CMMI高成熟度过程性能模型PPM的建立简化版

公司内部档案编码：[OPPTR-OPPT28-OPPTL98-OPPNN08]CMMI高成熟度过程性能模型PPM的建立简化版CMMI高成熟度——过程性能模型PPM的建立（简化版）(苏州工业园区服务外包职业学院曹纪清)在高成熟度组织中，PPB的作用仅仅是理解过去和控制现在，为了预测未来我们必须要建立PPM过程性能模型。有了PPM我们就可以根据项目的基础信息和模型来预测项目的进度，成本和质量情况。PPM建立在组织 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 过程集和组织过程性能基线的基础上，可以用来为组织建立或验证质量和过程性能量化目标的合理性。?一、统计知识?1.数据验证MSA,GRR2.正态分布检验在进行统计分析时，有很多情况下数据满足正态分布是套用统计学方法的前提条件．我们可以采用安德森达林(Anderson-Darling)法来进行数据分布的正态性检验。通过考察假设检验的P值可以确定数据分布的正态性。如果P值小于0．05，那么必须拒绝原假设，即不符合正态分布。3.置信区间置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信水平一般用百分比表示，因此置信水平上的置信空间也可以表达为：95%置信区间。4.HT检验（假设检验，HypothesisTesting)假设检验可以用来检查对数据总体的假设是否正确，是一个正规的统计方法来确定两组数据的区别是否有统计意义显着性，如新方法是否比原方法疗效好改进后的合格率是否提高工期是否符合正态分布等。假设检验的判断基准是P值（P值是当原假设H0成立时，出现对原假设H0更不利情况，即对备选假设H1更有利情况的概率）。当P值很小(通常的标准是P<时，我们就认为要拒绝原假设，于是备择假设成立。5.回归分析回归分析就是去寻找并证明因变量Y的变化可以用一个或多个独立的自变量X迸行解释，由此我们可以用自变量X的值对Y进行具有统计意义的预测。在回归分析结果中还有几个重要的指标。一个是估算标准差S，用每个采样点的误差的平方和。当S接近0时表示回归方程可以进行有效预测。另一个指标被称为决定系数(CoefficientofDetermination)，其意义在于显示因变量的变化在多大程度受到自变量的变化的影响。该数值在回归结果中用R平方(R-Sq)和调整后的R平方(R-Sq(调整))表示。6.蒙特卡罗模拟(MonteCarloSimulation)蒙特卡罗方法可以让计算机迅速进行多达百万次的模拟，产生的结果可以被很直观地进行观察，帮助决策者据此发现最优化的解决路径。比如一个软件项目有10个阶段．每个阶段的工期进行最短、最可能、最长等三个值的估计。如果我们需要有个项目总工期的估算，将每个阶段最可能的估计值相加，得到500个工作日的估计结果，如果进行蒙特卡罗一百万次模拟，结果显示，几乎所有的事件模拟结果的工期都超过了每个阶段最可能完成工作日数的总和500个工作日。如果我们按照90%的信心度进行计划，则应该以8l7个工作日来安排，即使以50%信心度来计划，也应该以731个工作日来安排进度。由此可见，基于统计学原理的蒙特卡罗模拟方法，可以比简单直觉提供更为准确、可信的决策依据。7.残差图(residualplot)　在相关回归中，残差等于实际观测值减去拟合值，拟合值是根据回归 公式 小学单位换算公式大全免费下载公式下载行测公式大全下载excel公式下载逻辑回归公式下载 计算得出的。在方差分析中，残差等于测量者减去组内平均值。残差反映的是随机波动。所以残差是正态分布，并且均值等于0。?二、创建PPB步骤?建立PPM的主要步骤如下：1.基于项目目标。模型的输出，应该和项目质量与过程性能目标之间是一致的。万事从“需求”开始，当然模型也不例外。首先我们通过对质量和过程性能目标分析达成影响分析，识别在达成中的关键过程或子过程，这些方面是我们首先需要建立模型的方面。2.选择一个或多个过程进行分析和建模。这可以是一个项目的过程，也可以是一个组织的过程。模型可以预测与当前被研究过程直接相关的结果，或者预测在开发生命周期中处于更下游的结果。确定模型预测什么结果。一些典型的例子如：质量、生产率、周期时间、过程有效性和客户满意度。注意过程可能有多种类型的结果，所以可能要开发多个模型来探讨他们。例如，持续时间段、质量和消耗的投入，都可能是相应的过程性能结果。