നമ്മൾ ശരിക്കും വേഗത്തിലാണോ? ഡോറ ഉപയോഗിച്ച് ഡെവൊപ്സ് അളക്കുന്നു
നിങ്ങളുടെ ഡെലിവറി എങ്ങനെ നടക്കുന്നു എന്ന് പറയുന്ന അഞ്ച് സംഖ്യകളും അവഗണിക്കാൻ പറ്റാത്ത വാനിറ്റി മെട്രിക്സും.
നിങ്ങളുടെ ഡെലിവറി എങ്ങനെ നടക്കുന്നു എന്ന് പറയുന്ന അഞ്ച് സംഖ്യകളും അവഗണിക്കാൻ പറ്റാത്ത വാനിറ്റി മെട്രിക്സും.

"ഞങ്ങള് ഇപ്പോൾ ഡെവൊപ്സ് ചെയ്യുന്നു". പക്ഷെ അത് ഫലപ്രദമാണോ? നാം വേഗത്തിൽ സഞ്ചരിക്കുന്നുണ്ടോ? കുറച്ചുകൂടി തകർക്കുന്നോ? വേഗത്തിൽ സുഖം പ്രാപിക്കുന്നുണ്ടോ? മിക്ക ടീമുകൾക്കും ഈ ചോദ്യങ്ങൾക്ക് ഒരു തോന്നലിന് റെ സഹായത്തോടെ ഉത്തരം പറയാൻ കഴിയില്ല.
ഈ ചോദ്യങ്ങൾക്ക് ഉത്തരം നല് കാന് ഡോറാ മെട്രിക്സ് സഹായിക്കുന്നു. അവ ദെവൊപ്സ് റിസർച്ച് ആൻഡ് അസസ്മെന്റ് ടീമിന്റെ (ഇപ്പോൾ ഗൂഗിൾ ക്ലൌഡിന്റെ ഭാഗമാണ്) വർഷങ്ങളോളം നടത്തിയ ഗവേഷണങ്ങളിൽ നിന്നാണ് വന്നത്. നമ്മുടെ വ്യവസായത്തിന് ഒരു പങ്കിട്ട സ്കോർബോർഡിനോട് ഏറ്റവും അടുത്ത് ഉള്ള കാര്യമാണിവ.
വിന്യാസത്തിന്റെ ആവൃത്തി. എത്ര തവണ നിങ്ങൾ പ്രൊഡക്ഷന് റിലീസ് ചെയ്യുന്നു? ദിവസേന, ആഴ്ചതോറും, മാസതോറും?
മാറ്റങ്ങൾക്കായി സമയം അനുവദിക്കുക. ഒരു മാറ്റം ഉല്പാദനത്തിലേക്ക് എത്താൻ എത്ര സമയമെടുക്കും? മണിക്കൂറുകളോ ആഴ്ചകളോ?
പരാജയ നിരക്ക് മാറ്റുക. എത്ര ശതമാനം വിന്യാസങ്ങൾ ഒരു പ്രശ്നത്തിന് കാരണമാകുന്നു, അത് പരിഹരിക്കപ്പെടണം, റോൾബാക്ക് അല്ലെങ്കിൽ ഹോട്ട്ഫിക്സ്?
സേവനം പുനഃസ്ഥാപിക്കാനുള്ള സമയമായി. ഉല്പാദനത്തില് എന്തെങ്കിലും തകരാറുണ്ടായാല് , അത് വീണ്ടും പ്രവർത്തിക്കുന്നതിന് എത്ര സമയമെടുക്കും?
പുനർനിർമ്മാണ നിരക്ക്. ഏറ്റവും പുതിയ കൂട്ടിച്ചേർക്കൽ: എത്ര വിന്യാസങ്ങൾ മുൻകാല വിന്യാസം കൊണ്ടുള്ള പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് വേണ്ടി മാത്രം ആസൂത്രണം ചെയ്യപ്പെട്ടിട്ടില്ല?
ആദ്യത്തെ രണ്ട് നടപടികൾ വേഗത. മറ്റുള്ളവർ അളക്കുന്നു സ്ഥിരത. ഡോറയുടെ പ്രധാന കണ്ടെത്തൽ ഇവ പരസ്പരം പോരാടുന്നില്ല എന്നതാണ്. മികച്ച ടീമുകള് വേഗതയേറിയതും സ്ഥിരതയുള്ളതുമാണ്. ചെറിയതും പതിവുള്ളതുമായ മാറ്റങ്ങൾ പരീക്ഷിക്കാനും അവലോകനം ചെയ്യാനും പിൻവലിക്കാനും എളുപ്പമാണ്.
വേഗതയും സ്ഥിരതയും ഒരു വിട്ടുവീഴ്ചയല്ല. ചെറിയ മാറ്റങ്ങൾ വരുത്തുന്ന ടീമുകൾ പലപ്പോഴും കുറവ് തകർക്കുന്നു, കൂടുതൽ അല്ല.
