Polku 04Oppitunti 10 / 10

Mittaa toimitusjärjestelmää

Yhdistä työn virtaus, häiriöt, palvelun tulokset ja työmäärä. Määrittele mittarit tarkasti, kun arvioit AI:n vaikutusta.

Käytännön työ10 minTarkistettu

Julkaisija Näin kirjoitamme

Mitä opit

  • Erotat toimituskyvyn koodin generointimäärästä.
  • Tulkitset mittaria tapahtumamääritelmän ja rajauksen avulla.
  • Käytät mittausta parannuksen valintaan yksilöiden järjestämisen sijaan.

Aloita tarvittavasta päätöksestä

Tiimi haluaa tietää, parantaako AI toimitusta. Generoitujen koodirivien laskeminen vastaa eri kysymykseen. Määritä hyödyllinen lopputulos ja laatuehdot ennen mittarin valintaa.

Kuvitteellisessa vientipalvelussa tavoite on hyväksyttyjen muutosten luotettava toimitus pienemmällä kokonaistyöllä. Kirjaa valmistelu, toteutus, review, korjaus ja odotus. Ota mukaan epäonnistuneet ja hylätyt muutokset.

Valitse yksi selvästi rajattu palvelu. Kokeellisen verkkosivun ja kriittisen maksupalvelun yhdistäminen voi tuottaa luvun, joka ei selitä kumpaakaan. Kuvaa konteksti ennen jaksojen tai tiimien vertailua.

Käytä nykyisiä määritelmiä

DORAn nykyisessä toimitusmallissa on viisi mittaria. Ne kuvaavat toimituskykyä, eivät jokaisen ominaisuuden arvoa tai yksilön panosta. DORAn mittarimääritelmät.

MittariMitattava asia
Change lead timeCommitista tuotantoon
Deployment frequencyTuotantojulkaisujen tahti
Failed deployment recovery timePalautuminen epäonnistuneesta deploymentista
Change fail rateVälitöntä puuttumista vaativat julkaisut
Deployment rework rateTuotantohäiriön aiheuttamat suunnittelemattomat julkaisut

Dashboard voi käyttää eri määritelmää. Lue se ennen tulkintaa. Taigan nykyinen deployment-dokumentaatio kuvaa neljä toimittajan deployment-tapahtumista laskettua mittaria. Palautumismittari käyttää seuraavaa onnistunutta deploymentia. Se ei kata kaikkia tuotantohäiriöitä. Taigan määritelmät.

Tutki kuvitteellista muutosjoukkoa

Palvelulla on kuukaudessa kaksitoista deploymentia. Kahdeksan toimittaa suunniteltua työtä. Neljä korjaa aiempien julkaisujen ongelmia. Määrä on kaksitoista, mutta sen koostumus on olennainen.

Seuraavassa kuussa julkaisuja on kymmenen: yhdeksän suunniteltua muutosta ja yksi korjaus. Pienempi deployment-määrä voi liittyä suurempaan hyödylliseen tuotokseen. Luvut havainnollistavat tulkintaa eivätkä ole benchmark.

Tarkastele myös jakaumaa. Pitkä review-odotus voi kadota keskiarvoon. Yhden virheen palautumisaika on heikko peruste ennustaa luotettavuutta. Ilmoita havaintojen määrä ja olennaiset poikkeukset.

Yhdistä virtaus seurauksiin

Tarkista palvelusignaaleista toimitusmuutosten vaikutus käyttäjiin. Nopeampi pipeline ei riitä, jos viennit epäonnistuvat useammin. Käytä sopivaa SLO:ta tai muuta selvästi määriteltyä tulosmittaria. SLO-ohje.

Review-työ ja uudelleentyö auttavat selittämään tulosta. Jos AI lyhentää toteutusta mutta tuottaa suuria diffejä, review voi rajoittaa virtausta. Jos ympäristöä odotetaan päiviä, nopeampi koodaus ei ehkä lyhennä toimitusaikaa.

Valitse havaittuun rajoitteeseen kohdistuva parannus, kuten tuettu testiympäristö tai pienempi muutoskoko. Määritä vastamittari, joka paljastaa tarkistusten heikentämisestä syntyvän näennäisen nopeushyödyn.

Pidä mittaus hyödyllisenä

Vältä yksilöiden järjestämistä PR-määrän tai koodirivien perusteella. Mittarit voivat palkita työn keinotekoisesta pilkkomisesta, vaikean ylläpidon välttämisestä tai review-työn siirtämisestä kollegoille.

Arvioi tulos koko palvelusta vastaavien kanssa. Kirjaa työkalun, tehtäväjakauman, tiimin ja ympäristön muutokset. Ennen–jälkeen-vertailu on rajattua näyttöä, ei automaattinen syy-seuraustodistus.

Mittauksen tarkoitus on parempi seuraava päätös. Pieni, luotettava mittaus ja todennettu parannus auttavat enemmän kuin laaja dashboard ilman yhteistä merkitystä.

Harjoittele kymmenellä muutoksella

Tämä erillinen kuvitteellinen aineisto kuvaa kymmentä suunniteltua muutosta. Kellonajat ovat rivin päivämäärältä UTC-ajassa. Tyhjä korjauskenttä tarkoittaa, ettei aineistoon ole kirjattu korjausta.

Muutos / päiväTyö alkaaKoodi valmisReview alkaaHyväksyttyJulkaistuKorjattu
C01 · 2026-09-1408:0008:4509:1509:3010:00—
C02 · 2026-09-1409:0009:3012:0012:2013:00—
C03 · 2026-09-1508:0009:0009:1509:4010:0015:00
C04 · 2026-09-1510:0010:3010:4511:0011:15—
C05 · 2026-09-1608:0009:0013:0013:3014:00—
C06 · 2026-09-1610:0011:0011:3012:0012:15—
C07 · 2026-09-1708:0008:3009:0009:2009:30—
C08 · 2026-09-1710:0010:4511:0011:3014:30—
C09 · 2026-09-1808:0008:3009:0009:3010:00—
C10 · 2026-09-1809:0009:3010:0010:3011:0014:00

Vertaa aikaa koodin valmistumisesta review’n alkuun sekä hyväksynnästä julkaisuun. Etsi pisin näkyvä odotus. Selvitä syy ennen kuin päättelet sen vältettäväksi. Aikaleimat eivät mittaa aktiivista työtä tai kerro incidentin alkua. Pelkkä korjausjulkaisu ei osoita failed deployment recovery timea.

Lataa kuvitteellinen aineisto (CSV)

Tarkista odotusajat

Tarkista tulkintasi: C05 odottaa review’ta neljä tuntia. C08 odottaa hyväksynnän jälkeen julkaisua kolme tuntia. Aineisto ei selitä odotuksia. Kysy kapasiteetista, työajoista, julkaisukäytännöstä ja riippuvuuksista.

Sovella käytäntöön

Käytä oppitunnin kymmenen muutoksen aineistoa. Määritä deployment, epäonnistunut muutos ja palautumistapahtuma. Etsi pisin näkyvä odotus ja kirjaa sen syyn selvittämiseen tarvittava tieto. Ehdota parannus ja laadun heikkenemisen paljastava mittari.

Lataa työpohja (Markdown)

Testaa, mitä opit

Deploymentien määrä kasvaa AI:n käyttöönoton jälkeen, mutta myös suunnittelemattomat korjausjulkaisut lisääntyvät. Mitä päättelet?

Lähteet ja lisälukeminen

Aiheesta Taigan sivuilla