Öz. Bu çalÕ ú mada, Scrum uygulamalarÕ nda iú gücü kestirimi için kullanÕ lan iki yöntem, kestirim sonuçlarÕ nÕ n baú arÕ sÕ açÕ sÕ ndan karú Õ laú tÕ rÕ lmÕ ú tÕ r. Scrum yönteminin kendi iú gücü kestirim yaklaú Õ mÕ olan Hikaye PuanÕ ile COSMIC iú levsel büyüklük ölçümü kullanÕ larak oluú turulan kestirim yöntemleri, bir vaka çalÕ ú masÕ ile karú Õ laú tÕ rÕ lmÕ ú tÕ r. ÇalÕ ú mada farklÕ regresyon yöntemleri ve yapay sinir a÷ Õ yöntemi kullanÕ lmÕ ú , her iki girdi için de bu yöntemlerle kestirim modelleri oluú turulmuú ve kestirim çalÕ ú malarÕ nda yaygÕ n olarak kullanÕ lan baú arÕ kriterleri üzerinden de÷ erlendirilmiú lerdir. De÷ erlendirme sonucunda, COSMIC ölçümü kullanan kestirim modellerinin, Hikaye PuanÕ na kÕ yasla daha baú arÕ lÕ kestirim sonuçlarÕ verebilece÷ i tespit edilmiú tir.
YazÕ lÕ m projelerinde iú gücü kestirimi, proje planlama etkinliklerinin en önemli basamaklarÕ ndan birini oluú turur. Kestirimler, proje takvimi, bütçe planlama, maliyet de÷ erlendirmesi, risk analizi, kaynak planlamasÕ ve kaynak yönetimi etkinliklerine girdi olarak kullanÕ lmaktadÕ r. Bu nedenle, baú arÕ lÕ proje yönetimi için, baú arÕ lÕ kestirim yapabilmek büyük önem taú Õ maktadÕ r.
Birçok çalÕ ú mada, baú arÕ sÕ z yazÕ lÕ m projelerinin ço÷ unun, hatalÕ kestirimler sonucu baú arÕ sÕ z oldu÷ u tespit edilmiú tir.
YakÕ n geçmiú te, yazÕ lÕ m projeleri için birçok iú gücü kestirim yöntemi geliú tirilmiú tir. Bu yöntemlerin ço÷ u, birçok faaliyet alanÕ nÕ kapsayacak, genel geçer yöntemlerdir. Bu genel geçer yöntemlerin dÕ ú Õ nda, yazÕ lÕ m geliú tiren kurumlar, kendi verilerine ve etkinlik alanlarÕ na dayanan, özgün kestirim yöntemleri de geliú tirmiú tir.
YazÕ lÕ m projelerinde iú gücü kestirim yöntemleri, genel olarak üç ana grupta de÷ erlendirilebilir. Uzman Görüú ü: Bu yöntemler belli bir uygulama alanÕ nda yazÕ lÕ m geliú tirme konusunda deneyim sahibi uzmanlarÕ n, geçmiú deneyimlerine dayanarak kestirim yapmalarÕ na dayanan yöntemlerdir. KurallÕ (formel) Kestirim Yöntemleri: Bu yöntemler, nicel verilere ve bu verileri kullanan matematiksel modellere ve formüllere dayanan yöntemlerdir. Bileú ik Kestirim Yöntemleri: Bu yöntemler, yukarÕ da bahsedilen iki türün yaklaú Õ mlarÕ nÕ birleú tiren yöntemlerdir. Öznel de÷ erlendirmeler ve matematiksel modellerin beraber kullanÕ mÕ nÕ içerir.
KurallÕ kestirim yönetmelerinde farklÕ istatiksel yöntemler kullanÕ labilir. En yaygÕ n kullanÕ lan yöntemler, çoklu regresyon analizi, sÕ nÕ flandÕ rma ve karar a÷ acÕ , yapay sinir a÷ larÕ , Bayes istatisti÷ i, genetik programlama, do÷ rusal programlama ve bulanÕ k mantÕ k modelleri olarak özetlenebilir.
