必威·BetWay(中文版)官方网站-Best Sports Platform

Home

/

从DevOps方法论到实践:快速构建研发效能洞察体系

Post date:2023-12-11 15:02:19

分享到

随着信息技术深入应用,企业的IT组织效能提升与数字化转型需求越发迫切。9月起,betway必威蓝鲸《研效一体,价值释放》线上课程直播,针对企业IT部门DevOps落地实践分六期详解项目管理、制品分发、持续交付、测试管理、研发效能洞察、价值流管理场景

11月9日,betway必威蓝鲸DevOps咨询顾问段亚浩带来《企业如何量身打造研发效能数据洞察体系》的主题分享,围绕以下几点,深入探讨如何为企业量身打造研发效能数据洞察体系,帮助企业管理层和研发团队更好地理解和应用数据,提高研发效率。

  • 如何设计有效的、合适的度量指标体系?
  • 在度量体系落地的过程中,我们会遇到哪些问题?如何解决?
  • DevOps成熟度三级对研发效能度量提出了哪些要求?


01. 为什么要做研发效能度量?

如果你无法度量它,你就无法改进它(If you can’t measure it, you can’t improve it)—— 彼得 • 德鲁克

研发过程如同黑盒,往往缺乏可见性。通过采集研发过程中产生的客观数据,并将数据转换为关键的度量指标,能够帮助管理者发现研发过程中存在的问题点和风险点,并为后续的持续改进提供决策方向。


02. 找准四个关键,轻松设计度量指标

目前很多企业在做指标体系设计时,指标通常来源于员工以往工作经验的积累、公众号文章的推荐、效能大会上的分享,通过这些方式得到的度量指标往往只是简单的堆砌,缺乏对指标的用途、意义和指标间的关联的清晰解释。指标看似很多,却达不到最终期望的度量效果。

尝试找到度量的根本目的,能够帮助我们找到有效的、合适的度量指标,场景化地度量研发过程。下面请回答一个问题:“这些指标是为了帮助什么角色解决什么问题?”基于上面的问题,在设计指标的时候,我们可以抓住四个关键词“角色-问题-步骤-指标”,指标又可以通过“多(数量)-快(效率)-好(质量)-省(成本)”四个方面进行拆解。下面举一个例子:

图1 指标拆解示例

基于上述的指标拆解方法,最终可以得到面向“高层-中层-基层”的不同主题指标,这些指标能够回答上面的问题:“这些指标是为了帮助什么角色解决什么问题?”然而虽然我们知道了这些指标能够解决的问题,但是若某个指标数值出现异常,该以什么路径追踪原因?

  • 向关联指标:串联观察整个研发过程
  • 纵向对比指标:深度关注重点维度情况
图2 指标解读示例

以上图为例,若研发停留时长过长:

  • 向分析(考虑关联步骤中是否有异常情况):是否需求调研停留时长过短反映需求调研不清晰、研发阶段返工多?
  • 纵向分析(考虑各维度间的相互影响):是否因并发任务数多导致研发任务堆积,或是代码质量差导致的研发效率低下?

通过上述方法拆解的指标,摆脱了简单地堆砌。该用什么指标进行度量,指标能帮助谁解决什么问题,指标关联关系如何解读就都清楚了。


03. 巧用配置化工具,快速建成度量体系

度量指标从设计到落地,还需经历一系列“数据获取->数据处理->数据呈现->权限管控”的过程。但在建设过程中,可能会遇到下面的问题:

图3 度量建设过程的常见痛点


下面通过实际的案例说明度量平台在建设过程中常见的问题及推荐的解决办法。

1)案例一

某集团的多个科室同时使用多套系统,包括自研的项目管理平台、需求管理平台,还有从第三方采购的集成工具、代码库管理工具等。数据散落在各个平台,需求数据展示在需求管理平台、代码数据呈现在代码平台上,指标数据由各个系统维护,查看数据的时候需要打开并登陆多个系统。此时某集团提出希望在同一界面查看来自多个系统的度量数据。

