用数据管理过程（3）——可预测级别的量化管理（麦当劳的管理方式）
摘要：
用数据说话，这是当前很流行的话题，本文将数据管理过程划分成4个层次，并阐述企业如何达到这四个层次。
1．初级量化管理：以数据“感知”项目的状况(相当于CMMI2级)
2．中级量化管理：通过经验值来管理项目(相当于CMMI3级)
3．高级量化管理：用PCB进行项目管理(相当于CMMI4级)
4．超级量化管理：持续优化的量化管理(相当于CMMI5级)
我将通过4篇文章为大家分享！
5.高级量化管理-可预测级
麦当劳的薯条不少人都吃过，味道很好，而且每家麦当劳的薯条味道很一致。麦当劳是如何做到的呢？我们分析一下生产过程，我们发现薯条从原材料开始，到后续加工，油炸的时间，薯条炸出来后多少分钟没有售出，就销毁，整个过程都有严格的控制，而且很多地方是量化控制，时间甚至精确到秒。严格的过程控制，保证了薯条能高质量地稳定地产出。全球的麦当劳，都用同一的严格过程来管理，所以保证了全球的麦当劳的食品都是高质量的而且是高度一致的。从另外一个角度说，只要麦当劳按照既定的过程来生产食物，就可以“预测”出最终食物的情况，麦当劳将对最终产品的质量非常有信心。
那么我们软件开发，是不是也希望能达到这样的效果呢？大家可以回答一下这个问题：如果项目的规模、采用的技术、人员的水平等因素都确定了，那么您是否可以很有信心去预测这个项目的最终结果呢？
如果按照中级量化管理的办法，还是比较难达到这个效果的，“可预测级”的量化管理应该是怎样的呢？
在回答这个问题之前，我们需要先搞清楚什么是“稳定”的过程，什么是“不稳定”的过程。我们以“煮饭”为例，说明什么是稳定的过程什么是不稳定的过程。
大家小的时候可能都野炊过，野炊煮出来的饭可能普遍都是不太好吃的，不是太硬就是太软。为什么煮出来的效果会差异这么大呢？仔细分析一下，我们发现很多因素会影响煮饭的最终质量，如：饭锅、火候、煮的时间、水量等。当我们用野炊的方式煮饭时，这些因素都不太好控制，所以出来饭的质量变化就会比较大了。
我们换一种方式来煮饭，用电饭煲煮饭，失手的几率是不是极大地降低了？为什么会这样呢？当我们用电饭煲的时候，饭锅、火候、时间等因素都被“固定”在理想范围了，所以最终出来的结果是比较稳定而且质量比较好。
再看看我们的软件开发过程，1级的企业做出来的软件，结果是很不稳定的，而4级的企业，能稳定地输出比较好的结果。4级的软件企业，只需要确定了项目的规模、性质、技术、人员技能等因素后，只要按照既定的过程来生产软件，那么就可以很有信心地“预测”这个项目的最终结果，这个“预测”是有很高的可信度的。而CMMI2、3级的企业，虽然也能预测项目的最终结果，但只能“大概”预测，4级企业的预测能准确估计出最终结果的范围，而且这个范围是量化的。
CMMI2、3级的企业，过程还不能说是稳定的，而4级的企业，过程一定是稳定的。同样，初级、中级量化管理，用数据管理的过程，也不能说是稳定的，而高级量化管理，用数据管理的过程，一定是稳定的。
用数据管理过程，要进入“高级”阶段，就必须了解统计过程控制(SPC)的学问，要了解什么是基线(Baseline)，所谓的六西格玛管理，其实就是统计过程控制。
例：某公司每周对项目的CPI（成本指数，这是项目挣值管理中的一个重要概念，请参考相关资料）进行度量，分析项目的实际性能。
通过分析，发现CPI波动范围比较宽，从最低的10%到最高的210%，这样意味着最终项目的成本很可能会与预算相差1倍以上。作为管理者来说，这是不可以接受的，管理者希望最终的成本与预算相差在比较小的范围内。
为什么CPI会波动这么大呢？影响CPI波动的因素非常多，有估算、计划、过程、人的能力等等，如果要收窄波动，就需要在这些影响因素上下功夫，想办法减少这些影响因素的影响。经过改进后，项目的CPI情况如下：
以上的做法是不是已经达到统计过程控制的层次呢？还不是，我们看看下图。
这个控制图，把整个项目过程分为四个阶段：需求阶段、设计阶段、编码阶段、测试阶段。每个阶段执行的过程不一样，工作的性质不一样，故绘制控制图的时候需要予以区分。对不同阶段的CPI数据点绘制XmR图，得出不同阶段的中值与上下限。用不同阶段的CPI的中值及上下限来监控项目的行为，项目管理的重点就是监控各数据点有没有超出上下限，对超出上下限的数据点，分析其原因并采取措施，使之回归到范围内。
所谓的统计过程控制是这样的一个过程：
