关于外包团队的质量管理

简介:

我以前也做外包的,不过我是乙方,就是你说的A,或B的位置。 
在工作中,承包方最头疼的就是甲方的需求变更,因此,对于需求变更,要价都很高,我们以前是每次变更,5k起,哪怕只改一句话,也是这么多,工作量大的话,还要加。 
这也是没办法,因为有很多时候,甲方在制定规范时的漫不经心,导致后期我们很多重复的工作,浪费了时间和精力。 
但是,这并不说明这是正常现象,也不是说没有办法控制。 
我最近几年,做团队工作多一点,在带团队时,很多时候给小弟布置任务,就有点类似这种外包。因此,也慢慢摸索了一些办法,这里提出来供LZ参考,一家之言哈,不一定准确。 
1、代码可以外包,但设计一定不要外包,外包,是解决本公司低阶劳动力资源紧缺问题,不是什么事情一推了之,自己不做事,全部别人做,这样的话,我们自己就没有存在价值了。 
2、设计时,系统架构,拓扑图、时序分析一定要自己做,并做大量的样例验证,首先要保证设计本身是正确的。 
3、在正确设计的基础上,规定各个模块接口的api和npi,以及关键数据结构。这里面又包括内存表结构,数据库表结构,网路信令规定。 
4、对于特定模块的关键算法,即和设计密切相关的算法,做出规定,即要求该模块一定要以该算法实现,同时,如果有本公司自己的底层库,可以将底层库的执行版提供给乙方,规定底层库中有的功能,自行设计不予计费。 
5、写出每个模块的test case,并且开始安排内部的程序员写测试程序,写测试程序的时候,可以先按照前文的api、npi写出分模块的虚拟模块,即有框架,但不实现功能,仅仅保证测试程序本身能正常运行。 
6、在这些基础做好的基础上,可以考虑分模块外包。签订合同时,一般双方就设计方案详细讨论的基础上,确认无误,签字。甲方提供测试程序给乙方。 
7、一般做生意,都还是讲人情啦,因此,一般谈下来,大家可以约定1~3次免费需求变更的机会,但这里有个条件,就是如果变更来自客户,甲方已经多收了钱,则不免费。 
8、一般这样做下来,模块级基本问题不大,但整合一般都有问题,因此,合同规定,整合期内的修改,原则上不再付任何费用。乙方有责任帮助甲方将模块整合成为产品。 
10、基本就这么多了,下面一般是套话,未尽事宜,双方本着平等互利的原则,友好协商解决等。

另外,还有一个细节,其实甲方很多时候不一定保证设计一定是正确的,在模块实施时,很多时候能发现,甲方的设计不合理,乙方很可能提出修改意见,还有的是乙方按照甲方设计要求做出来了,但性能跟不上,需要重新设计。 
这是最容易引起争议的地方,原则上,这些是甲方的责任,我们一般执行的是修改工作量1人/天内,不算钱,超过,甲方就要付费,付费的也看工作量,一般不涉及模块废除的,就计算工作量,但如果有已经完成模块报废,基本上就要5k起了。

本文转自 tonyxiaohome 51CTO博客,原文链接:http://blog.51cto.com/tonyxiaohome/198487 ,如需转载请自行联系原作者

相关文章
|
8月前
|
人工智能 开发者
文章和 PPT 配图有救了!SVG 绘图专家智能体大揭秘
本文分享如何使用 DeepSeek-V3-0324 和 Claude 3.5 或 3.7 绘制出高质量的图片,可以作为文章配图也可以为 PPT 配图,效率成倍增长。文章还介绍了原型图绘制、图片重绘修改和彩色报纸风的进阶案例。希望本文提供的技巧对大家有帮助,大家也可以修改提示词定制自己喜欢的风格。
656 13
|
12月前
|
机器学习/深度学习 监控 算法
机器学习在图像识别中的应用:解锁视觉世界的钥匙
机器学习在图像识别中的应用:解锁视觉世界的钥匙
1554 95
|
8月前
|
缓存 安全 测试技术
|
机器学习/深度学习 编解码 负载均衡
MoH:融合混合专家机制的高效多头注意力模型及其在视觉语言任务中的应用
本文提出了一种名为混合头注意力(MoH)的新架构,旨在提高Transformer模型中注意力机制的效率。MoH通过动态注意力头路由机制,使每个token能够自适应选择合适的注意力头,从而在减少激活头数量的同时保持或提升模型性能。实验结果显示,MoH在图像分类、类条件图像生成和大语言模型等多个任务中均表现出色,尤其在减少计算资源消耗方面有显著优势。
420 1
|
机器学习/深度学习 算法 数据挖掘
【Python机器学习专栏】层次聚类算法的原理与应用
【4月更文挑战第30天】层次聚类是数据挖掘中的聚类技术,无需预设簇数量,能生成数据的层次结构。分为凝聚(自下而上)和分裂(自上而下)两类,常用凝聚层次聚类有最短/最长距离、群集平均和Ward方法。优点是自动确定簇数、提供层次结构,适合小到中型数据集;缺点是计算成本高、过程不可逆且对异常值敏感。在Python中可使用`scipy.cluster.hierarchy`进行实现。尽管有局限,层次聚类仍是各领域强大的分析工具。
967 3
|
图形学 C++ C#
Unity插件开发全攻略:从零起步教你用C++扩展游戏功能,解锁Unity新玩法的详细步骤与实战技巧大公开
【8月更文挑战第31天】Unity 是一款功能强大的游戏开发引擎,支持多平台发布并拥有丰富的插件生态系统。本文介绍 Unity 插件开发基础,帮助读者从零开始编写自定义插件以扩展其功能。插件通常用 C++ 编写,通过 Mono C# 运行时调用,需在不同平台上编译。文中详细讲解了开发环境搭建、简单插件编写及在 Unity 中调用的方法,包括创建 C# 封装脚本和处理跨平台问题,助力开发者提升游戏开发效率。
1447 0
|
存储 缓存 中间件
高可用之全链路压测
【2月更文挑战第30天】全链路压测是提升系统可用性的关键方法,它模拟真实流量和业务场景在生产环境中测试,确保性能、容量和稳定性。
|
NoSQL Java 关系型数据库
模拟内存溢出&通过MAT分析
模拟内存溢出&通过MAT分析
模拟内存溢出&通过MAT分析
|
安全 Unix Linux
全网最全安全加固指南之linux系统加固
全网最全安全加固指南之linux系统加固
2498 0
|
数据可视化 测试技术 定位技术
全链路压测(14):生产全链路压测SOP
从实践经验的角度出发,生产全链路压测在技术实现上没有太多新花样,但要在不同的业务和企业落地,就各有各的实践路径。对于没有太多经验的同学来说,全链路压测的落地,大多还是基于个人的经验和熟悉的领域,即都是在局部作战,缺乏全局的视角和可视化地图。从全局来讲,缺少适用于自己的全链路压测最佳实践。
全链路压测(14):生产全链路压测SOP