前言

在能力成熟度整合模式（Capability Maturity Model Integration, CMMI）的量化管理級（ML4）中，必須符合組織流程績效（Organizational Process Performance, OPP）、量化專案管理（Quantitative Project Management, QPM）兩個流程領域的規範。其目的是蒐集與統計子流程績效的度量數據，透過一連串的計算分析過程(如：管制圖等)，建立流程績效基準與流程績效模式。

然而，我們不能保證所選擇的子流程為可度量的指標。在運用統計技術分析流程績效的度量數據之前，必須先確定此數據是符合規範的。因此，可運用統計分析技術，對度量數據資料進行檢定驗證的動作。

利用統計方法進行度量資料的檢定

以台灣目前的環境而言，要由CMMI的標準化進入高成熟度等級需要相當程度的門檻，對於選定度量指標與分析技術時經常會不知從何開始。以下將介紹一種度量資料的檢定方法，並按照執行先後次序，說明過程中需要注意的步驟：

一、收集數據及前置作業

在開始之前，必須先確定已經設定組織、專案目標，並已經選定納入組織流程績效的流程或子流程，然後進行數據收集的動作。

二、制定度量分析計畫

受到資訊組織大小的限制，雖然可收集到的樣本大小有所限制，但仍需根據分析的對象來制定對指標抽樣的頻率，例如：組織可間隔1個月或1季來收集樣本，並分別收集5至10種的指標數據。而專案則根據專案階段或者功能點(Function Point)做切割，分別收集各專案階段對應的指標數據。一組指標數據建議至少收集20~25個以上的樣本，較容易偵測出細微的變動。

然後，根據組織或專案所要分析的對象，排定度量分析計畫，根據時程做數據的收集和統計分析。如表一的範例。

三、使用統計方式驗證

1.直方圖分析

藉由直方圖，可以觀察數據分布的離散情形，以了解數據分布是否有異常情形。收集度量分析對象的樣本數據，並使用SPSS或Minitab等統計工具繪製直方圖。所收集的樣本分組數，可使用數學家史特吉斯(Sturges)所提出的公式來決定，假設樣本數n、分組數k，其公式為：

k = 1 + 3.32 log n

若樣本數為100則

k = 1 + 3.32 log 100 = 1 + 3.32(2) = 7.64

表示約分為7至8組為佳。

參考圖一的範例，可藉由一個直方圖了解人力變化之分布情形。此範例可觀察到一個較高的人力變化(0.5)，此時即可根據專案出現人力變化異常的點進行改善。

另外，可加上常態分布曲線來評斷數據是否合理分布，如圖二是一組使用常態分布曲線的生產力直方圖示例。

2.趨勢圖分析

藉由趨勢圖，可以觀察樣本資料是否隨時間變化呈現某種動態趨勢，如圖三。並判斷是否有異常趨勢情形，例如：是否有循環、趨勢、流程變更、不穩定、群聚與分類等現象。以下將舉出兩例來說明趨勢圖的判讀方式：

如圖四，是一個人力變化的數據呈現上升趨勢的趨勢圖，出現此種狀況，表示人力變動的幅度越來越劇烈，表示品質飄移幅度逐步上升，需進一步了解問題發生的原因。

另外，如圖五是一個呈現循環的趨勢圖，表示可能出現週期性的問題，在特定時段人力的變動會較為劇烈，而過了一段時間又趨於穩定。這種現象可能會出現在定期的開發環境之變更時，但是仍必須了解問題發生的原因。

3.檢驗數據是否符合常態分配

為了檢驗是否符合常態分配，可使用Anderson Darling Test來協助檢驗。

利用對應的p值來檢定該數據是否符合選擇的分佈，如果p值小於決定的alpha值(一般為0.05)，則否定虛無假設（數據不符合該分佈）。

可使用MiniTab統計工具的Normality Test功能，透過計算的近似極限分佈值，對照圖六表格之(1.0+0.75/n+2.25/n2)欄位，即可知道檢定結果數據之分佈。這裡使用MiniTab統計軟體來計算一個例子，其顯示結果的P值如果大於0.05，即表示符合常態分配，如圖七。

總結

使用本篇所介紹的方法，可確保組織在建立度量指標之前，數據已經過一定程度的驗證，保證數據來源的正確性。在導入CMMI的ML4時，將可減少統計方面所遇到的問題。

參考資料

1.Anderson, T. W.; Darling, D. A. (1952). "Asymptotic theory of certain "goodness-of-fit" criteria based on stochastic processes". Annals of Mathematical Statistics 23: 193–212.

2.M. A. Stephens (1986). "Tests Based on EDF Statistics". In D'Agostino, R.B. and Stephens, M.A.. Goodness-of-Fit Techniques. New York: Marcel Dekker.