痛点分析

  • 数据存储分散,数据由多个系统分别维护
  • 重复登录多个平台查看数据,操作步骤繁琐
  • 指标关联性差,查看全生命周期数据需要反复切换平台
  • 已有数仓,部分数据已存入现有数仓
  • 部分数据通过接口形式返回,预览数据时常卡顿

解决方法

构建统一的大数据仓库/数据湖,构建统一的度量平台。大数据仓库提高供点强大的计算能力,解决了数据预留卡顿的问题。

图4 案例一解决方案


2)案例二

某银行,根据组织架构划分为“大数据部门-研发部门-科技管理部门-业务服务部门”,度量体系建设初期存在的主要矛盾是:业务服务部门觉得科技管理部门的需求交付周期太长,科技管理部门觉得研发资源不够用

通过代码实时计算统计结果进行呈现,计算效率不高,系统容易崩溃。为了保证系统可用性,需要大数据部门对每个指标提供一张事先计算好的聚合表(事先计算好结果,研发直接读取大数据部门的结果进行展示)。

痛点分析

  • 指标开发周期长,且每次修改都需要投入研发人员
  • 研发资源消耗多
  • 数据处理工作量大,数据表复用性差
  • 指标公式变更,需重新排期进行修改,定开无法适应统计口径的快速调整
  • 每次修改指标都需要发版,无法做到无感和改动实时生效

解决方法

利用大数据仓库的计算能力,使用明细表数据配置指标,指标配置实时生效,无需发版。原方案单个指标定开需要2.5人天;新方案单个指标配置小于0.5人天。

图5 案例二解决方案


3)案例三

某公司部门众多,不同部门间的业务相互隔离,因此希望精细化地管控权限。该公司组织架构调整频繁,只要有新成员加入或人员项目调整,就需要手工重新修改权限,耗时费力,因此迫切地希望简化权限配置工作

痛点分析

  • 需要对用户可预览点数据范围进行精细化管控,实现数据权限控制
  • 组织架构或人员的流动,都需要重新授权,重复工作费时费力

解决方法

使用用户标签表进行授权。权限读取用户标签表数据,用户标签表定时同步第三方系统数据,数据标签表数据更新后权限即自动更新,无需重新配置。

图6 案例三解决方案


04. 信通院DevOps成熟度评级

1)对效能度量提出的要求

在搭建度量体系及度量平台后,企业最终需要在实践中检验落地成果,可参考信通院推出的DevOps持续交付三级标准中对研发效能度量提出的要求。下面内容是在协助客户过级的过程中总结的经验,为有过级需求的企业提供参考:

图7 DevOps三级标准中的度量要求示例

其中:

  • 指标全面,需要覆盖全流程(需求-研发-测试-部署),以便观察研发过程中的各种情况。
  • 指标数据准确,统计口径清晰,指标上支持查看统计口径。
  • 具备跨领域指标,如:千行代码质量缺陷等。
  • 指标具备辅助线或参考值,通过数据对比反映数据情况。
  • 对指标进行版本管理,定期剔除旧指标,加入合适的新指标。
  • 自动收集数据形成报告,并发送给相应的干系人。
  • 考虑数据重要性数据增长量,建立历史数据清理机制。

下面通过几张图简单呈现部分DevOps三级标准在实际应用中的效果:

图8 过级仪表板”需求看板“示例图
图9 过级仪表板”CICD看板“示例图


图10 过级要求示例图

以下为部分过级建议指标,按照全流程、多维度方式进行展示。实际使用过程中的具体指标还需结合实际业务场景进行梳理。

图11 过级建议指标示例图

希望通过本期内容,能对企业管理者和研发团队提供帮助。

免费申请演示

联系我们

服务热线:

020-38847288

QQ咨询:

3593213400

在线沟通:

立即咨询
查看更多联系方式

申请演示

请登录后在查看!