Yazılım projelerini metriklerle veriye dayalı yönetin
Velocity, akış metrikleri (cycle/lead time, throughput, CFD), kalite metrikleri (kusur yoğunluğu, kaçak oranı), Little's Law ve Monte Carlo tahmini ile yazılım projelerini veriye dayalı ölçmeyi ve panolarla karar almayı uygulatan orta seviye eğitim.
Yazılım proje metrikleri ve veri odaklı yönetim
Bu eğitim, yazılım projelerinde veriye dayalı yönetim için metrik analizini öğretir. Agile/akış metrikleri: velocity, sprint burndown/burnup, cumulative flow diagram (CFD), cycle time, lead time, throughput ve iş öğesi yaşı ele alınır. Kalite metrikleri: kusur (defect) yoğunluğu, kaçak oranı (escape rate), yeniden açılma, test kapsamı, teknik borç göstergeleri işlenir. Tahmin ve öngörülebilirlik: Little's Law, Monte Carlo simülasyonu ile teslim tahmini, trend ve kontrol grafikleri uygulanır. Metrik anti-paternleri (hız karşılaştırması, vanity metrikler), veri kaynakları (Jira/Azure DevOps), gösterge panosu tasarımı ve karar alma gösterilir.
3 Gün. Her gün dört modül; gerçek proje verisiyle metrik hesaplama ve pano kurma lableri.
Orta Seviye — Yazılım projelerinde veri analizi: hız, akış, kalite ve tahmin metrikleriyle proje yönetimi ölçümünü kapsar.
Jira/Azure DevOps'tan çıkarılan örnek proje verisiyle metrikleri hesaplayıp pano kurarak ve kararlar alarak ilerlenir.
Sezgi yerine akış ve kalite metrikleriyle proje kararları alırsınız.
Little's Law ve Monte Carlo ile teslim tarihlerini güvenle öngörürsünüz.
Vanity metriklerden kaçınıp gerçekten iyileştiren göstergelere odaklanırsınız.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Scrum/Kanban ve sprint kavramlarına aşinalık gerekir.
Temel tablo ve grafik okuma becerisi faydalıdır.
Jira/Azure DevOps verisine veya örnek veriye erişim faydalıdır.
Excel veya bir BI aracına temel aşinalık avantaj sağlar.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Velocity ve burndown/burnup'ı hesaplayıp yorumlarsınız.
Cycle time, lead time ve throughput'u ölçersiniz.
Cumulative Flow Diagram ile darboğazları bulursunuz.
Kusur yoğunluğu ve kaçak oranını izlersiniz.
WIP, throughput ve cycle time ilişkisini uygularsınız.
Olasılıksal teslim tahmini yaparsınız.
Karar odaklı metrik panoları tasarlarsınız.
Vanity metrik ve metrik oyunlarından kaçınırsınız.
Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.
Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.
Bağımsız iki örneklemli t-testi, eşli (paired) t-testi, varyans homojenliği, Welch düzeltmesi ve Cohen's d etki büyüklüğünü uygulamalı öğrenin.
Detayları Gör →
Mann-Whitney, Wilcoxon, Kruskal-Wallis ve tek/iki yönlü ANOVA ile post-hoc (Tukey, Bonferroni) ve eta kare etki büyüklüğünü uygulamalı öğrenin.
Detayları Gör →
Tek örneklemli t-testi, varsayımları, t istatistiği, p-değeri, güven aralığı ve Cohen's d ile örneklem ortalamasını referans değerle sınayın.
Detayları Gör →
R'da glmnet ile ridge/lasso/elastic net ve randomForest/xgboost ile bagging/boosting kurun; lambda seçimi, çapraz doğrulama ve model karşılaştırma öğrenin.
Detayları Gör →
R'da veri içe aktarma, temizleme, dplyr dönüştürme, tanımlayıcı istatistik, ggplot2 görselleştirme ve t-testi/ki-kare ile kendi verinizi analiz edin.
Detayları Gör →