1) 进行统计过程控制的过程是稳定的，影响该过程的各类因素，都被很好地控制在一定的范围内，故最终的结果也是在可控的范围内的并且是可预测的。
l 什么叫稳定？简单地说，就是在给定的条件下，产出的结果是在一定可接受的范围内的。如：只要项目性质和以前的项目差不多，项目的人员水平和以前的大体一致，执行的过程也和以前一致，那么该项目的结果应该是在可预测的可接受的范围内的。如果从统计学的角度，可以对数据点进行稳定性测试，判断其是否稳定（详细信息请参考SPC方面的书籍）。
2) 要对过程进行足够地细分，才能清晰地区分出各影响因素，使度量出来的数据点很容易识别是信号还是噪音。在进行数据分组的时候，保证数据之间的可比性是非常重要的，苹果只能跟苹果比，不能苹果跟香蕉比。很多做CMMI4级的企业，很容易犯这样的错误，没有很好地进行数据分组，进行数据分组的时候，要充分考虑项目的性质、人员的水平、所执行的过程等因素。数据分组是否合理的重要标准就是，是否能清晰区分出信号还是噪音。
l 什么是信号？信号可以说是“过程之音”，就是过程本身内在的特点所引起的正常波动，如项目的性质、技术、执行的过程、人员的水平等。信号反映了过程的正常的能力。
l 什么是噪音？噪音表明实际工作中出现了一些过程之外的特殊情况，如由没有具备项目管理技能的人来担当项目经理工作，而当前过程要求的是需要具备项目管理能力的人来负责的，这样过程执行效果肯定会与预计的效果发生比较大的偏差，从而超出上下限范围。信号体现了过程正在被正常执行，而噪音则反映出过程正在被偏离执行。
3) 数据点的偏差，是由公共原因(Common Cause)和可归属原因(Special Cause)共同作用下导致的。在控制限内的数据点的偏差，主要是由公共原因导致的，而超出上下限的偏差，则是由公共原因和可归属原因共同引起的。
l 什么是公共原因？公共原因是指过程本身特有的引起偏差的因素，如果人员的水平波动、项目性质的差异、执行过程的力度差异等，这些引起偏差的因素在本过程内已经被削弱，但不可能完全被消除，这些因素共同作用下，会引起数据点的正常波动。信号是由公共原因引起的。
l 什么是可归属原因？可归属原因是指出现了过程没有考虑或者违背了过程的情况，引入了新的引起波动的因素，如：没有安排好相应培训、没有按过程执行等。出现了可归属原因，将会加大数据点的波动，从而超出上下限范围。噪音是由公共原因和可归属原因共同作用引起的。
4) 通过统计学的办法计算出性能基线，如用XR图、XmR图。
5) 用性能基线进行项目管理，项目管理的重点是监控超出范围内的数据点，分析其原因，想办法排除可归属原因。消除可归属原因后，就可以消除由于可归属原因引起的波动，这样数据点就会重新回到上下限范围内。组织级应该有详细的进行可归属原因分析及问题解决的指导，项目经理根据该指导来排除可归属原因。
SPC的原理比较深奥，要深刻理解是不容易的。SPC在制造业等其它行业已经被广泛应用，其基本原理就是通过改造生产流水线，消除或者限制影响产品规格的因素，使产出的产品规格在一定的范围内并符合要求。
这个原理要用到软件生产，就没有那么简单了，影响软件质量的因素非常多，需要“功力深厚”的人分析各影响因素，并通过改造过程来消除或者削弱这些因素的影响。在这个层面上，用数据管理过程的“档次”已经提高了一大截，这时候数据管理的过程是稳定的过程，该过程的中值和上下限反映出该过程的能力。
这里我们引出一个新的问题，什么是有能力的过程？什么是没有能力的过程？什么是能力高的过程？什么是能力低的过程？
不稳定的过程，谈不上能力之说，稳定的过程才能谈能力。稳定的过程，可以通过不断地提高性能来提高能力，如收窄性能基线的上下限范围，使中值更接近理想的目标值等，这些都体现了能力的提高。
请看下一文……
作者：张传波
创新工场创业课堂讲师
软件研发管理资深顾问
CMMI首席专家
《火球——UML大战需求分析》作者
www.umlonline.org 创始人
用数据管理过程（3）——可预测级别的量化管理（麦当劳的管理方式）相关推荐
- SSM基于校园大数据的学业表现预测及行为分析 毕业设计-源码64653
摘 要 科技进步的飞速发展引起人们日常生活的巨大变化,电子信息技术的飞速发展使得电子信息技术的各个领域的应用水平得到普及和应用.信息时代的到来已成为不可阻挡的时尚潮流,人类发展的历史正进入一个新时代 ...