Bu yöntemler, gerekli iú gücünü hesaplarken, geliú tirilecek yazÕ lÕ mÕ n büyüklü÷ ünü ya tek ya da ana girdi olarak de÷ erlendirir. Görece daha eski yöntemler, büyüklük olarak, kod satÕ r sayÕ sÕ nÕ (SLOC) kullanÕ r. Ancak, yeni yöntemlerde Fonksiyon Puan Analizi (FPA), IFPUG ve COSMIC gibi iú levsel büyüklük yöntemleri tercih edilmeye baú lanmÕ ú tÕ r.
øú levsel büyüklük ölçüm yöntemleri, kod satÕ r sayÕ sÕ tabanlÕ büyüklük ölçümlerine göre, proje yaú am döngüsünün ilk aú amalarÕ nda kullanÕ labilmeleri, geliú tirme teknolojilerinden ve programlama dilinden ba÷ Õ msÕ z olmalarÕ gibi üstünlüklere sahiptir. 1.1
Bu çalÕ ú mada, COSMIC iú levsel büyüklük ölçüm yöntemi kullanÕ lmÕ ú tÕ r. COSMIC son yÕ llarda gerek akademide gerekse sektörde giderek daha yaygÕ n olarak kullanÕ lan ve en çok kabul gören iú levsel büyüklük ölçüm yöntemlerinden biridir. Bu yöntem; bir ölçüm stratejisi, eú leú tirme ve ölçüm aú amalarÕ nÕ içeren bir standart ölçüm modeli tanÕ mlar.
YazÕ lÕ m, Fonksiyonel Süreç (Functional Process) adÕ verilen iú levsellik seviyelerine ayrÕ lÕ r ve bu seviyede ölçülür. Bu tanÕ m, iú levsellik için standartlaú tÕ rÕ lmÕ ú bir soyutlama seviyesine iú aret eder. Her bir Fonksiyonel Süreç, Veri Hareketleri (Data Movement) ve Veri úø lemeler (Data Manipulation) içerir. COSMIC yönteminde, Veri Hareketleri; Giriú (Entry – E), ÇÕ kÕ ú (eXit X), Okuma (Read – R) ve Yazma (Write – W) olmak üzere dört tiptir. Bu veri hareketleri, yöntemin temel iú levsel bileú enlerini oluú tururlar (Base Functional Process – BFC).
COSMIC yöntemi, iú uygulama yazÕ lÕ mlarÕ nÕ n da, gerçek zamanlÕ yazÕ lÕ mlarÕ n da
büyüklü÷ ünü ölçmek için kullanÕ labilir. Yöntem, aynÕ zamanda, bir ISO standardÕ
olarak kabul edilmiú , “ISO/IEC 19761: Software Engineering – COSMIC-FFP – A
functional size measurement method” adÕ yla yayÕ nlanmÕ ú tÕ r. COSMIC hakkÕ nda detaylÕ
bilgi için yöntem kÕ lavuzundan yararlanÕ labilir [
Çevik yazÕ lÕ m geliú tirme yöntemleri Günümüzde, çevik yazÕ lÕ m geliú tirme yöntemleri geliú tiriciler arasÕ nda giderek daha çok destek bulmakta ve sektörde faaliyet gösteren kurumlar tarafÕ ndan tercih edilmektedir. Çevik yöntemler, genelde, yöntem tanÕ mlarÕ nda, direkt olarak uzman görüú üne dayalÕ kestirimler tanÕ mlamakta veya bu tip kestirimlerin kullanÕ lmasÕ nÕ tavsiye etmektedir.
