精华内容
下载资源
问答
  • 哪些属于质量问题
    千次阅读
    2020-05-10 16:20:10

    质量属性

    • 不精确的需求会造成很多问题。
    “我的系统一定要是快速的/安全的/可扩展的”
    • 系统的质量属性必须是精确的/可度量的:
    “它必须能够从最初100个地理上分散的节点扩展到1000个节点,而不会增加安装和配置的工作量和成本。“

    什么是质量属性?

    质量属性种类:

    • 性能 (Performance)
    • 安全性(Security)
    • 可用性(Availability)
    • 可扩展性(Scalability)
    • 易用性(Usability)
    • 可靠性(Reliability)
    • 可移植性(Portability)
    • 可修改性(Modifiability)
    • 可维护性(Maintainability)

    架构与质量属性

    质量属性的实现必须在设计、实现和部署的过程中考虑。
    举例:
    • 易用性可以从架构方面和非架构方面考虑:

    • 使用户界面易于使用是非架构方面
    • 为用户提供undo/cancel操作是架构方面

    • 可修改性

    • 功能如何划分(架构方面)
    • 模块内编程技术(非架构方面).
    举例说明:
    • 组件间的通信量&共享资源如何分配 (架构方面)
    • 算法的选择&算法如何实现 (非架构方面)
    • 性能
    质量属性冲突
    系统的质量属性经常会互相影响
    • 组件粒度大会提高性能,但会降低可维护性。
    • 引入冗余数据可提高可用性,但会使安全性的保障更加困难。
    • 将安全性相关的功能本地化通常意味着更多的通信以致降低
    性能。
    影响有时是正面的,有时是负面的
    譬如:
    质量属性场景
    质量属性场景是一个质量属性特定的需求。
    由六部分组成:
    • 激励源– 产生激励的实体。
    • 激励 – 影响系统的事件。
    • 环境– 激励发生的特定条件
    质量属性场景
    质量属性场景的六个部分
    • Artifact(工件) – 接受激励的系统或系统部分
    • Response(响应) –激励到达后发生的活动
    • Response measure(响应度量)– 响应发生时,应当以某
    种方式进行度量以测试需求是否被满足。
    质量属性场景的六个部分

    更多相关内容
  • 什么是图像质量

    千次阅读 2022-03-05 14:32:27
    实现高质量的成像是所有相机制造商的目标。但是在科学成像领域,会有一些不同的指标来衡量图像的成像质量。 一、光的采集 1、量子效率(QE) QE衡量了成像设备将入射的光子转换为电子的能力。一个重要的影响因素...

    实现高质量的成像是所有相机制造商的目标。但是在科学成像领域,会有一些不同的指标来衡量图像的成像质量。

    一、光的采集

    1、量子效率(QE)

    QE衡量了成像设备将入射的光子转换为电子的能力。一个重要的影响因素是前照式还是背照式。在前照式相机中,由于一些硬件部件的遮挡,有些制造商会使用一些微透镜将光子steer到芯片上感光区域,但还是有25%的没有办法到达感光区域。一个更加有效的设计是背照式,传感器被翻过来,光子能够直接到达芯片上的感光区域,不再需要微透镜。这要求硅很薄,大概是1um的厚度。

    高端的背照式相机能够到达95%的QE, 但也依赖于入射光的波长。在近红光或者是紫光的区域,有比较低的QE.

     

     对于大多数应用来说,高的量子效率很重要,我们能够收集的到光子数越多,量化的准确率就越高,图像的质量就越好。

    总结:不同波长的入射光的量子效率不同,高的量子效率可以提高成像的质量和量化的准确性。

    2、像素的大小

    像素的大小,也称为“‘Pixel Pitch”,指的是相机像素的宽和高(width, height)。像素的面积越大,每个像素能够收集到的光子数就越多,像素的宽和高*2,  像素对光子的收集能力*4。增加像素的大小是提高相机灵敏度的一个很好的方法。

    增加像素的大小,降低图像的分辨率,除非分辨率是受到了光学系统的限制。

    更大的像素也能够容纳更多的电荷,意味着有更大的满井容量,更好的动态范围。

    总结:大像素收集到更多的电子,但可能降低图像的分辨率。

    3、满井容量

    满井容量指的是单个像素能够收集到的最大电子数,“linear full well capacity”更为准确,因为当某个像素接近它的满井容量时,它收集新的电子的能力其实是在下降。对于科学成像来说,这种非线性其实是不可接受的。

    满井容量的可用性取决于相机的模式,因为它取决于相机的位深(灰度阶)*Gain(从电子到灰度阶的转换因子 e/grey)。位深和增益根据相机设置的不同,都是可以改变的。

    在需要高动态范围成像的场景中,即一幅图像中同时存在很强和很弱的信号,因此大的满井容量很重要。在一些光线较强的场景中,大的满井容量对提高信噪比很有用。对于弱光成像的应用,比如荧光成像,满井容量不是一个很重要的因素。

