带你读《SAS数据分析开发之道 软件质量的维度》第二章质量2.2软件产品质量模型(四)

简介: 带你读《SAS数据分析开发之道 软件质量的维度》第二章质量2.2软件产品质量模型

质量成本

在软件或其他产品的开发过程中,确实会存在内部的权衡取舍,我们称之为约束条件。PMBOK指南将质量和其他5 个架构作为项目的主要约束条件,但同时也指出,这些约束条件不应该看作是完全详尽的。作为一个约束条件,在软件    项目的规划和设计过程中,质量与其他架构之间存在价值和优先次序的竞争。实际上,开发人员从软件中删除性能时,关注的是他们可以得到所有奇妙的东西!

增加范围     开发人员无须将性能需求编码到软件中,他们关注的是附加的功能性。例如,相比提升 SAS软件的稳健性以避免故障,开发人员可能会选择创建附加分析报告。

安排      性能需求的添加通常会使代码更冗长、更复杂,因此相应的,设计、开发和测试阶段也会延长。若不优先考虑性能,客户和其他利益相关者就能够更快地收到软件。

预算      由于性能需求的执行需要耗费一定的时间,但时间就是金钱,项目预算通常会随着性能需求的增加而增加。通过删除软件中的性能,开发团队能节省一部分预算,或者将节省下来的资金用到其他方面,何其快哉?

资源      项目资源不仅包括人力资源,还包括水电资源。随着性能需求的牺牲,项目所需的开发人员相应也会减少,同时消耗的资源也会减少。

风险      风险不是益处,而是未优先考虑性能时所遇到的意想不到的结果。由于许多性能需求被设计用来减少或消除软件中的漏洞,因此,当忽略性能需求时,风险通常也会随之增加。

尽管约束条件意味着限制性,但我们也可以从机会成本的角度来看待约束条件。例如,开发人员可以在软件中添加性能要求,或者他们可以选择不添加,以生产出速度更快、价格更低廉或功能更强的软件。但若要评估某个机会,我们就需要知道机会的价值所在。因此,本书的一个目标是让开发人员熟悉在软件中插入性能需求的好处,从而帮助他们判定出质量的机会成本。例如,如果利益相关者已经决定执行附加的功能性(因此排除附加的性能,那么利益相关者至少已经弄清楚了所要添加的性能的价值,而且已经根据该性能的机会成本做出了明智的决定。只有当利益相关者了解了质量的价值及质量缺少的风险时,才能对照其他项目约束条件评估质量,如进度、范围和预算。

确定质量的价值是比较困难的,尤其是当软件开发项目中的各个利益相关者对架构的优先顺序存在争议时,质量价值的确定就是一件很棘手的事。投资软件开发的投资者希望用较少的资金创建软件,而等着使用软件的用户则希望软件能迅速地创建完成。一些开发人员比较关注软件的功能,而不是特别在乎性能属性,但其他的   SAS从业人员可能希望软件具有可靠性、稳健性、可维护性及模块化。因此,在软件质量包含哪些特征及如何评估质量(对照其他项目架构)等问题上,达成共识是比较困难的。然而,利益相关者——包括开发人员和非开发人员,如果能使用软件产品质量模型中规定的统一的术语,他们便能更好地讨论质量特征的添加问题。