SCRUM yöntemi, ülkemizde ve dünyada en yaygÕ n olarak kullanÕ lan çevik yöntemlerden biridir. Bu yöntem temelde, yinelemeli bir yaú am döngüsü tanÕ mlamakta ve büyük iú kalemlerinin, küçük ve yönetilebilir iú lere bölünmesi ve önceliklendirilmesi ile ilgili yöntemler içermektedir. SCRUM, uyarlanabilir, de÷ iú tirilebilir bir iú leyiú tarzÕ önerir. Bunun için, yinelemeli bir yaú am döngüsü ile evrimsel geliú tirme ve teslimat prensiplerini öne çÕ karÕ r. OlasÕ de÷ iú ikliklere hÕ zlÕ tepki vermeyi öncelikli kabul eder.
SCRUM’da, iú gücü kestiriminin, Planlama Pokeri adÕ verilen bir yöntemle yapÕ lmasÕ önerilir. Bu yöntem, Wideband Delphi yöntemini temel alan, oylamaya dayalÕ bir kestirim yöntemidir. Her bir iú için gerekli iú gücü, (genellikle) Fibonacci sayÕ larÕ kullanÕ larak tahmin edilir. YazÕ lÕ m ekibinin üyeleri, her bir iú için, poker kurallarÕ nÕ kullanarak kendi tahminlerini belirtir ve sonunda topluca bir karara varÕ lÕ r. Kestirim birimi olarak Hikaye PuanÕ (Story Point) kullanÕ lÕ r. Bu birim, bir büyüklük ölçüm biriminden çok, direkt olarak iú gücü miktarÕ nÕ gösteren bir birimdir.
SCRUM yöntemi ve etkinlikleri hakkÕ nda detaylÕ bilgi için www.scrum.org adresine baú vurulabilir. SCRUM’Õ n detaylarÕ bu bildirinin kapsamÕ dÕ ú Õ ndadÕ r. 1.3
ÇalÕ ú ma
Bu çalÕ ú mada, SCRUM yönteminde tanÕ mlana kestirim yöntemi ve kestirim birimi olan Hikaye PuanÕ yöntemi (Story Points) ile COSMIC iú levsel büyüklük yöntemi kullanÕ larak oluú turulan kestirim modelleri ile gerçekleú tirilen kestirimlerin baú arÕ sÕ , bir durum çalÕ ú masÕ ile karú Õ laú tÕ rÕ lmÕ ú tÕ r.
ÇalÕ ú ma, Türkiye’de faaliyet gösteren ve SCRUM yöntemini uygulayan, büyük ölçekli bir yazÕ lÕ m firmasÕ nda gerçekleú tirilmiú tir. ÇalÕ ú ma kapsamÕ nda 12 yazÕ lÕ m projesi incelenmiú tir. Bu projelerin, COSMIC büyüklükleri ölçülmüú , alan uzmanlarÕ ile gerçek proje geliú tiricilerinden Hikaye PuanÕ de÷ erlendirilmeleri alÕ nmÕ ú ve kurum ölçüm veri tabanlarÕ ndan, gerçekleú en proje iú gücü verileri toplanmÕ ú tÕ r. Sonraki adÕ mda COSMIC büyüklük verileri üzerinden farklÕ istatiksel yöntemler kullanÕ larak farklÕ kestirim modelleri geliú tirilmiú tir. Daha sonra da bu modellerin kestirim baú arÕ larÕ ile alan uzmanlarÕ ve geliú tiricilerin yaptÕ ÷ Õ Hikaye PuanÕ de÷ erlendirmelerinin do÷ rulu÷ u karú Õ laú tÕ rÕ lmÕ ú tÕ r.
Literatürde yazÕ lÕ m iú gücü kestirim modelleri ile ilgili birçok çalÕ ú ma bulunmaktadÕ r. Bu modellerin ço÷ u, regresyon ve yapay sinir a÷ Õ yöntemlerini temel alÕ r. Bu bölümde en çok kabul gören modellerin bazÕ larÕ özetlenmiú tir.