    总结:满井容量影响成像质量主要是在高动态范围成像,或者是在高光成像的场景中。

    二、噪声的影响

    信噪比是成像质量的重要的指标,它指的是,在每一个像素中,信号的大小与信号的不确定性的比值,它是一个相对量。更具体来说,它是每个像素测量到的信号与测量到的噪声(不同的帧之间)之间的比值。对于那些需要精确地对光进行测量的应用中,信噪比尤其重要。

    1、signal to noise (SNR)

    SNR的计算较为简单,信号除以三个主要的噪声源(散粒噪声,暗噪声,读出噪声)的和。

     高信噪比表示图像没有由噪声引起的失真和伪影。信噪比越高,信号就越突出,图像的质量就越好,更可能得到理想的成像效果。在很多量化分析中,会设置一个SNR阈值,低于该阈值,就认为成像质量较差。

    关于最小的信噪比没有一个硬性的规定,因为这主要取决于样本,分析方法,以及应用的需要。

     总结:信噪比(SNR)是图像质量的一个关键定量指标,它结合了相机的信号采集能力以及噪声水平。然而,在信噪比中没有考虑patterns和artefacts。

    2、Photon Shot Noise 散粒噪声

     散粒噪声是由于光源的光子入射的随机性产生的,光子的入射服从泊松分布(Poisson distribution)。ShotNoise 的大小为sqrt(Signal), 随着信号的增大而增大。在更高的信号水平的时候,shotNoise是主要的噪声源。

    3、读出噪声 Read Noise

    它衡量了相机检测信号的不确定性,它的大小取决于读出口的工作频率以及电子元件的设计。CCD 相机有着更高的读出噪声(6-10e),工业上用的CMOS的读出噪声(4-50e,CMOS科学相机的读出噪声,大概是1-1.6e。在弱光成像中,高的读出噪声会带来很大的挑战,损坏了成像的质量。

     总结:在微光成像中,读取噪声是一个重要因素,但微小的差异只会在极低的光照水平下影响成像。量子效率起着更大的作用。

    3、背景

    读出噪声对于图像质量的影响也取决于样本中是否出现背景光,比如out-of-focus fluorescence, autofluorescence, room light, and light leaks。因为背景光中也同样会有ShotNoise,也会造成读出噪声大小的差异。

    4、EMCCD 额外的噪声因子

    EMCCD在读出之前进行了电子倍增,以此来克服读出噪声的影响。然而,这个倍增也是随机的,对于每一个像素信号倍增的大小不同,所以引入了一个额外的噪声因子,它将噪声放大为原来的sqrt(2)。最显著的影响是它放大了shotNoise。

    每个像素的signal在2-3个光子背照式CMOS和EMCCD的差异较大。由于EMCCD的唯一优势在于低读取噪声,任何背景光的存在都会抵消这一优势,因为背景光中含有大量的被额外的放大因子放大的散粒噪声。 

    然而,对于每像素最多1-2个光子的信号,例如在单光子计数中,EMCCD的低读取噪声仍然提供了更好的信噪比,因此EMCCD在科学成像中仍然占有一席之地。

    总结:在生物成像中,虽然额外的放大因子导致EMCCD的成像质量通常来说比不上背照式CMOS,但EMCCD的应用还是可以看到。

    5、暗电流,制冷

    暗噪声是由于曝光时,电子(不是被检测到的光电子)移动到像素井时产生的。D = e/p/s, 热电子随机出现,也是服从泊松分布。 真实的暗电流的分布如下:

    暗电流是制冷的主要原因,为了减少hot pixels(那些有着非常高暗电流的像素)。暗电流的大小取决于曝光时间,对于很短的曝光时间(10ms 以内),即使很高暗电流也可以不用制冷就可以活得很好的SNR。但是1s的曝光,不制冷的话,图像的质量就会收到暗电流的影响。

    制冷的温度不是关键,因为相同的传感器温度,但不同的相机,不同的制冷技术也会产生不同的暗电流。 此外,对于低于2s的曝光,读出噪声的影响更为关键。

    总结:对于100ms以上的曝光,相机需要制冷。然而,它与传感器的温度是没有关系的,只有暗电流是关键。对于1s以上的曝光,低的暗电流很重要。

    三、背景、信号的均匀性

    背景的结构或者模式(structure or patterns),不管是存在动态还是静态噪声,对于检测弱信号来说都是很有挑战性的,移除它们对于图像的影响也是不太可能的,因为它们对不同的图像影响程度也不同。

    1、背景的质量

    静态模式 static patterns

    CMOS相机是并行读出来增加读出速度。然而,并行读出需要很小心地校正和平衡不同的ADC的读出口,不同厂商的相机的读出口的质量不通过,即使使用的是相同的sensor。

     动态patterns

    动态的patterns可以反映出一些在读出过程中出现的问题。这是CMOS相机中很常见的问题,这是工艺上的挑战。dynamic patterns 比statis patterns 更加难以移除,对弱光成像也造成了更大的影响。

