CMMI能力成熟度模型集成的过程域

简介: 什么是CMMI   CMMI全称是Capability Maturity Model Integration, 即能力成熟度模型集成,是由美国国防部(Office of the Secretary of Defense)与卡内基-梅隆大学(Carnegie Mellon University...

 

什么是CMMI

  CMMI全称是Capability Maturity Model Integration, 即能力成熟度模型集成,是由美国国防部(Office of the Secretary of Defense)与卡内基-梅隆大学(Carnegie Mellon University)和美国国防工业协会(National Defense Industrial Association)共同开发的一个过程改进方法(process improvement approach),它向组织提供用于有效的过程改进的基本元素(provides organizations with the essential elements for effective process improvement),帮助组织提供绩效(help organizations improve their performance)。按照卡内基-梅隆大学软件工程研究所的说法,CMMI帮助“集成传统独立的组织功能,设置过程改进目标和优先级,为质量过程提供指引,并为评价当前过程提供一个参考点”。("integrate traditionally separate organizational functions, set process improvement goals and priorities, provide guidance for quality processes, and provide a point of reference for appraising current processes.")

  “CMMI”是CMM(Capability Maturity Model,能力成熟度模型)的接替者。“CMM”自1987年开始开发,一直持续到1997年。在2002年,CMMI1.1版发布,随后1.2版本在2006年8月发布,而1.3版本则于2010年11月发布。

 

三大领域

  “CMMI”目前致力于三个领域的模型:

  产品和服务开发—CMMI开发模型(英文:CMMI for Development,简称 CMMI-DEV),该模型是目前在全国使用最广的模型,通常说的CMMI模型即指该模型,该模型主要用于软件工程、硬件工程、系统工程等产品开发领域。该模型基本上覆盖了产品研发的各个过程领域,包括:项目管理、需求、设计、开发、验证、确认、配置管理、质量保证、决策分析以及对研发的改进和培训等一系列活动。

  服务建立、管理和交付—CMMI服务模型(英文:CMMI for Service,简称 CMMI-SVC)该模型可以用于任何服务行业,包括IT服务、医疗卫生、教育、餐饮酒店等各类服务领域。

  产品和服务采购—CMMI采购模型(英文:CMMI for Acquisition,简称 CMMI-ACQ)。该模型适用于政府、电信、金融等各领域的采购管理。

 

CMMI实施

  CMMI实施时有连续式(continuous)和阶段式(staged)两种改进实施方式。在阶段式中有五个等级。由于第一级“初始级”是组织的初始状态(可以认为每一个没有通过CMMI评估的公司或组织都处于“初始级”),故成熟度级别评定从2到5级被授予。

 

成熟度级别(Maturity levels)与过程区域(Process Area)

过程区域是那些将被组织的过程所覆盖的区域。下面列出了在所有CMMI中出现的过程区域。

CMMI开发模型

成熟度级别1 -Initial初始级

成熟度级别2 -Managed管理级

  • CM - 配置管理(Configuration Management)
  • MA - 度量和分析(Measurement and Analysis)
  • PMC - 项目监督与控制(Project Monitoring and Control)
  • PP - 项目计划(Project Planning)
  • PPQA - 过程和产品质量保证(Process and Product Quality Assurance)
  • REQM - 需求管理(Requirements Management)
  • SAM - 供应商协议管理(Supplier Agreement Management)

成熟度级别3 -Defined定义级

  • DAR - 决策分析与解决方案(Decision Analysis and Resolution)
  • IPM - 集成项目管理(Integrated Project Management)
  • OPD - 组织过程定义(Organizational Process Definition)
  • OPF - 组织过程焦点(Organizational Process Focus)
  • OT - 组织培训管理(Organizational Training)
  • PI - 产品集成(Product Integration)
  • RD - 需求开发(Requirements Development)
  • RSKM - 风险管理(Risk Management)
  • TS - 技术解决方案(Technical Solution)
  • VAL - 验证(Validation)
  • VER - 确认(Verification)

成熟度级别4 -Quantitatively Managed量化管理级

  • OPP - 组织过程绩效(Organizational Process Performance)
  • QPM -  量化项目管理(Quantitative Project Management)

成熟度级别5 -Optimizing优化级

  • CAR - 原因分析与解决(Causal Analysis and Resolution)
  • OPM - 组织绩效管理(Organizational Performance Management)

 

CMMI服务模型

成熟度级别1 -Initial初始级

成熟度级别2 -Managed管理级

  • CM - 配置管理(Configuration Management)
  • MA - 度量和分析(Measurement and Analysis)
  • PPQA - 过程和项目质量保证(Process and Product Quality Assurance)
  • REQM - 需求管理(Requirements Management)
  • SAM - 供应商协议管理(Supplier Agreement Management)
  • SD - 服务交付(Service Delivery)
  • WMC - 工作监控(Work Monitoring and Control)
  • WP - 工作计划(Work Planning)

成熟度级别3 -Defined定义级

  • CAM - 容量和可用性管理(Capacity and Availability Management)
  • DAR - 决策分析与解决方案(Decision Analysis and Resolution)
  • IRP - 突发时间解决和预防(Incident Resolution and Prevention)
  • IWM - 集成工作管理(Integrated Work Management)
  • OPD - 组织过程定义(Organizational Process Definition)
  • OPF - 组织过程焦点(Organizational Process Focus)
  • OT - 组织培训管理(Organizational Training)
  • RSKM - 风险管理(Risk Management)
  • SCON - 服务持续性(Service Continuity)
  • SSD - 服务系统开发(Service System Development)
  • SST - 服务系统转变(Service System Transition)
  • STSM - 战略服务管理(Strategic Service Management)

