张玉洁-量化管理在软件研发中的应用

中国DevOps社区峰会2023·广州 量化管理在软件研发中的应用 张玉洁-禅道-产品经理 张玉洁 禅道软件（青岛）有限公司·产品经理 禅道项目管理软件 ZenDAS统计分析工具 识别与定义对象 分析历史数据分布规律 分析历史数据因果规律 识别并实施改进措施 定量的评价改进效果 目录 1 2 小刘的困扰数据收集难 3数据无规律 4数据分析难 5Q&A 小刘的困扰 迭代难题 照葫芦画瓢 困难重重 迭代延期 迭代难题 照葫芦画瓢 困难重重 •数据收集难 •数据无规律 •数据分析难 数据收集难 度量角色划分 度量指标定义 定义度量 数据收集 度量角色划分 •度量的采集和定义是由两个角色共同协作完成的。 •度量定义者是上游，数据收集者是下游。 •度量定义非常关键，直接影响数据收集的准确性。 名称 完成研发需求数 范围 迭代 对象 研发需求 目的 规模估算 描述 迭代中已完成的研发需求数 单位 个 采集时间 迭代完成后 小刘的定义有什么问题？ 名称 完成研发需求数 范围 迭代 对象 研发需求 目的 规模估算 描述 迭代中已完成的研发需求数 单位 个 采集时间 迭代完成后 •定义描述不清晰。 •用excel的方式储存。 数据无规律 小刘的数据 数据的清洗 小刘的数据 对数据实施正态性检验。 正态性检验的作用是确定数据是否具有正态分布的特征。如果数据满足正态分布假设，那么一些统计方法和假设检验的结果将更加可靠和准确。 小刘的数据——正态性检验 正态性检验的p值是用来评估数据是否服从正态分布的概率。 如果正态性检验的p值较大（通常>0.05），则表示数据在统计意义上可以被认为是服从正态分布的。 小刘的数据——控制图 控制图分析可以提供关于过程稳定性、能力和异常情况的重要信息，帮助组织监控和改进其过程，以实现质量控制和持续改进的目标。 •中心线：中心线代表数据的中心或平均值。 •控制限：控制图上通常会绘制上下两条控制限，用于标识过程的稳定性范围。 1.寻找迭代交付效率低的原因。 存在异常迭代，迭代临近发版，时间主要用来解bug。解决方案：移除异常迭代。 2.寻找工期偏差率高的原因。 开发小组长在迭代全部任务完成之后没有及时关闭迭代。解决方案：修正数据。 清洗之后，P值>0.05，符合正态分布。 数据分析难 相关性分析 数据建模 数据预测 数据监控 相关性分析 相关性分析是一种统计方法，用于衡量和描述两个或多个变量之间的相关关系和相关程度。 r是相关性系数，取值范围在-1到1之间。r的绝对值越接近1，表明两个变量之间的相关性越强，反之越弱。p值用于评估两个变量之间的相关关系的显著性。如果相关性检验的p值较小（通常小于0.05），则表示两个变量之间存在显著的相关性。 通过p值判断变量之间是否具有相关性，再通过r值看相关程度。 数据的建模——回归分析 作用： •预测与优化：基于给定的因子值，回归方程可以用于预测目标变量的值。这可以帮助确定在给定因子条件下，目标变量的表现。然后通过对因子进行调整和优化，可以寻找最佳的因子组合，以达到期望的目标结果。 •因子优先级排序：回归方程中的系数还可以用于确定因子的优先级排序。系数绝对值较大的因子对目标变量的影响更大。 •过程控制和调整：通过实时监测因子值和目标变量的变化，并结合回归方程的预测能力，可以进行过程控制和调整。如果因子值偏离了预期的范围，导致目标变量与期望的预测值之间存在较大差异，可以及时采取措施来调整和控制因子，以实现目标的达成。 数据的预测——数据分布 根据影响历史数据，我们无法直接推断出未来目标变量与影响因子的具体数值，但可以拟合出数据的分布。根据数据分布，预测目标值的概率密度分布，通过目标值的概率调整影响因子取值，获取改进方案。 蒙特卡罗模拟又称为统计模拟法、随机抽样技术。依赖计算机从输入变量的概率分布中大量、随机抽样，以得到输出变量的分布。 例： 目标：到达公司的时间概率分布 影响因子：起床耗时,洗漱耗时，路程耗时... •预测值达到目标期望后，可以针对性的实施改进措施。 •改进后通过实时监测因子和目标变量的变化。 •实时监控过实时监测因子和目标变量。评价改进措施有无效果。 •如果因子值偏离了预期的范围，可以及时采取措施来调整和控制因子，以实现目标的达成。 通过运用量化管理知识和统计分析工具，以更科学的方式做管理。 THANKS！