    总结:一些相机的背景上会出现动态或者静态的patterns,她们会给弱光成像带来比较大的挑战。

    Binning (像素融合) & 背景质量

    在一些弱光成像中,binning 以牺牲图像分辨率为代价,来达到提高图像信噪比的效果。然而,以上提到的 patterns,会因为binning而使得图像变得更加糟糕。

    另外,CMOS的binning 增加了相机的读出噪声,2*2 的binning 会导致 2*2的噪声。因此,在binning之前,确保读出噪声和patterns都比较小。

    Dark Signal Non-Uniformity (DSNU)

    它指的是offset图像上的各种variations。可以通过计算1000张dark图像的平均值,然后再计算平均图像的标准差。这个指标能够捕捉相机背景上的patterns和artefacts对于弱信号的影响。事实上它不是一个有用的对于相机背景图像的衡量,即使存在严重影响图像质量的pattern,也不能从这个指标上反应出来。

    Photo-response Non-Uniformity (PRNU)

    用均匀光照的图片的像素值的标准差来计算,通常是以百分比的形式给出。虽然想用它来表示高光照水平时图像的均匀性,作为反应是否出现pattern的一个指标。但是它是依赖于光照的强度的,但是用多强的光照是没有固定的行业标准的。

    通常来说,PRNU是在半满井容量时计算的,但是对于弱光成像来说,半满井容量也是很难达到的。

     虽然右边的图像出现了明显的patterns,但是两者的PRNU值是相同的,所以它并不能真正地反应出是否出现patterns,并不能反应出图像的均匀性。

    Linearity 线性

    对于相机来说,对于光强度的线性相应是很有必要的,也就是说,数字信号的大小应该与检测信号的大小成比例。然而,在实际中,这是一个很大的工程上挑战。大部分的消费级sensor都不是线性的。在科学成像中,线性的定义如下:

    连续多次拍照,增加曝光时间,直到满井容量。最大的正、负偏移指定是偏移理想的直线响应。

    对于科学相机来说,99%以上的线性就足够了。对于那些质量较差的相机,线性通常是不给出来的。

    16-bit动态范围的CMOS相机,通常是结合两个12-bit的ADCs,如果在工程上没有很精细,会转折点的地方出现灰度的跳跃。

     Artefacts

    Hot Pixels 热点

    科学成像另一个需要校正的问题是,在某些像素中出现较高的暗电流。制冷可以减少这样的像素的出现,但是有些sensor即使在制冷的情况下还是会有这样的像素的出现,特别是在长时间曝光的情况下。

    四、图像的采集

    1、Despeckle filters  消斑过滤器

    CMOS sensor 的设计会引入一种微小的额外噪声,随机电报噪声,(Random Telegraph Noise),这是由于电荷在硅晶格的某些损坏的地方自由地移动而产生的效果。这就导致图像上某些的像素出现很大或者很小的像素值(这些值比真实测量到的信号值要大得多或者是小得多),这些像素值严重地影响了图像的灰度值范围,也会损坏图像的可视化效果。

    为了处理这些虚假的像素值所带来的问题,工业上常用的做法是使用一个条件均值滤波器。如果某个像素值比它周围3*3邻域的像素值大得多或者小的多(如果差异比某个阈值要大),那些该像素就用3*3领域的均值替代。

    对于大多数成像应用来说,由于虚假的像素值的出现而错误识别那些真正的高值像素的可能性可以忽略不计。因为基于光学透镜或基于显微镜的系统通常受到衍射限制,这意味着来自点光源的光子将分布在多个像素上,而不是集中在单个像素上。

    然而,也有一些应用,比如单分子成像,它的成像对象通常是单点,这种可能性就增加了。此外,在使用广角透镜的应用中,光线收集不再受衍射限制,在小距离内对比度可能会发生较大变化。对于这些应用,建议关闭相机消斑过滤器。

    总结:消斑滤波器对于保持CMOS相机的图像质量非常重要,但是对于专门用于成像点源的应用,如单分子成像,建议将其关闭。

    展开全文
  • 十步法原则解决数据质量问题

    千次阅读 2019-08-21 14:06:38
    1.1 数据质量 数据的一组固有属性满足数据消费者要求的程度。 1)数据固有属性 真实性:即数据是客观世界的真实反映 及时性:即数据是随着变化及时更新的 相关性:即数据是数据消费者关注和需要的 2)高质量数据...

