論文の概要: No Silver Bullets: Why Understanding Software Cycle Time is Messy, Not Magic

• arxiv url: http://arxiv.org/abs/2503.05040v3
• Date: Tue, 11 Mar 2025 18:57:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 12:14:43.003175
• Title: No Silver Bullets: Why Understanding Software Cycle Time is Messy, Not Magic
• Title（参考訳）: 銀の弾丸がない:なぜソフトウェアサイクルタイムを理解するのはメッシーで魔法ではないのか
• Authors: John C. Flournoy, Carol S. Lee, Maggie Wu, Catherine M. Hicks,
• Abstract要約: 216の組織で55,000以上の観測データを用いて,チケット作成から完成までのサイクルタイムを計測した。 サイクルタイムと週あたりのコーディング日数、マージされたプルリクエストの数、コラボレーションの度合いといった要因との間には、正確だが控えめな関連性があります。 以上の結果から,一般的な職場要因は期待方向のサイクル時間に影響を及ぼすが,どの観測でも典型的性能に関する限られた信号が得られることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Understanding factors that influence software development velocity is crucial for engineering teams and organizations, yet empirical evidence at scale remains limited. A more robust understanding of the dynamics of cycle time may help practitioners avoid pitfalls in relying on velocity measures while evaluating software work. We analyze cycle time, a widely-used metric measuring time from ticket creation to completion, using a dataset of over 55,000 observations across 216 organizations. Through Bayesian hierarchical modeling that appropriately separates individual and organizational variation, we examine how coding time, task scoping, and collaboration patterns affect cycle time while characterizing its substantial variability across contexts. We find precise but modest associations between cycle time and factors including coding days per week, number of merged pull requests, and degree of collaboration. However, these effects are set against considerable unexplained variation both between and within individuals. Our findings suggest that while common workplace factors do influence cycle time in expected directions, any single observation provides limited signal about typical performance. This work demonstrates methods for analyzing complex operational metrics at scale while highlighting potential pitfalls in using such measurements to drive decision-making. We conclude that improving software delivery velocity likely requires systems-level thinking rather than individual-focused interventions.
• Abstract（参考訳）: ソフトウェア開発のベロシティに影響を与える要因を理解することは、エンジニアリングチームや組織にとって重要ですが、大規模な実証的な証拠は限られています。 サイクルタイムのダイナミクスに関するより堅牢な理解は、ソフトウェア作業を評価しながらベロシティ測定に依存する場合、実践者が落とし穴を避けるのに役立つかもしれません。 216の組織で55,000以上の観測データを用いて,チケット作成から完了までのサイクルタイムを分析した。 個人と組織の違いを適切に分離するベイズ階層的モデリングを通じて、コーディング時間、タスクスコーピング、コラボレーションパターンが、コンテキスト間の実質的な変動を特徴づけながら、サイクル時間にどのように影響するかを検討する。 サイクルタイムと週あたりのコーディング日数、マージされたプルリクエストの数、コラボレーションの度合いといった要因との間には、正確だが控えめな関連性があります。 しかし、これらの効果は、個人間および個人内でのかなりの説明できない変動に対して設定されている。 以上の結果から,一般的な職場要因は期待方向のサイクル時間に影響を及ぼすが,どの観測でも典型的性能に関する限られた信号が得られることが示唆された。 この研究は、そのような測定を用いて意思決定を促進する際の潜在的な落とし穴を強調しながら、大規模に複雑な運用メトリクスを分析する方法を示す。 我々は、ソフトウェアデリバリのベロシティを改善するには、個別の介入よりもシステムレベルの思考が必要であると結論付けている。

関連論文リスト

• Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations [14.828081841581296]
  MTPP(マークド・テンポラル・ポイント・プロセス)は、イベント・タイム・データの集合である。 近年の研究では、ディープニューラルネットワークを使用してイベントの複雑な時間的依存関係をキャプチャしている。 本稿では,プロセスの特性を異なる事象からの進化的影響の集合に分解する脱結合型MTPPフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-10T10:15:32Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Caformer: Rethinking Time Series Analysis from Causal Perspective [7.354128514581098]
  本稿では,因果的観点からの時系列解析のためのCaformerという新しいフレームワークを紹介する。 本フレームワークは,動的学習,環境学習,依存学習という3つのコンポーネントから構成される。 我々のCaformerは5つの主流時系列分析タスクで一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-03-13T14:28:02Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Identifying Performance Issues in Cloud Service Systems Based on Relational-Temporal Features [11.83269525626691]
  クラウドシステムはパフォーマンスの問題の影響を受けやすいため、サービスレベルの合意違反や財政的損失を引き起こす可能性がある。 本稿では,メトリクスの相対的特徴と時間的特徴を併用した学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-07-20T13:41:26Z)
• Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics [87.05961347040237]
  我々は、機械学習ブラックボックスの柔軟性とマッチングの解釈可能性を組み合わせたフレームワークであるMatched Machine Learningを紹介する。 我々のフレームワークは機械学習を用いて、一致した単位を学習し、結果を推定する最適な指標を学習する。 一致機械学習のインスタンスはブラックボックスの機械学習手法と同等に動作し、類似した問題に対する既存のマッチング手法よりも優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2023-04-03T19:32:30Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Continuous Attribution of Episodical Outcomes for More Efficient and Targeted Online Measurement [4.361526134899724]
  本研究では,段階的に観察される主指標を用いて,長期的結果のモデル化に因果サロガシーを適用した。 Airbnbのゲスト予約基準にこのアプローチを適用することで、50%から85%のばらつきが大幅に低減された。
  論文  参考訳（メタデータ） (2022-10-28T19:20:20Z)
• Task-aware Similarity Learning for Event-triggered Time Series [25.101509208153804]
  本研究の目的は,未ラベルのイベントトリガー時系列間のタスク認識類似性を学習可能な教師なし学習フレームワークを開発することである。 提案するフレームワークは,さまざまなイベントトリガー時系列の類似性をモデル化し,学習するための体系的なアプローチを実現するための,ステップストーンの提供を目指している。
  論文  参考訳（メタデータ） (2022-07-17T12:54:10Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)
• Robust Learning Through Cross-Task Consistency [92.42534246652062]
  クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
  論文  参考訳（メタデータ） (2020-06-07T09:24:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。