അടുത്തിടെ വന്ന ഡൊറ റിപ്പോർട്ടുകൾ വളരെ ഗൌരവമായി ശ്രദ്ധ കേന്ദ്രീകരിച്ചത് AI സഹായത്തോടെയുള്ള വികസനത്തിലായിരുന്നു. മാർക്കറ്റിംഗിനേക്കാൾ കൂടുതൽ സൂക്ഷ്മമായ തലക്കെട്ട്: AI വ്യക്തികളെ വേഗത്തിൽ കോഡ് എഴുതാൻ സഹായിക്കുന്നു, പക്ഷേ ഇത് വലിയ മാറ്റങ്ങളിലേക്ക് നയിക്കും, വലിയ മാറ്റങ്ങൾ സ്ഥിരതയെ ബാധിക്കും.
AI യുടെ ഏറ്റവും വലിയ ഗുണം അനുഭവിക്കുന്ന ടീമുകൾക്ക് ഇതിനകം തന്നെ ശക്തമായ അടിത്തറയുണ്ട്: നല്ല ടെസ്റ്റുകൾ, ചെറിയ ബാച്ചുകൾ, വേഗത്തിലുള്ള ഫീഡ്ബാക്ക്, ശക്തമായ ആന്തരിക പ്ലാറ്റ്ഫോം. നല്ലതോ ചീത്തയോ ആയ കാര്യങ്ങൾക്ക് AI ആക്കം കൂട്ടുന്നു.
തുടങ്ങാന് വലിയ ഉപകരണങ്ങള് ആവശ്യമില്ല. മിക്ക വിവരങ്ങളും ഇതിനകം നിലവിലുണ്ട്:
ഡോറ ടീമിന്റെ ഓപ്പൺ സോഴ്സ് ഓപ്ഷനുകൾ ഉണ്ട് നാലു താക്കോലുകൾ പ്രോജക്ട് പ്രചോദനമായി ഉപയോഗിക്കുകയും, അവയെ യാന്ത്രികമായി കണക്കാക്കുന്ന നിരവധി വാണിജ്യ ഉപകരണങ്ങൾ (LinearB, Sleuth, Swarmia, DX, GitLab, GitHub ഉൾക്കാഴ്ചകൾ)
കഠിനമായി തുടങ്ങുക. ഓരോ ആഴ്ചയും വിന്യാസങ്ങളും സംഭവങ്ങളും കണക്കാക്കുന്ന ഒരു സ്ക്രിപ്റ്റ് ഒരിക്കലും നിർമ്മിക്കാത്ത ഒരു ഡാഷ്ബോർഡിനേക്കാൾ നല്ലതാണ്.
ചില അളവുകള് ഒരു സ്ലൈഡില് നല്ലതായി കാണപ്പെടുന്നു, പക്ഷേ വളരെ കുറവാണ് പറയുന്നത്:
ഡൊറ അളവുകള് ഏറ്റവും നന്നായി പ്രവർത്തിക്കുന്നത് ടീം ടീം തന്നെ മെച്ചപ്പെടുത്താന് ഉപയോഗിക്കുന്ന ഒരു തലത്തില് . വ്യക്തികളെ റാങ്കുചെയ്യാനോ ടീമുകളെ ശിക്ഷിക്കാനോ ഉപയോഗിക്കുന്ന നിമിഷം, ആളുകൾ സിസ്റ്റത്തിനു പകരം സംഖ്യകൾ ഒപ്റ്റിമൈസ് ചെയ്യാൻ തുടങ്ങുന്നു.
ഡൊറ ഡെലിവറി അളക്കുന്നു. ഡെവലപ്പർമാർ സന്തോഷവാനാണോ, ശ്രദ്ധ കേന്ദ്രീകരിച്ചാണോ അതോ തളർന്നോ എന്ന് ഇത് കണക്കാക്കുന്നില്ല. പോലുള്ള ചട്ടക്കൂടുകൾ സ്പേസ് ഒപ്പം ഡെവ് എക്സ് മനുഷ്യത്വത്തിന്റെ ഭാഗം കൂടി ചേർക്കുക: സംതൃപ്തി, ഒഴുക്ക്, ബുദ്ധിപരമായ ലോഡ്, തടസ്സങ്ങൾ. ഒരു ചെറിയ ത്രൈമാസ സർവേയാണ് ഡോറയുടെ കണക്കുകൾക്ക് നല്ലൊരു കൂട്ടുകാരി.
അതെ, പക്ഷേ ശ്രദ്ധയോടെ. ഡോറയുടെ അളവുകൾ തെരഞ്ഞെടുക്കുക, അവയെ ഏകദേശമായി അളക്കുക, സമ്പൂർണ്ണ മൂല്യങ്ങളേക്കാൾ പ്രവണതകളെ നോക്കൂ, അവയെക്കുറിച്ച് ഒരു ടീമായി സംസാരിക്കുക. ഒരു സംഖ്യ മാറുമ്പോള് , എന്തിന് എന്ന് ചോദിക്കുക.
എന്റെ അഭിപ്രായം: സിസ്റ്റത്തെ അളക്കുക, ആളുകളെ അല്ല. എവിടെയാണ് വേദനയെന്ന് പഠിക്കുക എന്നതാണ് ലക്ഷ്യം, ലീഡർബോർഡ് നേടുകയല്ല.
ഡെസ്ലി