    一、相关概念

    1.1 数据质量

    数据的一组固有属性满足数据消费者要求的程度。

    1)数据固有属性

    • 真实性:即数据是客观世界的真实反映
    • 及时性:即数据是随着变化及时更新的
    • 相关性:即数据是数据消费者关注和需要的

    2)高质量数据满足要求(消费者角度)

    • 可得的,当数据消费者需要时能够获取到;
    • 及时的,当需要时,数据获得且是及时更新的;
    • 完整的,数据是完整没有遗漏的;
    • 安全的,数据是安全的,避免非授权的访问和操控;
    • 可理解的,数据是可理解和解释的;
    • 正确的,数据是现实世界的真实反映。

    1.2 数据质量管理

    数据质量管理,是指对数据从计划、获取、存储、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题,进行识别、度量、监控、预警等一系列管理活动,并通过改善和提高组织的管理水平使得数据质量获得进一步提高。

    二、评估维度

    任何改善都是建立在评估的基础上,知道问题在哪才能实施改进。通常数据质量评估和管理评估需通过以下几个维度衡量。常见的以下维度:

    1)完整性

    完整性,是指数据信息是否完整,是否存在缺失情况。数据缺失的情况可能是整个数据记录缺失,也可能是数据中某个字段信息的记录缺失。记录的完整性,一般使用统计的记录数和唯一值个数。完整性的另一方面,记录中某个字段的数据缺失,可使用统计信息中的NULL的个数进行审核。一般空值的占比基本恒定,同样可以使用统计的空值个数来计算空值占比,如果空值的占比明显增大,很可能这个字段的记录出现了问题,信息出现缺失。总而言之,完整性可用记录数、均值、唯一值、空值占比等指标来衡量。

    2)规范性

    规范性,是指记录是否符合规范,是否按照规定的格式存储(例如标准编码规则)。数据规范性审核是数据质量审核中比较重要也是比较复杂的一块。规范性检验主要是检验数据和数据定义是否一致,因此可以通过合规记录的比率来衡量。比如取值范围是枚举集合的数据,其实际值超出范围之外的数据占比,比如存在特定编码规则的属性值不符合其编码规则的记录占比。

    3)一致性

    一致性,是指数据是否符合逻辑,数据内单项或多项数据间存在逻辑关系。一致性检验,存在逻辑关系的属性之间的校验,比如属性A取某定值时,属性B的值应该在某个特定的数据范围内,都可以通过合规率来衡量。

    4)准确性

    准确性,用于度量哪些数据和信息是不正确的,或者数据是超期的。准确性可能存在于个别记录,也可能存在于整个数据集上。准确性和规范性的差别在于规范性关注合规,表示统一,而准确性关注数据错误。因此,同样的数据表现,比如数据实际值不在定义的范围内,如果定义的范围准确,值完全没有意义,那么这属于数据错误。

    数据的准确性可能存在于个别记录,也可能存在于整个数据集。如果整个数据集的某个字段的数据存在错误,这种错误很容易发现,利用平均数和中位数也可以发现这类问题。当数据集中存在个别的异常值时,可使用最大值和最小值的统计量去审核,或者使用箱线图也可以让异常一目了然。

    还有几个准确性的审核问题,字符乱码的问题或者字符被截断的问题,可以使用分布来发现这类问题,一般的数据记录基本符合正态分布或者类正态分布,那么那些占比异常小的数据项很可能存在问题。如果数据并没有显著异常,但仍然可能记录的值是错误的,只是这些值和正常值比较接近而已,这类准确性检验最困难,一般只能与其他来源或者统计结果进行对比来发现问题。

    5)时效性

    数据从产生到可以查看的时间间隔,也叫数据的延时时长。某些实时分析和决策需要用到小时或者分钟级的数据,这些需求对数据的时效性要求极高,所以及时性也是数据质量的组成要素之一。例如定义某张表在每月最晚达到的日期是几号。

    6)唯一性

    唯一性,用于度量哪些数据是重复数据或者数据的哪些属性是重复的。即对存在于系统内或系统间的特定字段、记录或数据集意外重复的测量标准。

    7)合理性

    合理性,是从业务逻辑角度判断数据是否正确。评估方面可参照规范性、一致性做法。

    8)冗余性

    冗余性,是指多层次数据中是否存在不必要的数据冗余。

    9)获取性

    获取性,是指数据是否易于获取、易于理解和易于使用。

    三、影响因素

    影响数据质量的因素主要来源于四方面:信息因素、技术因素、流程因素和管理因素。

    1)信息因素

    产生这部分数据质量问题的原因主要有:元数据描述及理解错误、数据度量的各种性质(如:数据源规格不统一)得不到保证和变化频度不恰当等。

    2)技术因素

    主要是指由于具体数据处理的各技术环节的异常造成的数据质量问题。数据质量问题的产生环节主要包括数据创建、数据获取、数据传输、数据装载、数据使用、数据维护等方面的内容。

    3)流程因素

    是指由于系统作业流程和人工操作流程设置不当造成的数据质量问题,主要来源于系统数据的创建流程、传递流程、装载流程、使用流程、维护流程和稽核流程等各环节。

    4)管理因素

    是指由于人员素质及管理机制方面的原因造成的数据质量问题。如人员培训、人员管理、培训或者奖惩措施不当导致的管理缺失或者管理缺陷。

    四、解决质量问题方法

    可以遵从下面的十步法原则(此部分摘自御数坊公开材料)。

    4.1 定义业务需求与方法

    找出有哪些业务受到数据质量问题的影响,或者由于数据质量的改进将会为企业带来更好的业务效益的需求,评估这些业务需求并按照重要等级排序,作为本次数据质量提升的目标与范围。只有明确了业务需求与方法,才能确保要解决的数据质量问题是与业务需求相关的,从而真正的解决了业务问题。

