一种基于机器学习的研发效能度量方法和系统技术方案

本发明专利技术公开了一种基于机器学习的研发效能度量方法和系统。其首先获取研发过程数据，其中，所述研发过程数据包括代码、文档、需求、测试、缺陷和版本控制，接着，对所述研发过程数据进行基于统计的特征提取以得到多个研发过程统计特征，其中，所述多个研发过程统计特征包括代码行数、缺陷数、提交频率和代码复杂度，然后，使用机器学习模型对所述多个研发过程统计特征进行关联分析以得到研发效能度量值。这样，可以通过数据收集，基于机器学习进行效能指标定义并通过算法模型来度量过程效能，从而可基于效能度量值来进行可能的风险预警，从而提升整体研发效能。提升整体研发效能。提升整体研发效能。

【技术实现步骤摘要】
一种基于机器学习的研发效能度量方法和系统


[0001]本申请涉及研发效能度量领域，且更为具体地，涉及一种基于机器学习的研发效能度量方法和系统。

技术介绍

[0002]研发效能是指软件开发团队在完成项目目标的过程中，所表现出的效率和质量。研发效能的度量是为了评估团队的工作状态，发现问题和改进点，提高研发效率和质量。传统的研发效能度量方法主要依赖于人工收集和分析各种指标，如代码行数、缺陷数、提交频率、代码复杂度等。这些方法存在一些缺陷，如数据收集不完整、指标不一致、分析结果主观等。
[0003]因此，期待一种优化的研发效能度量方案。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于机器学习的研发效能度量方法和系统。其可以通过数据收集，基于机器学习进行效能指标定义并通过算法模型来度量过程效能，从而可基于效能度量值来进行可能的风险预警，从而提升整体研发效能。
[0005]根据本申请的一个方面，提供了一种基于机器学习的研发效能度量方法，其包括：
[0006]获取研发过程数据，其中，所述研发过程数据包括代码、文档、需求、测试、缺陷和版本控制；
[0007]对所述研发过程数据进行基于统计的特征提取以得到多个研发过程统计特征，其中，所述多个研发过程统计特征包括代码行数、缺陷数、提交频率和代码复杂度；以及
[0008]使用机器学习模型对所述多个研发过程统计特征进行关联分析以得到研发效能度量值。
[0009]根据本申请的另一个方面，提供了一种基于机器学习的研发效能度量系统，其包括：
[0010]数据获取模块，用于获取研发过程数据，其中，所述研发过程数据包括代码、文档、需求、测试、缺陷和版本控制；
[0011]特征提取模块，用于对所述研发过程数据进行基于统计的特征提取以得到多个研发过程统计特征，其中，所述多个研发过程统计特征包括代码行数、缺陷数、提交频率和代码复杂度；以及
[0012]关联分析模块，用于使用机器学习模型对所述多个研发过程统计特征进行关联分析以得到研发效能度量值。
[0013]与现有技术相比，本申请提供的基于机器学习的研发效能度量方法和系统，其首先获取研发过程数据，其中，所述研发过程数据包括代码、文档、需求、测试、缺陷和版本控制，接着，对所述研发过程数据进行基于统计的特征提取以得到多个研发过程统计特征，其
中，所述多个研发过程统计特征包括代码行数、缺陷数、提交频率和代码复杂度，然后，使用机器学习模型对所述多个研发过程统计特征进行关联分析以得到研发效能度量值。这样，可以通过数据收集，基于机器学习进行效能指标定义并通过算法模型来度量过程效能，从而可基于效能度量值来进行可能的风险预警，从而提升整体研发效能。
附图说明
[0014]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
[0015]图1为根据本申请实施例的基于机器学习的研发效能度量方法的流程图。
[0016]图2为根据本申请实施例的基于机器学习的研发效能度量方法的架构示意图。
[0017]图3为根据本申请实施例的基于机器学习的研发效能度量方法的子步骤S120的流程图。
[0018]图4为根据本申请实施例的基于机器学习的研发效能度量方法的子步骤S130的流程图。
[0019]图5为根据本申请实施例的基于机器学习的研发效能度量方法进一步包括的训练步骤的流程图。
[0020]图6为根据本申请实施例的基于机器学习的研发效能度量系统的框图。
[0021]图7为根据本申请实施例的基于机器学习的研发效能度量方法的应用场景图。
具体实施方式
[0022]下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
