شاخص های فرآیند و پروژه

شاخص های فرآیند و پروژه

اسلاید 1: Artificial Intelligent Systems Laboratory1شاخص هاي فرايند و پروژهدرس مهندسي نرم‌افزار 2فصل 22دكتر احمد عبداله زاده بارفروشتهيه كننده : پويا جافريان

اسلاید 2: Artificial Intelligent Systems Laboratory2يك مدير خوب موارد زير را اندازه گيري مي‌كند:اندازه گيريفرايندمحصولشاخص هاي فرايندشاخص هاي پروژهشاخص هاي محصولاندازه گيري بر چه مبنايي انجام مي شود ؟ size ؟ function ؟

اسلاید 3: Artificial Intelligent Systems Laboratory3اندازه گيري براي چه انجام مي‌شود‌؟براي : شناساييارزيابي پيش بيني توسعه و بهبودامكان دستيابي به اهداف فوق با اندازه گيري برآورده مي‌شود.

اسلاید 4: Artificial Intelligent Systems Laboratory4اندازه گيري براي چه انجام مي‌شود‌؟ارزيابي وضعيت پروژه جاريردگيري ريسك‌هاي بالقوه كشف موضوعات مشكل زا قبل از اينكه دچار وضعيت بحراني شوند. بهبود فرايند كاري يا وظايفارزيابي توانايي تيم نرم افزار به منظور كنترل كيفيت محصولات كاري نرم افزار

اسلاید 5: Artificial Intelligent Systems Laboratory5اندازه گيري فرايند كارايي فرايند نرم افزار معمولاً به صورت غير مستقيم اندازه گيري مي‌شود. براي اين منظور تعدادي شاخص برمبناي خروجي‌هايي كه از فرايند مشتق مي‌شوند تعيين مي‌گردند. خروجي‌هايي كه از فرايند مشتق مي‌شوند عبارتند از : ميزان خطا‌هايي كه قبل از ارائه نرم‌افزار، پوشيده مانده‌اند. Defect هايي كه توسط كاربران نهايي گزارش داده شده اند. محصولات كاري ارائه شده (Productivity)ميزان كار نيروي انساني ميزان كار بر اساس تاريخ ميزان هماهنگي با برنامه زماني اندازه گيري هاي ديگر ...همچنين، شاخص‌هاي فرايند با اندازه گيري ويژگي‌هاي خاص يك فعاليت مهندسي نرم‌افزار نيز به دست مي‌آيند.

اسلاید 6: Artificial Intelligent Systems Laboratory6توصيه‌هايي براي استفاده از شاخص‌هاي فراينددر هنگام تفسير داده‌هاي شاخص از common sense و organizational sensivity استفاده كنيد. به طور معمول، بازخورد هايي به افراد و تيم‌هاي جمع آوري كننده اندازه گيري‌ها و شاخص‌ها ارسال نماييد. از شاخص‌ها براي ارزيابي افراد استفاده نكنيد.با همكاري كاركنان و تيم‌هاي اهداف روشني را تعيين كرده و شاخص‌هايي براي دستيابي به اهداف مشخص كنيد. هرگز از شاخص‌ها براي تهديد افراد يا تيم‌ها استفاده نكنيد. داده‌هاي شاخص كه مشخص كننده مشكلي هستند نبايد با ديد منفي لحاظ گردند. بلكه اين داده‌ها مشخص‌كننده فرصت‌هايي براي بهبود فرايند هستند. از اطلاعات مربوط به يك شاخص خاص براي حذف ديگر شاخص‌هاي مهم استفاده نكنيد.

اسلاید 7: Artificial Intelligent Systems Laboratory7بهبود فرايند نرم افزارSPIمدل فراينداهداف بهبودشاخص هاي فرايندتوصيه هايي براي بهبود فرايند نرم افزار

اسلاید 8: Artificial Intelligent Systems Laboratory8شاخص هاي فرايند مرتبط با كيفيت (Quality Related)بر كيفيت محصولات كاري و قابل تحويل تاكيد دارد. مرتبط با توليد (Productivity Related)بر ميزان كار صرف شده براي توليد محصولات كاري تاكيد دارد. داده هاي آماري SQA طبقه بندي خطاها و آناليزكارايي رفع Defect (Defect Removal Efficiency)انتشار خطا‌ها از فعاليت هاي فرايند به فعاليت‌ها استفاده مجدد از داده تعداد اجزاء (Component) هاي توليد شده و درجه استفاده مجدد از آن‌ها