    4.2 分析信息环境

    细化已定义的业务需求,识别出业务需求与数据、数据规范、流程、组织和技术(如系统、软件等)之间的关联信息,定义信息生命周期,确定数据来源及范围。通过分析信息环境,不仅可以为后续的原因分析提供帮助,也可以使我们对数据问题及现状有一个更全面、直观的理解与认识。

    4.3 评估数据质量

    从相关数据源提取数据,围绕已定义的业务需求,设计数据评估维度并利用相关工具完成评估,将数据质量评估结果以图表或报告形式准确的表达出来,使相关领导或业务人员都能够清晰的、直观的了解实际的数据质量情况,确保数据问题是与业务需求相关的,并能够得到相关领导或业务人员的重视与支持。

    4.4 评估业务影响

    了解低质量数据是如何影响业务的,为什么这些数据很重要,如果改善这些问题会带来哪些业务价值。评估方式的复杂度越高所花费的时间越长,不过与评估效果却并不一定成正比,所以在评估业务影响时也要注意方法的选择。另外,要将业务影响评估结果及时归档,这样,随着时间的推移即便问题被淡化,也能够有迹可查。

    4.5 确定根本原因

    在纠正数据问题之前要先确定其根本原因,产生问题的根源有很多。不过,有些问题的发生仅是表象,并不一定是导致错误数据的根本原因,所以在分析的过程中,要不断的去追踪数据进行问题定位,确定问题最早出现的根本原因;或者多问自己几遍“WHY”以弄清楚问题的根本原因,进而使问题得到有效的解决,达到治标又治本的效果。

    4.6 制定改进方案

    通过前面几步详细的问题分析及原因确定,在这一步则可以有针对性的制定出合理的数据质量改进方案,包括对已知数据问题的改进建议及如何预防未来类似错误数据的发生。

    4.7 预防未来数据错误

    根据解决方案的设计,预防未来错误数据的发生。

    4.8 纠正当前数据错误

    根据解决方案的设计,解决现有数据问题。这一步更多是”脏活累活”,但对于最终质量目标的达成至关重要。

    4.9 实施控制监控

    实施持续的监测,确定是否已经达到预期效果。

    4.10 沟通行动和结果

    对结果和项目进展情况沟通,保证整体项目的持续推进。

    五、数据质量产品设计

    5.1 数据产品价值

    • 完整检核标准梳理方法及指标规则模板。
    • 自动化的检核处理及问题通知机制,达到无人值守。
    • 提供全面的数据分析机制,加速问题解决。
    • 规范的问题管理流程及制度,精确管理问题每个阶段。
    • 完善的质量问题解决共享机制,实现数据治理的闭环管理。

    5.2 处理问题流程

    • 确定规则:数据质量指标
    • 发现问题:数据质量检核
    • 提出问题:质量问题告警
    • 解决问题:质量问题分析
    • 归纳问题:问题管理流程

    5.3 主要功能模块

    1)质量评估

    提供全方位数据质量评估能力,如数据的重复性、关联性、正确性、完全性、一致性、合规性等,对数据进行体检进而识别和理解数据质量问题。有评价体系作为参照,需要进行数据的采集、分析和监控,为数据质量提供全面可靠的信息。在数据流转环节的关键点上设置采集点,根据系统对数据质量的要求,配置相应的采集规则,通过在采集点处进行质量数据采集并进行统计分析,就可以得到采集点处的数据分析报告。

    2)检核执行

    提供配置化的度量规则和检核方法生成能力,提供检核脚本的定时调度执行和第三方调度工具的调度执行功能。

    3)质量监控

    系统提供报警机制,对检核规则或方法进行阀值设置,对超出阀值的规则进行不同级别的告警和通知。

    4)问题管理

    对数据问题进行流程处理支持,规范问题处理机制和步骤,强化问题认证,提升数据质量。通过质量评价体系和质量数据采集系统,可以发现问题,之后还需要对发现的问题及时作出反应,追溯问题原因和形成机制,根据问题种类采取相应的改进措施,并持续跟踪验证改进之后的数据质量提升效果,形成正反馈,达到数据质量持续改良的效果。

    在源头建立数据标准或接入标准,规范数据定义,在数据流转过程中建立监控数据转换质量的流程和体系,尽量做到在哪发现问题就在哪解决问题,不把问题数据带到后端。

    5)质量报告

    系统提供了丰富的API可进行定制化数据质量包括开发,另外系统内置了常用质量报告。

    6)质量分析

    提供多种问题分析能力,包括血统分析,影响分析,全链分析,定位问题产生的根源。

    作者:韩锋

    首发于作者个人公号《韩锋频道》,欢迎关注。

    来源:宜信技术学院

    展开全文
  • 五步玩转质量回溯

    千次阅读 2020-07-09 14:57:08
    **回溯目的:**通过问题定位、根因分析、措施改进,预防同类问题再次发生,提高产品质量水平。 **回溯导向:**质量回溯不是追责和考核,而是自省和改进。 质量回溯理念的宣贯是思想的松土,埋下了一颗持续改进的种子...