[0023]如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0024]虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
[0025]本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0026]下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0027]研发效能是指在研发过程中，以最少的资源和时间，实现最大的产出和价值的能力。它衡量了一个组织或团队在研发活动中的效率和效果。研发效能可以通过以下几个方面来衡量：1.项目交付时间，研发效能高的团队能够按时交付项目，遵守预定的时间表，他们能够高效地组织和安排工作，合理分配资源，避免延迟和拖延；2.资源利用率，研发效能高的团队能够有效地利用资源，包括人力、物力和财力资源。他们能够合理规划和管理资源，避免资源的浪费和闲置；3.创新能力，研发效能高的团队具备较强的创新能力，能够提出新的想法和解决方案，并将其转化为实际的产品或服务，他们能够不断地进行技术研究和创新实践，保持竞争优势；4.质量和可靠性，研发效能高的团队能够保证产品或服务的质量和可靠性，他们能够进行全面的测试和验证，及时修复漏洞和问题，确保产品或服务符合用户的需求和期望；5.团队协作和沟通，研发效能高的团队能够良好地协作和沟通，他们能够有效地分工合作，充分利用团队成员的专业知识和技能。
[0028]但传统的研发效能度量方法存在一些缺陷，其原因主要有以下几点：1.数据收集不完整，传统方法需要人工收集各种指标数据，但由于人力和时间的限制，数据收集可能不完整或不准确，这可能导致评估结果的偏差，无法全面反映团队的实际情况；2.指标不一致，不同的团队可能对研发效能有不同的理解和关注点，因此选择的指标也可能存在差异，这样就导致了度量结果的不可比性，难以进行有效的比较和分析；3.分析结果主观：传统方法中的数据分析通常依赖于人工的主观判断，可能存在个人偏见或主观评估的问题，这样就无法得到客观准确的评估结果，影响了改进决策的科学性和有效性；4.忽视软件开发过程的细节，传统方法通常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的研发效能度量方法，其特征在于，包括：获取研发过程数据，其中，所述研发过程数据包括代码、文档、需求、测试、缺陷和版本控制；对所述研发过程数据进行基于统计的特征提取以得到多个研发过程统计特征，其中，所述多个研发过程统计特征包括代码行数、缺陷数、提交频率和代码复杂度；以及使用机器学习模型对所述多个研发过程统计特征进行关联分析以得到研发效能度量值。2.根据权利要求1所述的基于机器学习的研发效能度量方法，其特征在于，对所述研发过程数据进行基于统计的特征提取以得到多个研发过程统计特征，包括：对所述研发过程数据进行清洗和整理以得到预处理后研发过程数据；以及对所述预处理后研发过程数据进行基于统计的特征提取以得到所述多个研发过程统计特征。3.根据权利要求2所述的基于机器学习的研发效能度量方法，其特征在于，使用机器学习模型对所述多个研发过程统计特征进行关联分析以得到研发效能度量值，包括：将所述多个研发过程统计特征排列为研发过程统计特征输入向量；使用所述机器学习模型对所述研发过程统计特征输入向量进行局部邻域关联特征提取以得到研发过程指标间关联模式特征向量；以及基于所述研发过程指标间关联模式特征向量，生成所述研发效能度量值。4.根据权利要求3所述的基于机器学习的研发效能度量方法，其特征在于，所述机器学习模型为基于一维卷积神经网络模型的关联特征提取器。5.根据权利要求4所述的基于机器学习的研发效能度量方法，其特征在于，使用所述机器学习模型对所述研发过程统计特征输入向量进行局部邻域关联特征提取以得到研发过程指标间关联模式特征向量，包括：将所述研发过程统计特征输入向量输入所述基于一维卷积神经网络模型的关联特征提取器以得到所述研发过程指标间关联模式特征向量。6.根据权利要求5所述的基于机器学习的研发效能度量方法，其特征在于，基于所述研发过程指标间关联模式特征向量，生成所述研发效能度量值，包括：将所述研发过程指标间关联模式特征向量通过解码器以得到解码值，所述解码值用于表示研发效能度量值。7.根据权利要求6所述的基于机器学习的研发效能度量方法，其特征在于，还包括对所述基于一维卷积神经网络模型的关联特征提取器和所述解码器进行训练的训练步骤。8.根据权利要求7所述的基于机器学习的研发效能度量方...

【专利技术属性】
技术研发人员：陶嘉驹，陈煜，张雪，
申请(专利权)人：杭银消费金融股份有限公司，
类型：发明
国别省市：