Maxwell, Wassenhove ve Dutta, Avrupa Uzay AjansÕ ’na (European Space Agency –
ESA) ait 108 proje üzerinde yaptÕ klarÕ çalÕ ú mada [
ÇalÕ ú ma sonunda, en do÷ ru kestirimleri üreten modelin yazÕ lÕ m büyüklü÷ ünü temel alan model oldu÷ unu tespit etmiú lerdir. Bunun dÕ ú Õ nda, ESA verilerine göre, üretkenli÷ i etkileyen ana faktörleri; uygulama kategorisi, programlama dili, talep edilen yazÕ lÕ m güvenilirlik seviyesi, bellek alanÕ kÕ sÕ tlarÕ ve modern programlama pratiklerinin ve araçlarÕ nÕ n kullanÕ mÕ olarak belirlemiú lerdir.
Moløkken ve Jorgensen, yazÕ lÕ m iú gücü kestirim hatalarÕ nÕ n sebepleri üzerine bir
çalÕ ú ma yapmÕ ú tÕ r [
Magne Jørgensen, Ulf Indahl ve Dag Sjøberg Sir Francis Galton tarafÕ ndan 1800lerin
sonunda gerçekleú tirilen Ortalamaya Gerileme (Regression Toward the Mean – RTM)
adlÕ çalÕ ú manÕ n sonuçlarÕ ndan faydalanan bir çalÕ ú ma gerçekleú tirmiú tir [
Oliveira, çalÕ ú masÕ nda kestirim modelleri için vektörel regresyon, radyal taban
fonksiyonlu yapay sinir a÷ larÕ ve do÷ rusal regresyon yöntemlerini uygulamÕ ú tÕ r [
Jorgensen 2004’teki çalÕ ú masÕ nda [
Seçkin TunalÕ lar, çalÕ ú masÕ nda [
Bu bölümde özetlenen çalÕ ú malar daha ziyade, gereksinimlerin tanÕ mlandÕ ÷ Õ , proje sÕ nÕ rlarÕ nÕ n belirli oldu÷ u, alÕ ú Õ lagelmiú yazÕ lÕ m geliú tirme yaú am döngülerini esas almakta, bu amaçla geliú tirilmiú kestirim modellerini incelemektedir. Bu bildiriye konu olan çalÕ ú mada ise, çevik/scrum yöntem izlenen projeler için COSMIC ölçüm tabanlÕ bir kestirim geliú tirilip geliú tirilemeyece÷ i incelenmiú ve olasÕ yöntemler çevik yazÕ lÕ m geliú tirmede kullanÕ lan planlama pokeri ve hikaye puanÕ yöntemleriyle kestirim baú arÕ sÕ açÕ sÕ ndan kÕ yaslanmÕ ú tÕ r.
ÇalÕ ú mada, COSMIC büyüklük ölçümleri ile gerçek iú gücü verileri arasÕ ndaki iliú ki incelenmiú tir. Daha sonra, bu büyüklük verilerini kullanan bazÕ matematiksel modeller oluú turulmuú , bu modeller ile elde edilen kestirimler ile hikaye puanÕ kestirimleri isabetlilik açÕ sÕ ndan karú Õ laú tÕ rÕ lmÕ ú tÕ r. 3
ÇalÕ ú ma kapsamÕ nda, Türkiye’nin en büyük devlet bankalarÕ ndan biri için yazÕ lÕ m geliú tiren büyük ölçekli bir yazÕ lÕ m kurumunda bir vaka çalÕ ú masÕ gerçekleú tirilmiú tir. Kurumda 500 yazÕ lÕ m geliú tirici bulunmaktadÕ r ve kurum genelinde Scrum yöntemi uygulanmaktadÕ r.
