antropometría similar a la nuestra. 5. Búsqueda por tipo de prenda (abrigo, pantalón…) 6. Búsqueda por tejido 7. Búsqueda por marca 8. Buscador tiendas

MosCoW Must Have: O (H1) Visualizar en un modelo nuestro cómo nos queda una prenda. O (H2) Recomendaciones de prendas basadas en el cruce forma prenda/forma cuerpo Should Have O (H5) Filtro de búsqueda por tipo de prenda O (H8) Buscador de tiendas Could Have O (H3) Recomendaciones evolutivas de prendas basadas en elecciones previas del usuario O (H4) Recomendaciones de prendas seleccionadas por usuarios con antropometría similar a la nuestra. Won’t Have O (H6) Búsqueda por tejido O (H7) Búsqueda por marca Clasificación realizada a partir datos encuesta

Estimación coste por equipo O (H1) Visualizar en un modelo nuestro cómo nos queda una prenda. Coste 5 O (H2) Recomendaciones basadas en el cruce forma prenda/forma cuerpo. Coste 3 O (H3) Recomendaciones basadas en elecciones previas del usuario. Coste 2 O (H4) Recomendaciones basadas en prendas seleccionadas por usuarios con antropometría similar a la nuestra. Coste 2 O (H5) Búsqueda por tipo de prenda (abrigo, pantalón…) Coste 1 O (H8) Buscador tiendas Coste 2

Estimación mitigación riesgo O (H1) Visualizar en un modelo nuestro cómo nos queda una prenda. Riesgo 5 (principalmente tecnológico) O (H2) Recomendaciones basadas en el cruce forma prenda/forma cuerpo. Riesgo 3 (tecnológico y expectativas) O (H3) Recomendaciones basadas en elecciones previas del usuario. Riesgo 2 O (H4) Recomendaciones basadas en prendas seleccionadas por usuarios con antropometría similar a la nuestra. Riesgo 2 O (H5) Búsqueda por tipo de prenda (abrigo, pantalón…) Riesgo 1 O (H8) Buscador tiendas Riesgo 1

Theme Scoring Característi ca Valor Coste Riesgo Valoración final Prioridad HistoriaPe so 0.5 0.2 0.3 Historia1 5 (Max-coste(h1)) +1 = 1 5 4.2 1 Historia2 5 (Max-coste(h2)) +1 = 3 3 4 2 Historia3 2 (Max-coste(h3)) +1 = 4 2 2.4 5 Historia4 1 (Max-coste(h4))+1 = 4 2 1.9 6 Historia5 3 (Max-coste(h5))+1 = 5 1 2.8 3 Historia8 3 (Max-coste(h8))+1 = 4 1 2.6 4

Lista priorizada de historias de usuario 1. (H1) Visualizar en un modelo nuestro cómo nos queda una prenda. 2. (H2) Recomendaciones basadas en el cruce forma prenda/forma cuerpo 3. (H5) Búsqueda por tipo de prenda (abrigo, pantalón…) 4. (H8) Buscador tiendas 5. (H3) Recomendaciones evolutivas de prendas (aprendizaje de la aplicación) basadas en elecciones previas del usuario. 6. (H4) Recomendaciones basadas en prendas seleccionadas por usuarios con antropometría similar a la nuestra.

Add a comment

Related presentations