直播回顾 | 去哪儿网研发数字化洞察实践

8 月 23 日，思码逸 DevData Talks 邀请到了去哪儿网 DevOps 产品总监陈靖贤。陈靖贤老师多年来深耕于配置管理、DevOps、研发效能提升领域，致力于公司内部 DevOps 的落地实施，研发与交付流程的优化，工程效率平台工具的建设与推广，覆盖开发、测试、交付、运维研发生命周期全流程，全面系统地提升业务交付效能，助力企业业务发展。她这次为我们带来的主题是《数字化赋能:解密去哪儿网研发革新之路》，分享了从 0 到 1 的研发效能建设的最佳实践，构建研发效能体系过程中的踩坑经验，以及去哪儿网当前的研发效能度量模型等内容。

我们将按照以下逻辑带大家回顾本次分享的主要内容：

• 为什么要进行研发数字化

• 度量模型介绍

• 多维度度量实践

• 未来规划

由于演讲包含大量技术细节，篇幅有限，我们仅摘选了部分亮点，建议大家在文末扫码获取 PPT、观看视频回顾。

为什么要进行研发数字化

首先，我们做研发数字化的诉求最初源于管理层，他们希望：

• 全面了解研发的现状、技术水平的现状

• 获得技术团队管理的数据抓手

• 具备进行重大决策的数据依据

由此，我们也发现了很多需要通过数字化来解决的问题，例如：

• 系统多，指标乱，缺少全面度量的数据；

• 现状说不清，决策缺少依据，治理效果难衡量，判断问题偏主观，不同角色之间无法对齐，影响准确地进行判断；

• 先进技术及规范流程的全面推广效果不理想，效果难衡量；

于是，去哪儿网技术中心围绕我们研发过程技术五要素，制定了数字化的战略方向。主要的五要素包括：效率、质量、用户体验、成本和技术先进性。我们围绕这五技术五要素的度量，要做到能对外提供数据可观测、决策有依据、改进有抓手、结果可控制这样的能力，从而满足我们最开始提到的诉求，可以摸清现状，找到差距，持续提升，然后最终能够持续不断地赋能业务。

我们通过一系列的实践，把这个技术五要素进行了数字化的落地，如下图所示，我们取得了一些不错的一些成果。

度量模型介绍

我们要怎么来建立这个度量模型呢？我们需要考虑几个要素：

• 度量什么？

• 为谁度量？

• 怎样度量？

首先解决第一个问题“度量什么”。在整个研发过程当中主要的三个要素包含：需求、应用和人。其中“需求”在整个的产品价值交付过程当中，是一个非常重要的载体。其次，“应用”是研发活动的具体产出载体，我们的交付价值对应的一些变更，最终是依托于“应用”对外提供的。第三个要度量的对象就是“人”，包括研发过程的参与者，多人则聚合为团队、组织。在公司内，也有不同的角色会主要关注以上三个度量对象。

我们明确了度量对象，那么我们度量出来的数据，谁会去关注？我们这些数据要服务于谁？这是第二个要解决的问题。我们对这个服务对象分了三个角色，一个是公司的高层的管理者，然后团队的一级 TL，然后还有一线的员工，包括了产品、开发和 QA。

不同的角色在整个过程当中的关注点是不一样的。管理者更多的是关注公司全局以及团队之间的现状、变化趋势以及存在的一些共性的问题。对于一线 TL 可能更多的是关注自己团队，以及自己团队和其他团队之间的横向对比。对于一线的研发人员来说，更多的是关注自己所负责的每一个度量对象。

接下来，我们要做的就是确定指标模型。由于我们有各种指标，每个指标服务的对象不同，所以我们需要对指标进行分级，进行结构化的梳理、归类，如下图所示。我们设计了三个层级：维度、类型、指标，根据需要可以对数据进行逐级下钻。同时，我们对指标也进行了分级和分类。

我们确定了前边的指标模型，最终生成了我们数字化的度量模型（如下图所示）。从下往上看，最下层是数据源，包含了散落在各个系统中的数据。生产者生产过程中产生的各种各样的数据，还不能直接拿来度量，因为数据之间在结构、连通性等层面存在差异，所以会进入数据湖。我们会对数据进行清洗，统一存储、加工。然后根据之前定义的指标模型去进行计算，然后依托于评价模型聚合到应用、项目、团队等维度。之后我们再赋予不同的指标，并标注需要关注该指标的角色。最后我们针对不同角色给出趋势分析图。

