摘要：软件项目量化管理方法有哪些呢？ 模型（Capaility Matuity Model, CMM）或其它模型来建立本企业的软件过程规范，欲通过提升软件过程的能力达到提高产品质量、降低开发风险、减少开发成...

软件项目量化管理方法有哪些呢？

模型（Capaility Matuity Model, CMM）或其它模型来建立本企业的软件过程规范，欲通过提升软件过程的能力达到提高产品质量、降低开发风险、减少开发成本、保证产品按时交付等目的。

将软件过程规范的一个目的就是使软件过程可视化，这个可视化则要求了对软件过程的量化；而产品质量是否提高、开发风险是否降低、开发成本是否减少、项目延期是否缩短，对这些问题的回答则要求了对软件项目的量化；软件过程改进与量化管理息息相关。

不少企业在将识别出的量化管理方法应用于软件项目管理过程时，发现不少问题。

最为常见的是： 量化工作的可操作性不强，如：部分量化数据难以收集、难以统计投入的成本没有得到预期的产出。

如：量化工作投入了成本，但形成的量化结果参考价值不高提供给管理层用于决策的支持数据也不够，数据缺乏可比性量化结果不是管理层所关心的，达不到管理层预期的过程可视化程度 针对此类问题，本文识别出了在量化管理中必须要考虑的四个方面，即：量化四要素，并从量化四要素对量化管理方法进行了分析，建议了软件企业采用的量化管理方法。

2. 量化四要素 “只有通过对产品、过程的度量，才能描述、评价、提高产品与过程”。

笔者认为，要度量，就要明确度量的对象；要度量对象，就要明确标识度量对象的计量单位；要产生度量结果，就要明确度量方法，包括度量技术和数据收集的方法；要评价度量对象，就要明确用于比对的基准指标，即表征度量对象目前情况的标尺，通过该标尺与度量结果的比对，得出对度量对象的评价。

而度量对象（Oject）、计量单位（Unit）、度量方法（Method）、基准指标（Benchmak），这就是笔者所说的量化四要素。

我们先看看目前软件企业在量化四要素上的常见做法： （1） 度量对象 往往软件企业在识别度量对象时，是根据所采用的模型或标准中提出的相关要示去做的，比如： 综合能力成熟度模型（Capaility Matuity Model Integation, CMMI）等级2中建议的量化目标[2]： 估计产品规模和实际规模 预算成本和实际成本 进度情况 缺陷率、测试与验收覆盖率和同行评审覆盖率 质量要求和质量度量 有些软件企业量化了识别出的各软件过程，建立了各过程的改进度量对象。

可能有的企业识别出的度量对象更多。

（2） 计量单位 针对同一个目标，不同软件企业采用的计量单位也不尽相同。

简单来讲，分为面向规模、面向功能的度量。

以软件规模的计量单位为例，常见的面向规模的有：代码行（lines of code,LOC）、人月；面向功能的有：功能点、特征点（featue point）、对象点（oject point）、3-D功能点（3-D function points）、标准构件法（standad component）等。

有的企业并非单纯地采取一种类型的计量单位，在某些目标上他们可能采用的是面向规模的计量单位，在另外的目标采用的又是面向功能的计量单位。

此外，对于软件质量的计量单位，有的企业可能就是用缺陷率来表征软件质量；有的企业可能将软件质量拆分成若干个子量化目标，对这些子目标再明确其计量单位。

（3） 度量技术 目前软件企业常用的度量技术，如挣值法、控制图、直方图、散布图等。

项目中用于估算的技术有典型的估算方法，如Delphi法和类比法。

直方图 它是表示数据变化情况的一种主要工具，用于整理度量值的观测数据，分析其分布状态的统计方法，用于对总体的分布特征进行推断。

挣值法 挣值法是一种分析比较出目标实施与目标期望之间差异的方法，用于项目过程中的进度与费用分析。

它通过测量和已完成的工作的预算费用与已完成工作的实际费用和计划工作的预算费用得到有关计划实施的进度和费用偏差，而达到判断项目预算和进度计划执行情况的目的。

控制图（SPC） 它是一种控制界限的图，用来区分引起质量波动的原因是偶然的还是系统的，可以提供系统原因存在的信息，从而判断生成过程是否处于受控状态。

按其用途可发为两类，一类是供分析用的控制图，用于分析生成 过程的有关质量特性的变化情况，看工序是否处于稳定受控状态；再一类是供管理用的控制图，主要用于发现生产过程中是否出现了异常情况，以预防产生不合格品。

6 Sigma的统计分析技术就需要采用SPC度量方法。

Delphi法 Delphi法是最流行的专家评估技术，在没有历史数据的情况下，这种方式可以减轻估算的偏差。

Delphi法鼓励参加者就问题相互讨论。

这个技术，要求有多种相关经验人的参与，互相说服对方。

类比法 类比法适合评估一些与历史项目在应用领域、环境和复杂度的相似的项目，通过新项目与历史项目的比较得到估计数据。

类比法估计结果的精确度取决于历史项目数据的完整性和准确度。

针对项目工期估计，常采用计划评估技术（Pogam Evaluation an Review Technique,PERT）进行估算。

软件测试人员的量化管理有哪些呢？

一、测试设计 1、工作效率相关指标 （1）文档产出率：这项指标值主要为测试用例文档页数除于编写文档的有效时间获得。

用于考察测试人员测试用例文档的生产率大小。

公式：∑测试用例文档页数（页） / ∑编写测试用例文档有效时间（小时） 参考指标：根据项目汇总得出平均在 1.14 页 / 小时左右，高于此值为优，低于此值为差。

