CMMI认证之量化管理中的数据质量一

组织的业务敏捷性的要求以及开发过程中越来越频繁的迭代实践，对研发过程管理要求越来越高。同时研发管理工具越来越丰富，为更及时、更充分的获取各类过程性能数据提供了可能。CMMI，特别是实践域“管理性能和度量MPM”，提出量化性能管理实践框架，包含了完整的度量能力建设和基于度量对过程性能进行管理的解决框架。尽管度量能力的建设是量化性能管理的前提，度量定义以及度量数据的质量却是容易被忽略的关键要素。今天擎标给大家介绍一下量化管理中的数据质量。
当企业谈到CMMI中的量化管理，尤其是CMMI的高成熟度实践时，往往比较关注如何使用数据进行量化分析，例如应用统计或其他量化管理技术，对数据进行分析，生成过程性能基线（PPB）、过程性能模型（PPM）等重要的量化过程资产并用于分析和预测，生成靓丽的图表展示分析成果等等，而对作为“原料”的数据，普遍没有足够的关注。
其实，从数据管理的角度看，PPB和PPM的生成及其应用分析，是数据生命周期的下游阶段，也就是数据的分析应用，即数据价值实现的阶段。但是如果没有上游对用于分析的数据质量进行管控，则很有可能分析的结果是不正确或者不准确的，并且无法支持有效的决策。
在量化的过程性能管理中，我们通过采用各种量化分析的技术和方法，对过程性能数据的变化进行分析和加工，来了解过程的变化，以便实施管理。如果我们将数据分析环节看作一个“处理器”，那么我们设计和使用的这些量化分析方法，只是这个“处理器”，而输入的数据质量，是决定数据分析质量的长期因素。这个应该是显而易见的道理，只是在实践中，由于确保数据质量这样的工作偏向“后台”，比较容易被忽略。
因此，判断企业是否真正具备高成熟度的量化分析能力，应该从数据的整个生命周期全面的看，即不仅看组织是否能够结合组织和项目目标，应用各种统计量化的度量分析方法，对过程性能进行管理，还要看进入分析阶段前，数据的定义、收集和验证等环节，也就是说，企业是否设定了数据质量的目标和具备相应的能力，对数据质量进行明确的管理，以确保其用于统计和其他量化分析的数据是可靠的。
这些实践要求，都体现在CMMI模型的MPM实践域中。例如MPM 3.3要求组织必须建立起组织级的数据质量标准和过程。在这个要求下，组织应该在研发性能度量定义中明确其质量要求，即在适用的质量维度（例如正确性、完整性、及时性等）上，对度量项的数据质量要求以及判定标准（例如允许的数据延时、允许的错误率、空值率等），同时应该制定相应的检验方法（例如抽样、统计检验等）和过程（包括角色、职责、执行步骤、汇报结果和跟进等），确保组织有一套足够完整的机制对数据质量进行评价和管控。