    01

    理念宣贯与方法导入

    提起质量回溯,不少研发人员都会有抵触情绪,甚至有些谈“虎”色变,在这样的氛围下是不利于回溯工作开展的。质量人员在开展回溯工作前,需要有意识的进行回溯理念的宣贯:
    **回溯目的:**通过问题定位、根因分析、措施改进,预防同类问题再次发生,提高产品质量水平。
    **回溯导向:**质量回溯不是追责和考核,而是自省和改进。

    质量回溯理念的宣贯是思想的松土,埋下了一颗持续改进的种子。接下来要做的就是给种子浇浇水、施施肥,质量人员应组织一系列的赋能培训,导入质量回溯的规范要求、常用的根因分析工具,如:5WHY、鱼骨图等,以提高质量回溯的效率和效果,帮忙团队找到问题的根本所在,彻底解决问题。

    02

    来源获取与问题统筹

    质量回溯适用于组织内部各种问题的改进场景。在金服集团,质量回溯问题的来源通常包括:生产事故、紧急BUG、上线验证问题、生产发布失败、项目重大变更/延期、用户体验问题等。

    针对不同的来源,需要建立稳定可靠的问题获取渠道,如:生产事故可以通过“生产事故专家保障群”第一时间获取;紧急BUG可以通过缺陷管理平台(JIRA)实时导出等。这些问题由质量人员统一扎口,形成质量回溯问题台账。

    根据二八原则,质量人员会对问题进行统筹管理,从问题台账中挑选其中20%最值得回溯的问题。逐步建立回溯问题的筛选原则,比如只要满足以下任一情况则组织回溯:

    ▇ 重大生产事故(一、二级)
    ▇ 造成公司资产重大损失的问题(XXX金额以上)

    ▇ 严重影响用户体验的问题(用户投诉数XXX以上)
    ▇ 共性或批量发生的问题

    image

    03

    核心要素与前置准备

    对具体问题进行质量回溯时,需要掌握一些核心要素并做好充分的准备,否则可能会带来以下问题:
    1、召开会议时,问题背景没有了解清楚,增加沟通成本
    2、分析问题时,相关材料缺失,问题分析不透彻
    3、问题定责时,责任切分不清楚,导致效率低下召开多次会议

    为了避免以上问题的发生,我们要做好两方面工作:
    (一)充分识别相关方

    ◆ 问题相关的当事人(业务、产品、开发、测试等)
    ◆ 管理层领导(技术总监、产品总监等)

    ◆ 有经验的回溯引导人员(SQA、PM或Scrum Master等)
    ◆ 技术领域和管理领域的专家(架构师、技术专家、PMO等)

    (二)提前准备回溯材料

    ◆ 回溯报告准备
    问题当事人(通常技术经理牵头)整理输出问题的描述、影响、处理过程等。问题描述应详尽,可采用5W2H方式。

    image

    ◆ 相关材料准备
    该问题涉及的过程交付物,包括:需求文档、设计文档、源码、测试案例、测试报告等。

    04

    关键活动与回溯过程

    前期准备充分后,一般可采用质量回溯会议的形式对问题进行回溯,通过这种高带宽的沟通形式,提升相关方的沟通效率。回溯过程主要包括过程回放、根因分析、措施制定、问题定责四个活动。
    image

    (一)过程回放
    过程回放应遵循“三现”原则,由问题当事人还原问题发生的“现场”,对问题进行详细描述并说明其影响程度以及当时的处理过程。

    (二)根因分析
    根因分析是质量回溯的关键活动,找到产生问题的根本原因才能对症下药,有针对性的进行预防和控制,从而避免问题重犯。
    1、识别问题引入点/控制点
    通常,每个公司都有项目或研发流程管理规范指导项目开发工作。对问题进行分析时,可以在白板上绘制简单的活动流程图,从源头开始共同识别问题是从哪个环节引入的。
    找到问题引入点后,继续分析其后面的所有环节,识别哪些环节能够提前发现或阻止该问题的发生。

    2、问题产生原因分析
    工欲善其事必先利其器,在进行问题产生原因分析时可以借助质量工具来达到事半功倍的效果。
    首先,与会人员进行头脑风暴,列出问题产生的所有可能原因;
    然后,利用亲和图将纷繁芜杂的原因进行归类,厘清头绪;
    最后,绘制鱼骨图对问题进一步展开,直到无法细分为止。
    3、确认根本原因
    可以通过定性(专家决策)或定量(矩阵数据分析法)方法来最终确认问题产生的根本原因,并在鱼骨图上圈出。

