软件开发COD引入缺陷预测模型的建立

　　基于ACV和圈复杂度建立COD引入缺陷模型构建的目标如下：

　　1、在项目策划或者COD阶段活动之前，项目经理参考此模型调配项目组成员、安排项目级培训，策划在设计阶段控制圈复杂度，并基于此进行程序设计工作。

　　2、COD阶段开始后，项目管理人员可以根据代码复杂度管理表中的相关要求进行实际圈复杂度数据的收集，并利用此模型进行预测，进行COD过程中的动态编码控制，适当降低系统和程序文件的圈复杂度。

　　基于上述的研究目标进行了建模方法的研究，确定了相应的预测前提和思路。

　　1、通过对动态PPM中数据的敏感度计算结果，COD阶段的引入缺陷数对项目质量的敏感度大，对项目质量目标的达成有较大的影响。

　　2、同时根据相关专家前期对COD阶段引入缺陷数及相关因素的相关性分析结论，COD阶段引入缺陷数与代码规模、圈复杂度、开发人员职级平均值有较强的相关性。

　　3、基于上述结论和成果，考虑选择使用开发人员的具体关键能力预测COD阶段缺陷数量，以期待获得更加可控的PPM模型，采用回归分析的方法建立预测模型。

　　在基础数据收集方面，为了保证数据的同质性，选择同一业务线相关项目进行分析，保证模型的针对性和有效性。实际选择A业务线，基于2008年度至2010年度20余个项目数据进行分析。 　　使用MiniTab 15.1软件中的Pearson计算方法计算了上述相关数据的相关性，终发现COD引入缺陷密度、项目平均圈复杂度和编码&C能力均值有较强的相关性，而项目有效代码行数与COD引入缺陷密度无明显的相关性。

　　基于模型建立的思路和统计分析结果，初步设定数学模型的公式为：

　　Y=a+b×X1+c×X2 （2）

　　其中，Y：COD阶段引入缺陷密度；X1：项目平均圈复杂度；X2：ACV—项目COD阶段所有开发人员的关键能力项（编码&C）的平均值。

　　在相关性分析的基础上，使用MiniTab 15.1进行回归分析，能够初步得到COD阶段引入缺陷密度Y、项目平均圈复杂度X1和项目COD阶段所有开发人员的关键能力项（编码&C）的平均值X2之间的数学关系。

　　通过回归方法得到后的回归方程为：

　　Y=4.81+1.37×X1-3.17×X2 （3）

　　从后的回归方程中我们可以推断：

　　1、项目COD阶段所有开发人员的关键能力项（编码&C）的平均值X2越大，COD阶段引入的缺陷密度越小，那么项目的总体质量会越好；

　　2、项目平均圈复杂度X1越小，COD阶段引入的缺陷密度越小，那么项目的总体质量会越好。

　　下面是使用MiniTab 15.1工具进行回归分析的结果。

　　利用上述模型我们可以在合适的项目中进行应用，比如我们可以在项目策划阶段开始使用模型，通过计算同类项目的平均圈复杂度、拟进入项目组的开发成员的C&编码能力水平来对项目质量进行预测（COD阶段引入缺陷密度）。

　　如果预测的项目质量目标没有达到客户和组织的要求，项目经理可以根据情况调整项目组的成员，将在C&编码能力方面具有更高水平的人员调入项目，以便减少在COD阶段引入的缺陷数量，降低COD阶段引入缺陷密度。同时，我们还可以在系统设计、概要设计和详细设计阶段不断优化软件设计水平，通过降低程序圈复杂度的方式提升项目质量，降低COD阶段引入的缺陷数量和缺陷密度。

　　在COD阶段开始之前项目经理或者技术总监可以通过模型预测COD阶段的缺陷密度，如果发现项目质量存在高风险的问题可以提前采取措施进行缺陷预防。

　　以上提到基于能力的项目质量预测模型在车载导航软件开发中具有一定的普遍意义，相关的分析思路和模型建立的方法可以被应用到软件开发的其他业务领域之中。通过质量预测模型的建立和应用，组织可以不断定量分析、控制其质量目标的制定和达成。