度量及改进(二)|学习笔记

简介: 快速学习度量及改进(二)

开发者学堂课程【ALPD 云架构师系列-云原生 DevOps36计度量及改进(二)

】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/82/detail/1300


度量及改进(二)

 

内容介绍

一、持续交付

二、计算逻辑

三、改进

四、愿景目标

五、路径

四、愿景目标

需要针对结果的目标通过流程上的优化,再进行每道工序的改进,最终就可以目标状态例如下图就是愿景目标

 image.png

频率上希望每周发一次;质量上希望每天发新的 build;时间希望一次发布时长不多于一个小时

这个愿景目标可以显示理想的状态,如此才可以基于当前的状态,找到问题相应的改进上文提到的便利贴是针对问题做了相应调整的,绿色便利贴是指愿景目标之后产生出下面面向需求的持续,有需求后需求开发,测试和发布,代码变更流建立起相应关系需求可以自己开发,并直接发布,然后达到相应水平目前在中间阶段有练习阻塞点或较差的工序,就可以通过较好技术手段来改变。

例如之前发布时,通过脚本机子进行,可以通过开发S编排方式分批发布,大多通过手动测试,但其实可以采用自动化测试手段来做。之前开发测试运维都是分开独立的系统但之后可以利用完整的一站式平台来解决将其串起来形成一个整体这个过程中,能够找到目标状态并分析原因,找到原因后即可进行改进。

 

五、路径

就像运动,一旦开始就做不到把业务停下来就算能够停下来,可能运动过去不到半年就回去了所以要找到一个路径,每做一件事情,都能获得到相应的结果,如此比较有信心,每一次有微小的改进即可

1、简单路径

路径很重要,这里一个简单的路径,可见可控可度量加速。

例如这个真实案例。

1)第一部分,做相应能力的补齐。代码质量管理方面,静态扫描可以加进来,成本很低,但结果明显部署能力方面可以将人工部署改成动画部署。这些相对成本很低,原来无法将所有东西打通了,现在可以先打通。

2)后,需要考虑在这个过程中怎样做到持续发布,批量做小一点,发布窗口多一点以便将其及时发出去

3)更好促进角色之间的协同,通过信息的透明化建立信息的可追溯性做好更好的协同并加快响应速度

响应慢大多是在等待,而等待是由于信息延迟无法同步造成,通过信息的透明化追溯可以优化

通过管理的抓手,例如度量性能的基线找到改变的机会 

2、团队能力

很多团队里做这件事情百试百灵。

1)在做能力补齐这件事时,采用从后往前的方式。如果原来的部署有问题,先去把部署解决完毕。解决部署的问题后再解决验证问题,再到集成问题,如此逐步往前。

后续问题慢慢解决时,会给前期的工具带来要求,如此就带来了前期的改进机会,并且前期改进可以在结果上得到呈现先做前面由于没有到最后的结果,所以没有相应反馈

通过这种方式,很容易做相应落地但是对于一个团队来说,一张图一成账一颗心,做所有的事必须胸中有丘壑,有大图。

(1)关于团队的工程能力也有相应的简单矩阵,这里以前的产品设计的矩阵

image.png

从纵轴的角度看,团队是能负责技术模块还是技术组件,还是产品或是系统,因为团队的水平不同,可能只能负责某一块组件很难负责整个系统所以需要从业务领域的角度来理解范围

②对于横向角度来说,更多注重技术能力,只能负责一块模块或件的开发工作还是开发和测试都可以胜任,或能做到集成或发布,或是可以负责整个流程等。

目标是右上方的点,可以检视团队处于哪个方块,计划下一个方块是什么

这个过程中可以把未来定义成目标,当下就是现状。再找到一个改进机会,这时再去定义相应的路径。

相关文章
|
4天前
|
机器学习/深度学习 Python
YOLOv8改进 | 进阶实战篇 | 利用YOLOv8进行过线统计(可用于人 、车过线统计)
YOLOv8改进 | 进阶实战篇 | 利用YOLOv8进行过线统计(可用于人 、车过线统计)
114 0
|
11月前
|
数据挖掘 Serverless
Robust火山图:一种含离群值的代谢组数据差异分析方法
代谢组学中差异代谢物的识别仍然是一个巨大的挑战,并在代谢组学数据分析中发挥着突出的作用。由于分析、实验和生物的模糊性,代谢组学数据集经常包含异常值,但目前可用的差异代谢物识别技术对异常值很敏感。作者这里提出了一种基于权重的具有稳健性火山图方法,助于从含有离群值的代谢组数据中更加准确鉴定差异代谢物。
130 0
|
机器学习/深度学习 人工智能 算法
|
机器学习/深度学习 Python
【番外】负采样原理
【番外】负采样原理
132 0
|
Cloud Native 架构师 Devops
度量及改进(一)|学习笔记
快速学习度量及改进(一)
99 0
度量及改进(一)|学习笔记
|
数据挖掘 大数据 开发者
模型评估和选择(二)| 学习笔记
快速学习模型评估和选择。
134 0
模型评估和选择(二)| 学习笔记
|
数据挖掘 开发者
模型评估和选择(一)| 学习笔记
快速学习模型评估和选择。
107 0
模型评估和选择(一)| 学习笔记
|
机器学习/深度学习 算法 计算机视觉
图像特征提取(上)| 学习笔记
快速学习图像特征提取(上),介绍了图像特征提取(上)系统机制, 以及在实际应用过程中如何使用。
209 0
图像特征提取(上)| 学习笔记
|
存储 编解码 算法
数字图像基础(上)| 学习笔记
快速学习数字图像基础(上),介绍了数字图像基础(上)系统机制, 以及在实际应用过程中如何使用。
167 0
数字图像基础(上)| 学习笔记
|
存储 编解码 图形学
数字图像基础(下)| 学习笔记
快速学习数字图像基础(下),介绍了数字图像基础(下)系统机制, 以及在实际应用过程中如何使用。
535 0
数字图像基础(下)| 学习笔记