（2）用例产出率：这项指标值主要为上述指标值的补充，用于考察测试人员测试用例产出率大小。

测试文档页数可能包含的冗余信息较多，因此要查看文档中测试用例的多少。

方法是测试用例文档中测试用例编号总和数除于编写文档的有效时间。

公式：∑测试用例数（个） / ∑编写测试用例文档有效时间（小时）来源：考试大 参考指标：平均 4.21 个用例 / 小时 2、工作质量相关指标 （1）需求覆盖率：计算测试用例总数之和除于与之一一对应的功能点数之和，主要查看是否有功能点遗漏测试的情况。

来源：www.examda.com 公式：∑测试用例数（个） / ∑功能点（个） 参考指标： 100 %。

如果连功能指标都不能满足 100 %覆盖，起码说明测试不充分。

这个指标收集起来相当困难，如果存在需求跟踪矩阵或者测试管理工具能把用例与需求一一对应就容易得多。

（2）文档质量：测试用例进行评审和同行评审发现的缺陷数，或者将此缺陷数除于文档页数算出比率。

此指标考察测试人员文档编写的质量如何。

公式：∑缺陷数（评审和同行评审）（个）来源：考试大 ∑缺陷数（评审和同行评审）（个） / ∑测试用例文档页数（页）采集者退散 参考指标：由于评审是发现的缺陷数是不固定的，因此，这个指标没有可供参考的数值。

如果缺陷数大小不能直接用于比较就使用缺陷 / 页方式进行横向对比。

（3）文档有效率：使用测试用例文档进行测试时发现的系统测试缺陷数除于此文档页数。

用于考察文档是由有效的指导了测试工作。

公式：∑缺陷数（系统测试）（个） / ∑测试用例文档页数（页） 参考指标：平均 2.18 个缺陷 / 页 注意：如果存在测试人员在测试时创建新文档用于辅助测试时应包含这一部分。

（4）用例有效率：使用测试用例发现的全部缺陷除于测试用例数总和。

这一指标是上一指标的补充指标，用于考察用例质量是否较高

TRIX指标的计算有哪些方法？

由于选用的计算周期不同，涨跌比率TRIX指标包括N日TRIX指标、N周TRIX指标、N月TRIX指标和N年 TRIX指标以及N分钟TRIX指标等很多种类型。

经常被用于股市研判的是日TRIX指标和周TRIX指标。

虽然它们计算时取值有所不同，但基本的计算方法一样。

TRIX的计算方法比较复杂，以日TRIX为例，其计算过程如下： 1、计算N天的收盘价的指数平均AX AX=(I日)收盘价*2÷（N+1）+(I-1)日AX(N-1)*(N+1) 2、计算N天的AX的指数平均BX BX=(I日)AX*2÷（N+1）+(I-1)日BX(N-1)*(N+1) 3、计算N天的BX的指数平均TRIX TRIX=(I日)BX*2÷（N+1）+(I-1)日TAIX(N-1)*(N+1) 4、计算TRIX的m日移动平均TRMA TRMA=÷M

绩效考核量化管理的软件有木有？

信号处理，金融、Table、Nest等代替循环许多内置函数具备AAS机制（AutomaticAlgorithmSelection）擅长高精度和大数计算，如数论，统计，优化程序语言比较易学、Haskell等函数式语言或者作为高级计算器使用的人(Mathematica的语法和常见的过程式程序语言有较大不同、基于规则循环比较慢，编辑和调试环境不错方便构建GUI不是原生支持符号计算（符号计算远不止是推导公式），新版的mupad内核还不错，但是和Mathematica、Maple比有明显差距，但可以用Wolfram Workbench（基于Eclipse的IDE）改善程序语言学习曲线陡峭，排除熟悉Scheme，有的问题Mathematica需要一定的预处理才能算的更快，大型的中型的。

其中3M(Matlab、Mathematica、Maple)用的较多、广度和速度递归特别慢，比Mathematica和Maple以及常见的脚本语言都慢在一些数学领域相对薄弱，图论，离散数学等高精度和大数计算比较慢（如精确计算100万的阶乘或π的前500万位）工具箱之间的协作能力不是很好界面不太好看（新版R2013a的Ribbon界面不错）缺省画图不美观，锯齿，系统函数命名不够规范Mathematica符号计算非常强大，不论是深度，支持相当多的编程范式，过程式、函数式、元编程，逻辑编程，拥有超多工具箱，图形方面的函数很丰富，默认画图比Matlab和Maple更好看界面美观、鲁棒性好，能算的积分类型没有Mathematica多Maple的“适应性”更好，输入公式很方便帮助文档很友好价格较高，比matlab更贵（Matlab的价格取决于你要哪些工具箱）向量化的操作比Matlab稍慢，有时比Matlab更耗内存代码调试不是很方便，虽然也可以作为过程式语言来用，但代码的和速度和优雅程度就大扣了）Maple:符号计算非常强大，和Mathematica相比各有千秋许多多项式操作比Mathematica更快一些符号积分Maple也有速度优势（特别是不定积分），不过有时返回的结果没有Mathematica给出的更严谨曾经很喜欢折腾，至少用过有40多个数学，包括几乎所有出名的和一些不出名的，可解的方程类型最广泛非常强大和灵活的语言，完成相同的工作，和同类语言相比代码量往往最少语言高度统一，可以用Compile加速，或使用Map，一些浅见：Matlab线性代数和数值计算方面优势显著，向量化运算往往比同类更快，仿真，图像处理