‍阅读本文你将收获

1、构建效能度量体系的根本方法：GQM方法论

2、GQM 方法的核心概念与实操要点

研发降本增效，迫在眉睫

几年前，随着粗放式增长的红利见顶，降本增效成为企业内的高频词汇；近两年在疫情冲击和经济下行的背景下，更是成为不得不重视的议题。美团亦将系统性的降本增效作为 2022 年度的三个关键命题之一。

软件研发团队作为许多科技企业的成本中心，同样需要更精细化的管理来降本增效。过去高速成长期用不着关注、来不及关注的低效点，如今都已是不能承受之重。

研发团队如何在精打细算的同时，依然高效率、高质量、可靠且可持续地交付价值，支持业务侧去应对快速变化的市场？研发效能这一概念由此开始进入许多先进组织的视野。

而效能度量，是获取认知、明确提效方向的第一步。

从 2019 年推出研发效能分析平台以来，思码逸帮助众多研发团队构建起效能度量体系，服务于科学的研发管理与工程改进，也与客户、行业专家们一同沉淀了许多效能实践经验和思考。（👉点击查看往期 DevData Talks）

每个组织的效能改进，都是由其自身的特质和目的所决定，他人的实践固然有参考和学习意义，但也很难原封不动照搬。

俗话说，授人以鱼，不如授人以渔。在汇集了如此多经验之后，我们希望从中抽象出可复用的底层逻辑：什么是构建效能度量体系的根本方法？

我们接下来介绍的这套方法来自学术界，后来在学术界、产业界都得到广泛应用，被称为研发效能度量方法的『事实标准』。

‍

构建效能度量体系的根本方法：GQM方法论

GQM（目标-问题-指标 ）方法最早由 Basili 提出，发表在软件工程领域权威期刊 IEEE Transactions on Software Engineering 上。GQM 当初是为软件工程研究中的数据收集和分析而设计，其基本思想是：

• 自上而下定义，每个目标划归为一组可量化回答的问题，每个问题通过若干特定的指标来回答

• 通过提出问题，建立和表达隐式模型，解决研发难以定义数学模型的困难

• 自下而上分析解读，数据的收集和分析都服务于清晰明确的问题，进而达成定义的目标

接下来我们分别介绍目标 Goal、问题 Question、指标 Metric 这三个核心概念。

‍

目标

‍

目标阐述了组织对研发效能的信息需要，包含四个要素：

‍

• 对象：研发的过程（Process）、产物（Product）和资源（Resource）中的一种；每种对象都可能存在层级结构

• 维度：目标聚焦的角度或对象的属性。参考《软件研发效能度量规范》对认知域的划分，速度、质量、价值、成本、能力都是维度

• 目的：了解（Understanding）、评价（Evaluation）、改进（Improvement）、控制（Control）和预测（Prediction）中的一种或多种

• 角色：组织中关注该目标的角色

‍

接下来我们以一个真实案例来示意如何定义目标。

‍

某大型组织当前面对的痛点是规模大、部门多、业务杂，无法准确评估各部门的人力负载情况，无法判断部门人力增补需求的合理性，也无法实现部门间人力调配及合理流动。

该组织当前的目标是控制项目人力成本，那么这个目标的四个要素如下：

‍

梳理四个要素，能帮助我们用一系列标准标签来对阐述目标、拉齐共识。

‍

问题

‍

根据目标提出的一系列问题，主要用于刻画目标；通过提问，建立起一个在目标维度上刻画目标对象的模型。

‍

提问环节需要注意以下两点:

‍

• 先做加法：尽可能多地提出问题，使模型尽量全面、充分、有效，避免数据收集后才发现遗漏或者无效；完备的问题列表一方面可根据实际需要做裁剪，另一方面可提供多种模型可支持度量结果的交叉验证

• 结合实际情况：在提问环节，需要结合研发团队的实际情况与特征，补充问题的所需信息

‍

例如，在项目人力成本的目标下，我们可以提出以下（但不限于）几个问题：

‍

接下来就需要结合研发团队实际情况，补足模型的一些信息，使问题具备可操作性，例如：

‍

• 如何定义人力负载的合理区间？

• 如何定义关键事务？

• 项目划分为哪几个阶段？这些阶段人力投入的典型特征是？

• 项目划分为哪几个类型？

指标

‍

一个问题可能需要多个指标共同回答，这里可以采用技巧：先将问题转化为一个假设，然后思考要充分可靠地证实或证伪这个假设，最关键的是哪些指标，还需要哪些指标做支撑，哪些指标作为制衡。

‍

接着前面项目人力成本的问题，我们可以提出以下（但不限于）几个指标：

‍

在这些指标的基础上，可以根据目标中的具体目的，使用多种分析方法：

‍

• 分类分布：将对象的组成部分分类后，进行统计分析；该方法在了解对象组成部分的场景下应用广泛

• 帕累托分析：将组成部分或影响因素的指标排序，定位影响最大或最主要的部分，常用于改进或控制

• 相关分析：运用各类统计方法找到指标间的正负相关性，常用于改进或控制

• 拟合建模：运用各类统计方法找到有效预测指标的数学模型

‍

总结

‍

GQM 从目标梳理，到提问建模，再到指标体系的做法，能够避免构建度量时盲目求大求全、堆砌指标、成本过高等问题，使每一个指标都是为了服务具体场景而存在，也能真正产生有价值的信息。

‍

限于篇幅，本文仅简介了 GQM 实操要点。问题和目标的系统定义方法和范式等更深入的内容，请参考《GQM 从入门到精通》。

GQM 方法解决了从需求到度量体系的问题，然后呢？得到了数据和分析结论，研发效能就能自动提升吗？当然不是。

‍

接下来，我们会推出另一篇内容，介绍影响图在研发效能中的应用。影响图是用于支持决策的概率模型（扩展的贝叶斯网络），可连接指标与决策，解决度量后如何分析根因、如何做出最优的改进决策的问题。