- 麦当劳重金收购一大数据创业公司，持续加码数字化转型
提起麦当劳,大家首先想到的是什么?可能更多是"巨无霸"汉堡,而非大数据吧?但这一切将很快发生变化:快餐业巨头正在以一种规模可观的方式热情拥抱机器学习技术. \n 麦当劳公司即将公布 ...
- IDC公布2017年亚太地区数据中心10大预测
IDC亚太区发布了最新题为<IDC FutureScape:2017年全球数据中心预测:APeJ影响>的报告,强调数据中心内一系列成熟的技术,对于那些寻求数字化转型的企业机构来说至关重要. ...
- 基于大数据的用户行为预测
2019独角兽企业重金招聘Python工程师标准>>> 随着智能手机的普及和APP形态的愈发丰富,移动设备的应用安装量急剧上升.用户在每天使用这些APP的过程中,也会产生大量的线上和 ...
- 大数据教你实现预测未来，这不是梦
随着数据挖掘与人工智能技术的发展,越来越多的企业将大数据运用到生产实践与决策指导中.其中,构建合适的模型对未来的趋势进行预测,是数据挖掘中十分重要的一部分. 本文将通过一个小案例教会你如何利用数据挖掘 ...
- 数据预处理与数据分类预测
熵(entropy)指的是体系的混乱的程度,它在控制论.概率论.数论.天体物理.生命科学等领域都有重要应用,在不同的学科中也有引申出的更为具体的定义,是各领域十分重要的参量. 数据预处理 数据预处理技 ...
- 沈志勇-百度大数据引擎与分析预测
2019独角兽企业重金招聘Python工程师标准>>> 沈志勇-百度大数据引擎与分析预测 大数据是目前全球关注的一个热点技术领域.百度大数据实验室作为百度大数据引擎的重要组成部分,以 ...
- 大数据可视化分析以及预测性分析方法
摘要:大数据分析要实现的应用领域之一就是预测性分析,可视化分析和数据挖掘都是前期铺垫工作,只要在大数据中挖掘出信息的特点与联系,就可以建立科学的数据模型,通过模型带入新的数据,从而预测未来的数据. 大 ...
- 泰坦尼克号沉船数据分析与可视化、数据建模与分类预测【Python | 机器学习-Sklearn】
泰坦尼克号沉船数据之美--起于悲剧,止于浪漫 前言:泰坦尼克号,不只是卡梅隆导演的经典电影,它是一个真实存在的悲剧,也是电影的故事背景与题材.作为一个IT人,分析事实还得看数据,了解到泰坦尼克号沉船幸 ...
最新文章
- Linux下分区、格式化、自动挂载
- 规则引擎QLExpress的简单应用
- Dev c++中{ }不能自动缩进
- 《编写高质量代码：改善c程序代码的125个建议》——建议20-6：尽量将循环嵌套控制在3 层以内...
- VTK：vtkCaptionWidget用法实战
- C#中的类型转换大总结
- spring框架做全局异常捕获_@ControllerAdvice注解(全局异常捕获)
- 互联网日报 | 6月23日 星期三 | 苏宁置业否认破产及相关传闻；满帮集团正式登陆纽交所；百度公布2030碳中和目标...
- SpringBoot笔记-注册后发送邮箱点击激活(异步)
- PyTorch 多目标跟踪
- Matlab线性/非线性规划优化算法（7）
- 【前端】VUE UI的安装
- Android系统进阶
- silverlight：分享一个不错的自定义布局CollectionFlow(可用于制作相册的哦！)
- Servlet chapter 1
- 注册测绘师学习笔记（二）
- 模拟CMOS集成电路放大器总结（1）
- Windows上实现iOS APP自动化测试：tidevice + WDA + airtest
- 牛刀小试imageROI
- EasyBoot使用方法