    (三)措施制定
    问题的根因找到后,需要制定相应的改进措施。针对问题引入点,应从源头上切断,避免问题发生;针对问题控制点,可通过管控、评审等控制手段防止问题流入下个环节。
    改进措施制定时可以参考以下原则:

    ◆ 在组织能力范围内,尽量采用低成本解决方案
    ◆ 要遵循SMART原则,便于落实改进
    ◆ 技术方式应优先于管理方式
    ◆ 短期与长期措施相结合
    ◆ 改进措施的结果固化到流程和工具中

    image

    (四)回溯定责
    回溯定责是根据问题根因,明确问题责任主体及责任比例。定责的目的是为了更好的驱动改进。
    为了保证定责的权威性,减少责任界定的成本,可以参考如下实践:
    ◆ 制定定责划分原则,如:跨中心的问题根据技术架构设计原因进行划分;发生测试漏测问题,测试承担50%以上责任
    ◆ 引入技术专家团队,采取轮值的形式,对于跨中心或复杂问题邀请3-5人参与回溯过程并投票定责
    ◆ 如果定责存****在争议,及时上升至高层领导决策

    05

    改进总结与警示分享

    改进措施制定后,质量人员需定期跟踪其执行情况。为了保证措施切实落地执行,可采用一些工作技巧:
    ◆ 通过工具(如Jira)统一管理改进措施,方便查询统计
    **◆ 定期晾晒改进措施执行进展,**针对短期/长期措施采用不同的晾晒策略
    ◆ 不定期参加团队的改进活动,如:代码评审、测试案例评审等

    已开展的质量回溯可以定期进行总结,经验教训共享,警钟长鸣。分享途径有:
    ◆ 技术例会:技术例会由各研发中心技术总监参加,邀请问题当事人对回溯案例进行分享,各中心可以从中汲取教训,起到警示作用
    ◆ 质量报告:通过定期的质量周报/月报形式,通报当期的质量回溯情况,引以为戒

    image

    结束语

    质量回溯看似简单,实则复杂。质量人员要想做好质量回溯工作,不仅需要长期耕耘于组织流程规范,掌握质量工具的适用场景和用法,还要了解业务及技术知识,才能整体协调,游刃有余。

    本文作者 | 苏宁金融研发–石达

    本期编辑 | 小萝卜
    转自:https://mp.weixin.qq.com/s/CYeELG1VqNjfnD3okKeaAQ

    服务推荐

    展开全文
  • 软件质量因素 6个The different elements, which impact the product, are named as software factors. They can be extensively partitioned into two software quality management process. The principal class ...
  • 人脸图像质量评价:FaceQnet

    千次阅读 2021-06-10 18:26:36
    属于研究第一阶段的研究通常集中在从人脸图像中提取手工制作的特征,并使用它们来计算一个或多个质量指标。这些特征旨在估计传统上被认为会影响识别性能的一个或各种因素的存在,例如,模糊性、非额叶姿势或低分辨率...
  • SonarQube 简介Sonar 是一个用于代码质量管理的开放平台。通过插件机制,Sonar 可以集成不同的测试工具,代码分析工具,以及持续集成工具。...
  • 数据质量管理十步流程

    千次阅读 2016-12-30 17:21:18
    1定义业务需求和方法  明确数据质量管理的重点、时机和目标,来指导整个项目期间的所有工作。 目标:  1.... ... 2.... 1....已知现存的数据质量问题  3.企业的需求(以及任何对当前信息环境有帮助的
  • 项目管理:项目质量管理

    千次阅读 热门讨论 2021-01-15 10:09:41
    “规划质量管理”、“管理质量”、“控制质量”相互影响、交叠进行,没有先后顺序。 “管理质量”的重点是审计,需要对“规划质量管理”的结果和“控制质量”的结果都审计。 管理质量是所有人的共同职责,包括:...
  • 在业务层面,数据质量问题不仅会影响单点业务的正常开展,还会影响与该业务相关的其他业务顺利开展;在决策层面,数据质量问题会直接影响到管理层的决策依据是否准确、客观。  高校各类业务较多,应用系统繁杂,在...
  • 质量不高的数据不仅仅是数据本身的问题,还会影响着企业经营管理决策;错误的数据还不如没有数据,因为没有数据时,我们还会基于经验和基于常识的判断来做出不见得是错误的决策,而错误的数据会引导我们做出错误的...
  • 如何写出高质量博文

    千次阅读 多人点赞 2022-03-25 09:27:07
    本文关键字:博文、高质量、流量、写作技巧、经验分享。写这篇文章的原因一是官方刚好需求这样一篇文章,来做一次经验分享。 二是作为一名写文两年的博主,有很多感触已经埋藏在心里有些时日了。 下面小编会结合自己...
  • 研发质量管理---(1)质量管理总结