多维度度量实践

在看过模型的构建后，我们来讲讲 5 个技术要素的数字化落地。如下图所示，我们针对效率、质量、用户体验成本和技术先进性，从不同的角色、不同的阶段、不同的终端、不同的维度和不同的方向进行了度量。

我们整个研发数字化落地的路径分为五个步骤：

• 指标定义：摸排现状，确定目标，定义指标

• 落地实现：数据采集，指标计算，分层展示

• 数据验证，业务线验收

• 专项治理：挖掘严重问题，制定治理策略，针对性治理

• 持续运营：运营周报，月/季度汇报，年度激励

在指标定义的阶段，会有内部的数字化专家委员会定期 review 其中的指标。在数据验收阶段，委员会成员也会参与验收，在确保没问题之后向各业务线进行推广。另外，内部还设定了运营周报、季度汇报，以及一些相应的年度激励机制，促进数字化的持续迭代优化。

接下来会围绕“效率度量”、“质量度量”、“用户体验度量”、“技术先进性度量”来分享一些实践的案例。

（编者注：由于篇幅有限，文字回顾仅整理“效率度量”，如希望回顾完整案例，请扫描文末二维码观看回顾视频。）

根据我们刚刚说的实施路径，我们先要对现状进行分析，找出我们当前的问题是什么，我们要达到什么样的目标，怎样度量，关注目标的角色有哪些。

接下来，我们就来看产研的效率指标的制定。在制定过程中，我们首先针对研发过程中不同阶段不同角色的关键活动进行了梳理，然后确立一些结果指标和过程指标。我们将指标度量的维度分为“资源效率”和“交付效率”，其中“交付效率”又划分为两类，一个是“增值活动”，另一个是“非增值活动”。

“资源效率”主要体现的是交付的需求多不多、交付价值高不高，主要度量产研资源的配比和利用率。结果指标主要包含产品的周度输出，还有就是技术资源利用率。我们如何衡量产品输出的价值呢？在过程指标中，我们会将其与 OKR 中的重点项目进行关联，根据关联度的占比来评估产品的交付价值。我们在这个模型中，针对每个指标都提供了一个基准，它是根据我们现有的比较理想的数据来给定的。

下面是关于“交付效率”。其中的核心指标包括产品设计交付的时长，以及研发交付的时长。过程指标中有一个“需求堆积率”的指标，当时经过需求合理化的分析、需求拆解等操作，我们进行了专项治理。经过治理之后的效果是这样的：

• 改进后交付效率提速 15%，带来了产能提升 5%

• 排期饱和度:70%提升到 85%

• 自测自发占比:58% -> 75%

• 环境问题导致的 delay 率:3%-> 0.1%

效率度量的亮点是产品输出的一些指标跟业务价值挂钩，也就是与我们开篇提到的公司的战略、OKR 和重点项目进行关联，后续的研发投入的资源占比与重点项目 OKR 对齐。这样我们度量的就是有多少资源投入在了有价值的需求上。

我们遇到的难点就是在整个交付过程中，有一些环节是没有实现自动化的，书序需要人工输入，这会导致数据不准、数据存在干扰的问题。于是我们进行了流程规范，让项目需求状态在研发过程中的活动实现数据的自动返填，保证整个流程的顺畅流转。最后我们通过“效率度量”得到的收益是：

• 研发流程更加规范；

• 补足缺失的自动化环节；

• 奠定了效率协同的基础。

（编者注：由于篇幅有限，文字回顾仅整理“效率度量”，如希望回顾完整案例，请扫描文末二维码观看回顾视频。）

未来展望

我们目前做的数字化更多的意义在于提升一些局部的效率。由于今年的 AI 技术热潮，各个公司都开始在 AI 方向上发力，所以我们也在局部效率方面通过一些 AI 技术来进行了深度的优化和提升。例如在需求领域、开发测试领域，都引入了 AI，但它只带来的局部的提升，对整体来讲，提升效果还远远不够。

业界有个说法“一个项目的成功，不代表永久的成功”，所以去哪儿网内部也在调整策略和研发流程，从以项目为导向转换成以产品为导向。这个在张乐老师译著的《Project to Product 价值流动》一书中也有详细的介绍，指导和借鉴意义还是还比较大的。我们之后也会朝着这个方向去努力，通过以产品为中心，真正实现跟价值的关联，进行有价值、持续稳定的高质量的交付，最终赋能业务。