اسلاید 9: Artificial Intelligent Systems Laboratory9شاخص‌هاي پروژه براي حداقل نمودن برنامه توسعه نرم‌افزار، با ايجاد اصلاحات لازم براي جلوگيري از تاخير و كاهش ريسك ها، مورد استفاده قرار مي‌گيرد. براي ارزيابي كيفيت محصول به طور مداوم مورد استفاده قرار گرفته و هنگامي كه لازم باشد تغييرات لازم براي بهبود كيفيت انجام مي‌شود. در هر پروژه موارد زير بايد اندازه گيري شود:ورودي‌ها : اندازه گيري منابع لازم براي انجام كار خروجي‌ها : اندازه گيري موارد قابل تحويل و محصولات كاري كه در حين فرايند نرم افزار توليد شده اند. نتايج : اندازه گيري‌هايي كه نمايانگر موثر بودن موارد قابل تحويل هستند.

اسلاید 10: Artificial Intelligent Systems Laboratory10انواع شاخص‌هاي پروژه كار(Effort)/زمان براي هر فعاليت مهندسي نرم افزار تعداد خطا‌هاي كشف شده در هر ساعت بازبيني مايل استون‌هاي برنامه ريزي شده در مقابل مايل استون‌هاي واقعي تغييرات (تعداد) و ويژگي‌هاي آن‌ها توزيع كار بر روي فعاليت‌هاي مهندسي نرم‌افزار

اسلاید 11: Artificial Intelligent Systems Laboratory11نرمال سازي شاخص‌ها داده‌هاي نرمال شده براي ارزيابي فرايند و محصول (و نه افراد) به كار مي‌روند : نرمال سازي مبتني بر ساير : رويكرد تعداد خط كد نرمال سازي مبتني بر كاركرد : رويكرد Function Point

اسلاید 12: Artificial Intelligent Systems Laboratory12انواع شاخص‌هاي مبتني بر سايزerrors per KLOC (thousand lines of code)defects per KLOC$ per LOCpages of documentation per KLOCerrors per person-monthErrors per review hourLOC per person-month$ per page of documentation

اسلاید 13: Artificial Intelligent Systems Laboratory13انواع شاخص‌هاي مبتني بر Functionerrors per FP (thousand lines of code)defects per FP$ per FPpages of documentation per FPFP per person-month

اسلاید 14: Artificial Intelligent Systems Laboratory14مقايسه LOC و FP

اسلاید 15: Artificial Intelligent Systems Laboratory15مزاياي انتخاب FPمستقل از زبان برنامه نويسي است. توجه به محدوده مسئله عدم جلوگيري از نوآوري (ارائه راه حل‌هايي با LOC كمتر) در برنامه نويسيمنطبق با روش شيء گرا و مفهوم استفاده مجدد

اسلاید 16: Artificial Intelligent Systems Laboratory16شاخص‌هاي شيء گراتعداد سناريو‌ها (Use Case ها)تعداد كلاس‌هاي پشتيبان (كه براي پياده سازي لازم هستند ولي به طور مستقيم با حوزه مسئله در ارتباط نيستند)ميانگين تعداد كلاس‌هاي پشتيبان به ازاي هر كلاس كليدي (كلاس آناليز) تعداد زير سيستم‌ها (مجموعه اي از كلاس‌ها كه يك كاركرد قابل مشاهده براي كاربرنهايي را انجام مي‌دهند)

اسلاید 17: Artificial Intelligent Systems Laboratory17شاخص‌هاي محصول تاكيد آن بر كيفيت محصولات ارائه شده است. شامل اندازه گيري مدل آناليز مي‌شود. شامل اندازه گيري پيچيدگي طراحي مي‌شود. پيچيدگي الگوريتم پيچيدگي معماريپيچيدگي جريان داده اندازه گيري كد اندازه گيري كارايي فرايند Defect Removal Efficiency

اسلاید 18: Artificial Intelligent Systems Laboratory18Defect Removal EfficiencyE تعداد error هاي كشف شده قبل از تحويل محصول به كاربر نهايي است. D تعداد defect هاي كشف شده پس از تحويل محصول به كاربر نهايي. DRE = E /(E + D)