    万次阅读 多人点赞 2018-03-21 21:16:14
    目录第一章 质量管理知识•质量管理体系•技能知识•业务知识第二章 质量管理技能•过程改进•质量策划•过程跟踪和控制•度量及数据分析•问题风险识别与管控•成本控制与效率提升第三章 心得体会本人毕业后干了两...
  • 和朋友谈到软件质量工作时,经常会提及到软件质量控制、质量保证和质量管理。我想对于这三者,很多人也就...如缺陷率、测试覆盖率等都是属于软件质量控制范畴,它们反映了测试过程状态的好坏、是否满足了要求。测试过程
  • 这几天看了看《硝烟中的Scrum和XP...但是,哪些问题属于内部质量呢?  作者并没有详细的论述这个问题。下面,我列出了一些常见的场景和划分。你怎么看待这个问题呢?  外部质量  ● 可扩展性  我一直认为,一个...
  • 数据治理质量保障研究

    千次阅读 2022-01-27 09:43:44
    本文主要介绍了数据治理过程中常见的数据质量问题与保障数据质量的策略与流程,同时也介绍了标准的设计原理与最终的应用方法。根据上述研究可以看出,保障数据质量是数据交付和分析的前提,技术实施的办法始终围绕...
  • 5.BUG可能属于的模块 6.BUG的标题 7.BUG的描述 8.BUG的截图 9.BUG的状态 10.BUG的错误类型(数据,界面。。。。) 为什么是好的Bug报告? 如果您的错误报告是有效的,那么它得到修复的机会就会更高。因此,修复bug...
  • 软件的质量属性及其说明

    千次阅读 2021-01-04 19:08:16
    软件的质量属性分为:运行期质量属性和开发期质量属性运行期质量属性:     性能(Performance):       性能是指软件及时提供相应服务的能力。具体而言,性能包括速度、...
  • 网络安全问题及防护措施有哪些

    千次阅读 2021-11-25 13:59:02
    #等保测评# ...如何在推动社会信息化进程中加强网络与信息安全管理,维护互联网各方的根本利益和社会和谐稳定,促进经济社会的持续健康发展,成为我们在信息化时代必须认真解决的一个重大问题。下面介
  • IT项目管理之第7章 项目质量管理习题之案例分析汇总 第7章 项目质量管理习题之案例分析汇总 【案例一】 案例一分析 案例一参考答案 【案例二】 案例二分析 案例二参考答案 叮嘟!这里是小啊呜的学习课程资料整理。...
  • PMP第八节:项目质量管理

    千次阅读 2021-12-15 20:34:57
    八·项目质量管理 1·概述 1·质量管理概述 项目质量管理旨在保证项目达到既定的质量要求,保证产品功能,满足相关方需求。 包括制定和执行质量政策、质量目标、质量职责等。 质量管理不仅是技术应用,更是理念。...
  • 如何理解数据质量

    千次阅读 2020-09-23 10:08:32
    数据质量该如何理解|0x00 题外话:架构推导思路说起数据质量,其实是一个很宽泛的问题,类似于写数据建模一样,是一个抽象概念为主的事情,对于程序员群体来说,总是难以解答和回答的。这里针对...
  • 仅用于理解: ...质量控制是监控过程组的,关注的是产品,是产品的质量问题、质量缺陷,发现并给予消除。 质量管理是关于质量的一切管理活动,包括上面俩货 转载于:https://blog.51cto.com/9845596/2298173...
  • 如何提升测试质量(技术篇)

    千次阅读 2020-01-07 13:18:42
    最近一直围绕着如何提升产品质量开展工作;从大的方向进行分解,包括测试把控、过程管理、配置管理三大块; 其中提升测试质量,可以从以下维度进行考虑:技术+...同时这也属于需求测试,对产品工作的一个检验反馈 ...
  • 一条 Bug 记录最基本应包含:编号...要有效的发现 Bug 需参考需求以及详细设计等前期文档设计出高效的测试用例,然后严格执行测试用例,对发现的问题要充分确认肯定,然后再向外发布如此才能提高提交 Bug 的质量。 ...
  • 方案:软件质量保证

    千次阅读 2018-08-06 16:08:26
    软件质量保证 测试计划 编者说明:  要想系统性地完成一件事,首先要做好计划,测试工作是十分重要的,因此测试计划也是十分必要的。该文档适用于集成测试、系统测试、验收测试的计划制订,并不适用于...
  • 随着现在人们生活节奏的加快以及工作生活中的各种压力,现代人们的睡眠质量成了一个李个人担忧的问题,很多人存在失眠,睡眠质量不佳的现象。鉴于此,2018测睡眠质量的app排行榜给大家推荐了10款有趣又有效的睡眠...
  • 软件开发过程与项目管理(8.软件项目质量计划) 课件 软件质量基本概念 质量定义 质量是满足要求的程度,包括...质量策略是某个组织针对自身要求制定的一种质量指导方针,更侧重于指导思想,属于宏观的范畴。 质量责任

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 74,961
精华内容 29,984
热门标签
关键字:

哪些属于质量问题