相关文章
|
3月前
|
机器学习/深度学习 数据采集 数据挖掘
实战派教学:掌握Scikit-learn,轻松实现数据分析与机器学习模型优化!
【10月更文挑战第4天】Scikit-learn凭借高效、易用及全面性成为数据科学领域的首选工具,简化了数据预处理、模型训练与评估流程,并提供丰富算法库。本文通过实战教学,详细介绍Scikit-learn的基础入门、数据预处理、模型选择与训练、评估及调优等关键步骤,助你快速掌握并优化数据分析与机器学习模型。从环境搭建到参数调优,每一步都配有示例代码,便于理解和实践。
129 2
|
28天前
|
运维 监控 安全
公司监控软件:SAS 数据分析引擎驱动网络异常精准检测
在数字化商业环境中,企业网络系统面临复杂威胁。SAS 数据分析引擎凭借高效处理能力,成为网络异常检测的关键技术。通过统计分析、时间序列分析等方法,SAS 帮助企业及时发现并处理异常流量,确保网络安全和业务连续性。
51 11
|
5月前
|
供应链 数据可视化 数据挖掘
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题一
本文详细介绍了第十一届泰迪杯数据挖掘挑战赛B题的解决方案,涵盖了对产品订单数据的深入分析、多种因素对需求量影响的探讨,并建立了数学模型进行未来需求量的预测,同时提供了Python代码实现和结果可视化的方法。
172 3
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题一
|
5月前
|
数据采集 机器学习/深度学习 算法
"揭秘数据质量自动化的秘密武器:机器学习模型如何精准捕捉数据中的‘隐形陷阱’,让你的数据分析无懈可击?"
【8月更文挑战第20天】随着大数据成为核心资源,数据质量直接影响机器学习模型的准确性和效果。传统的人工审查方法效率低且易错。本文介绍如何运用机器学习自动化评估数据质量,解决缺失值、异常值等问题,提升模型训练效率和预测准确性。通过Python和scikit-learn示例展示了异常值检测的过程,最后强调在自动化评估的同时结合人工审查的重要性。
124 2
|
5月前
|
机器学习/深度学习 前端开发 数据挖掘
基于Python Django的房价数据分析平台,包括大屏和后台数据管理,有线性、向量机、梯度提升树、bp神经网络等模型
本文介绍了一个基于Python Django框架开发的房价数据分析平台,该平台集成了多种机器学习模型,包括线性回归、SVM、GBDT和BP神经网络,用于房价预测和市场分析,同时提供了前端大屏展示和后台数据管理功能。
130 9
|
5月前
|
数据采集 存储 监控
数据驱动开发:如何将数据分析融入开发流程
【8月更文挑战第14天】数据驱动开发是一种高效、智能的软件开发方法论,它通过将数据分析深度融入开发流程中,实现了精准决策、提升效率和持续改进的目标。为了成功实施数据驱动开发,团队需要明确数据需求、设计合理的数据架构、集成数据收集工具、实施CI/CD流程、进行数据分析与决策支持以及建立反馈循环机制。同时,还需要应对数据质量、技术和组织与文化等挑战。通过不断努力和实践,团队可以逐步建立起完善的数据驱动开发体系,推动产品不断迭代升级和业务持续增长。
|
5月前
|
机器学习/深度学习 数据采集 数据可视化
【python】python母婴数据分析模型预测可视化(数据集+论文+PPT+源码)【独一无二】
【python】python母婴数据分析模型预测可视化(数据集+论文+PPT+源码)【独一无二】
|
5月前
|
机器学习/深度学习 数据采集 数据挖掘
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题二
本文提供了第十一届泰迪杯数据挖掘挑战赛B题问题二的详细解题步骤,包括时间序列预测模型的建立、多元输入时间预测问题的分析、时间序列预测的建模步骤、改进模型的方法,以及使用Python进行SARIMA模型拟合和预测的具体实现过程。
126 1
|
5月前
|
供应链 算法 数据挖掘
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 23页论文及实现代码
本文介绍了2023年第十一届泰迪杯数据挖掘挑战赛B题的解决方案,深入分析了产品订单数据,并使用Arimax和Var模型进行了需求预测,旨在为企业供应链管理提供科学依据,论文共23页并包含实现代码。
190 0
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 23页论文及实现代码
|
6月前
|
机器学习/深度学习 算法 数据挖掘
从零到精通:Scikit-learn在手,数据分析与机器学习模型评估不再难!
【7月更文挑战第25天】在数据科学中,模型评估是理解模型泛化能力的关键。对新手来说,众多评估指标可能令人困惑,但Scikit-learn简化了这一过程。
66 2