CMMI（量化管理中的数据质量）

在管理中我们有“做正确的事情”和“正确地做事情”的考虑，在我们的度量能力建设上，也有“度量正确的事物”和“正确地度量事物”这两方面的要求。

上次的文章中谈到量化管理中的数据质量问题，即在进行各种分析之前，实际上存储的数据（例如在各个管理系统、Excel表格）中的数据，是否如我们期望的那样按照数据的规格定义和质量标准进行收集和汇聚，是可信且可用的，并且组织是否对此相应地建立起数据质量的管控能力。这其实是关注“正确地度量”的问题；如果我们再往前溯源，就会意识到，我们的数据采集、分析以及基于分析结果做出的各种决策，都建立在一个大的前提下，即我们设计的度量指标，是否是对的？是否能帮助我们了解真相？这就是“度量正确的事物”的问题。

这个貌似没有争议的问题，其实是量化管理中比较容易被忽略的环节。一方面，很少有企业从无到有的定义其度量指标体系，而是在某种程度上从外部或内部继承下来的。是否组织或项目的目标匹配可能其实并没有详细考究过；另一方面，如果有新增的度量指标，对这些指标也没有投入足够的精力去充分地分析度量定义与所谓的信息需求是匹配的，也就是说是否是最合适的。

其实建立度量体系是应该投入精力的，在研发管理越来越数字化时代，度量体系就是整个研发管理体系的基础设施，一旦成型，其变更代价是很大的。所以企业值得反复斟酌，并应用系统化的方法指导进行度量体系的制定，确保度量指标的定义最大限度满足管理信息需求，并且在收集、分析和使用过程中易于操作，不容易可能出现导致数据质量问题歧义和偏差。

“目标-问题-度量” (Goal-Question-Metrics, GQM），或者”目标-问题-指标-度量” (Goal-Question-Indicator-Metrics, GQIM)，是业界在定义度量比较常用的原则和方法，它建议从业务需求和目标（Goal）出发，确定信息需求（Information Needs）以及相应的度量目标，构建如何度量的概念（Measurement Concept）、度量指标（Indicator），以及更低层的衍生度量项 (Derived Measures)和基础度量项 (Base Measure)。在整个度量设计的过程中，确保定义与信息需求保持一致。

在具体定义指标、衍生度量项和基础度量项的时候，应注意操作性的定义（Operational Definition）。想象一下，这是度量人员对关键过程属性进行度量时的依据的话，我们应该给出足够清晰和细致的定义，确保不同度量人员按照此标准进行度量时基本一致。这里经常碰见的问题是组织级的度量定义仅仅给出“概念性的定义 (Conceptual Definition)”，而没有具体操作上的指导，例如谁何时从哪里获取哪些数据等详细的信息。结果是，虽然概念上正确，但操作起来可能五花八门。遵循操作性定义的原则，可以最大限度减少度量偏差，进而确保数据质量。

当然，在这种方法论指导下进行自上而下的梳理后，也要结合企业的实际情况进行度量的定义，特别是企业目前可投入的资源（工具、人力等）。定义比较复杂的度量项时，应该慎重，充分评估实施此度量方案所需的投入再决定是否实施。企业应该遵循“宁缺毋滥”的原则，确保定义的高优先级度量能够充分的高质量的实施，而不是太多的“临时方案”，导致数据价值的降低和将来需要重构和数据集成时的额外工作量。同时应该对重要的，但尚未具备实施条件的度量制定下一步的计划。

CMMI模型的MPM实践域对度量体系建设的过程提出了一系列的最佳实践建议，配合以具体的方法论指导，企业可以很好的保证度量体系和度量数据的质量，为量化过程性能分析和管理提供优质的数据。