成熟度级别4 -Quantitatively Managed量化管理级

  • OPP - 组织过程绩效(Organizational Process Performance)
  • QWM - 量化工作管理(Quantitative Work Management)

成熟度级别5 -Optimizing优化级

  • CAR - 原因分析与解决(Causal Analysis and Resolution)
  • OPM - 组织绩效管理(Organizational Performance Management)

 

CMMI采购模型

成熟度级别1 -Initial初始级

成熟度级别2 -Managed管理级

  • AM - 协议管理(Agreement Management)
  • ARD - 采购需求开发(Acquisition Requirements Development)
  • CM - 配置管理(Configuration Management)
  • MA - 度量和分析(Measurement and Analysis)
  • PMC - 项目监督与控制(Project Monitoring and Control)
  • PP - 项目计划(Project Planning)
  • PPQA - 过程和产品质量保证(Process and Product Quality Assurance)
  • REQM - 需求管理(Requirements Management)
  • SSAD - 招标与供应商协议发展(Solicitation and Supplier Agreement Development)

成熟度级别3 -Defined定义级

  • ATM - 采购技术管理(Acquisition Technical Management)
  • AVAL - 采购验证(Acquisition Validation)
  • AVER - 采购确认(Acquisition Verification)
  • DAR - 决策分析与解决方案(Decision Analysis and Resolution)
  • IPM - 集成项目管理(Integrated Project Management)
  • OPD - 组织过程定义(Organizational Process Definition)
  • OPF - 组织过程焦点(Organizational Process Focus)
  • OT - 组织培训管理(Organizational Training)
  • RSKM - 风险管理(Risk Management)

成熟度级别4 -Quantitatively Managed量化管理级

  • OPP - 组织过程绩效(Organizational Process Performance)
  • QPM -  量化项目管理(Quantitative Project Management)

成熟度级别5 -Optimizing优化级

  • CAR - 原因分析与解决(Causal Analysis and Resolution)
  • OPM - 组织绩效管理(Organizational Performance Management)

 

 下图展示了CMMI各个模型间的过程区域的关系:

目录
相关文章
|
3月前
|
API UED 开发者
如何在Uno Platform中轻松实现流畅动画效果——从基础到优化,全方位打造用户友好的动态交互体验!
【8月更文挑战第31天】在开发跨平台应用时,确保用户界面流畅且具吸引力至关重要。Uno Platform 作为多端统一的开发框架,不仅支持跨系统应用开发,还能通过优化实现流畅动画,增强用户体验。本文探讨了Uno Platform中实现流畅动画的多个方面,包括动画基础、性能优化、实践技巧及问题排查,帮助开发者掌握具体优化策略,提升应用质量与用户满意度。通过合理利用故事板、减少布局复杂性、使用硬件加速等技术,结合异步方法与预设缓存技巧,开发者能够创建美观且流畅的动画效果。
80 0
|
3月前
|
开发者 算法 虚拟化
惊爆!Uno Platform 调试与性能分析终极攻略,从工具运用到代码优化,带你攻克开发难题成就完美应用
【8月更文挑战第31天】在 Uno Platform 中,调试可通过 Visual Studio 设置断点和逐步执行代码实现,同时浏览器开发者工具有助于 Web 版本调试。性能分析则利用 Visual Studio 的性能分析器检查 CPU 和内存使用情况,还可通过记录时间戳进行简单分析。优化性能涉及代码逻辑优化、资源管理和用户界面简化,综合利用平台提供的工具和技术,确保应用高效稳定运行。
83 0
|
3月前
|
机器学习/深度学习
【机器学习】模型融合Ensemble和集成学习Stacking的实现
文章介绍了使用mlxtend和lightgbm库中的分类器,如EnsembleVoteClassifier和StackingClassifier,以及sklearn库中的SVC、KNeighborsClassifier等进行模型集成的方法。
55 1
|
4月前
|
机器学习/深度学习 分布式计算 算法
Java中的机器学习模型集成与训练实践
Java中的机器学习模型集成与训练实践
|
5月前
|
机器学习/深度学习 人工智能 Java
Java与AI集成开发:机器学习模型部署
Java与AI集成开发:机器学习模型部署
|
4月前
|
机器学习/深度学习 数据采集 TensorFlow
深度学习与传统模型的桥梁:Sklearn与Keras的集成应用
【7月更文第24天】在机器学习领域,Scikit-learn(Sklearn)作为经典的传统机器学习库,以其丰富的预处理工具、模型选择和评估方法而闻名;而Keras作为深度学习领域的明星框架,以其简洁易用的API,支持快速构建和实验复杂的神经网络模型。将这两者结合起来,可以实现从传统机器学习到深度学习的无缝过渡,充分发挥各自的优势,打造更强大、更灵活的解决方案。本文将探讨Sklearn与Keras的集成应用,通过实例展示如何在Sklearn的生态系统中嵌入Keras模型,实现模型的训练、评估与优化。
121 0
|
5月前
|
机器学习/深度学习 人工智能 自然语言处理
【机器学习】集成语音与大型语音模型等安全边界探索
【机器学习】集成语音与大型语音模型等安全边界探索
269 5
|
4月前
|
机器学习/深度学习 PyTorch TensorFlow
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
|
4月前
|
机器学习/深度学习 人工智能 分布式计算
Java中的机器学习模型集成与训练
Java中的机器学习模型集成与训练
|
4月前
|
机器学习/深度学习 算法 Java
Java中的机器学习模型集成与训练策略
Java中的机器学习模型集成与训练策略