3.设定要调查的因子。可控的和不可控的因子应该都要包括进来。导致结果的根本原因、和结果相互关联的因子以及结果最主要的指示器，都是用来做分析用的好的候选对象。分析模型的因子，可以使用Fish-Bone分析，也可以使用头脑风暴。可控因子的存在是过程性能模型的一个关键要素。可控因子的存在意味若我们可以通过调整可控因予来一定程度地控制过程性能，从而进行最合理的过程实施安排以满足所设定的质量与过程性能目标。于此同时，非可控因子代表了过程实施的环境因素，（如使用的技术平台、客户的刚性进度要求等），如果存在与因变量Y有显着关联的非可控因子，就可以了解过程实施的条件制约，对过程性能的预测做到更为准确。4.获取相应数据，评估它的质量进行数据初步分析，如GRR假设、（因子）相关性检查、正态性检查、和剔出异常点。两个变量相关性越强，相关系数的绝对值越接近1。但是X和Y显着相关并不意味着X和Y间一定存在因果关系，可能他们都以另一个变量为原因。例如，当日雨伞销售量与当日道路交通事故量高度相关，但两者谁也不是谁的原因，实际上他们都以当日降雨情况为原因，所以不能只看相关性系数。5.回归分析，模型检验回归分析的结果显示出了自变量X与因变量Y之间的部分相关性。回归方程拟合出来以后要进行统计分析（模型的检验）以解决如下四个问题：（1）给出回归方程的显着性检验，从总体上判定回归方程是否有效；（F检验，6SQ在回归分析时自动做的，且有显着性的结果。）（2）给出回归方程总效果好坏的度量标准—实际观测值与拟合出来的回归线很贴近；（6SQ中为回归分析中自动产生的，且有显着性的结果。R平方和调整后的R平方（多一个自变量时计算出来），两者越接近，说明模型拟合的越好。两者的值越接近1，代表模型拟合的越好）（3）当回归方程效果显着时，进行各个回归系数的显着性检验，判定回归方程中哪些自变量是显着的，将效应不显着的自变量删除，以优化模型，这点在多元回归当中至关重要；（T检验，6SQ在回归分析时自动生成，当只有一个变量时，实际上t平方=F，所以F检验和T检验的效果是一致的；看对应因子X的P值，如果小于就是说明自变量是显着因子）（4）残差分析，检验数据是否符合我们对回归的基本假定，检验整个回归模型与数据拟合得是否很好，是否能进一步改进回归方程以优化我们的模型。（在6SQ回归分析结果中直接看残差图，一是残差与时间图，看残差值是否在水平轴上下无规则地波动；残差与拟合值图，看是否有漏斗形和喇叭形，无则表明是残差是等方差的；三是看残差的正态概率图，如P大于则是正态分布；参与与X自变量为横轴的散点图，应无弯曲的趋势。）由以上残差分析得出结论：数据符合我们对于回归的基本假定，整个线性回归方程与数据拟合是较好的。6.模型评审与发布需要有《基线、模型建立和维护手册》（明确什么基线和模型在什么时候维护，如何维护）和《基线模型的使用指南》两个文档。建立模型的使用指南，即应用场景，介绍内容包括但不限于模型的用途、输入、输出、算法、指标、使用时机、使用人、使用条件等。模型的使用场景不清楚，SEI审计时，建立方法就不看了。组织EPG会议，对组织级新的模型进行评审，并把组织级的模型和相应的目标进行比较，使大家对组织级的新模型、新目标达成共识.把组织过程模型信息（包括模型使用指南）发布到组织资产库，EPG组织相应的培训，指导项目经理和相关人员了解和使用新的模型.7.模型的应用模型在使用时还需要注意的是预测要在一个预测区间进行考虑，而不是进行一个单点预测。?三、建立模型注意点ü模型的建立，必须适用企业，必须基于本企业的数据。ü模型的使用者，都必须评审模型，承诺使用模型。建立的基线与模型，对企业应该是适用的。需要管理层、部门经理、项目经理评审确认的。可以不同类的项目有所不同。ü刚开始建立的模型肯定不准确，要逐步完善并优化模型。模型可以不断优化，但模型使用场景应不要经常变。ü异常点很珍贵，都是改进机会。都是需要跟踪的。异常点的处理的定义要非常清楚。CMMI四级的评估很关注。ü异常点分析：期望目标未实现，但在控制范围内，可以不做异常点分析。相反，需要做异常点分析。——控制范围与期望目标应区别对待。期望目标最好定一个值。ü建模必要条件：高质量的数据（数据不准确，后面的工作都白做）、工具、情商ü基线与模型的差异：都有预测能力。基线只可预测一个过程；模型可以预测多个过程。基线没有因子。模型里定义了因子。模型和基线一定要绑在一起使用。ü度量的要求：一致性！度量项不要追求完美，只要保证一致性，即具有可比性！