Kurumda, kestirimler iki seviyeli bir planlama pokeri ile gerçekleú tirilmektedir. ø lk aú amada, bütün geliú tirme ekiplerinden birer temsilci ile oluú turulan bir üst kurulda kestirimler yapÕ lmakta, daha sonra geliú tirme ekibi içinde ikinci bir kestirim toplantÕ sÕ gerçekleú tirilmektedir. Bu uygulamanÕ n, kestirimlerde kullanÕ lan hikaye puanÕ büyüklüklerinin, ekipler arasÕ nda, normalize edilmesini sa÷ ladÕ ÷ Õ belirtilmiú tir. Bu durum, ekiplerin performansÕ de÷ erlendirilirken de tutarlÕ bir ölçüt kullanÕ lmasÕ nÕ sa÷ lamaktadÕ r. 3.1
Vaka çalÕ ú masÕ nÕ n gerçekleú tirilece÷ i kurum seçilirken, Scrum yönetiminin tüm kurumda kullanÕ yor olmasÕ , kurumda Scrum yöntemi ile en az 10 proje gerçekleú tirilmiú olmasÕ ve bu projeler için gerekli ölçüm ve verilerin ulaú Õ labilir olmasÕ ú artÕ aranmÕ ú tÕ r. Vaka çalÕ ú masÕ nda kullanÕ lacak projelerde aú a÷ Õ daki verilerin varlÕ ÷ Õ aranmÕ ú tÕ r: Bu veriler, projelerin iú levsel büyüklüklerini hesaplamak, aykÕ rÕ projeleri belirlemek ve iú gücü modellerini geliú tirmek için gereklidir.
Seçilen projelerin büyüklükleri COSMIC yöntemi ile ölçülürken, iú listesinde yer alan kullanÕ cÕ hikayeleri ve bu hikayelerde bahsedilen, referans verilen di÷ er belgelerin kullanÕ lmasÕ kararlaú tÕ rÕ lmÕ ú tÕ r. Bu ölçüm sonuçlarÕ oluú turulacak kestirim modellerine temel teú kil edecektir.
Modelleri oluú turmadan önce, aykÕ rÕ projeleri bulmak ve do÷ ru sonuçlarÕ kullanmak amacÕ yla, ölçüm sonuçlarÕ için bir do÷ rulama aú amasÕ planlanmÕ ú tÕ r. Do÷ rulama için ilk olarak CUBIT adlÕ COSMIC ölçüm aracÕ nÕ n otomatik do÷ rulama iú levi kullanÕ lmÕ ú tÕ r. Bu do÷ rulamadan sonra, ölçüm sonuçlarÕ , bir COSMIC ölçüm uzmanÕ nca de÷ erlendirilmiú ve do÷ rulanmÕ ú tÕ r.
Do÷ rulamadan sonra, veriler, iú gücü/büyüklük oranÕ , kullanÕ lan araçlar, geliú tirme ekibinin deneyim seviyeleri, kullanÕ lan platformlar, yeni teknoloji kullanÕ lmasÕ açÕ larÕ ndan de÷ erlendirilmiú , aykÕ rÕ projeler tespit edilmiú tir. Bu aú amalardan sonra, model oluú turmak için temiz bir veri kümesi elde edilece÷ i varsayÕ lmÕ ú tÕ r.
Analiz aú amasÕ nda, büyüklük verilerinden yola çÕ karak iú gücünü kestirmek için, farklÕ türlerde regresyon analizleri ile yapay sinir a÷ Õ yöntemi kullanÕ lmÕ ú tÕ r. COSMIC iú levsel büyüklük, hikaye puanÕ ve iú gücü verileri üzerinde basit regresyon, çoklu regresyon, güçlü regresyon, polinom regresyon, üstel regresyon, logaritmik regresyon yöntemleri uygulanmÕ ú tÕ r. BunlarÕ n yanÕ nda COSMIC büyüklük verileri ile bir yapay sinir a÷ Õ kurulmuú ve bu model gerçek iú gücü verileri ile e÷ itilmiú tir.
Eldeki veriler için, yukarÕ da sÕ ralanan yöntemler ile kestirim modelleri oluú turulduktan sonra, modellerin kestirim baú arÕ larÕ modellerin MMRE ve PRED de÷ erleri hesaplanarak de÷ erlendirilmiú tir. 3.2
12 yazÕ lÕ m projesi örneklem kümesi için aday olarak seçilmiú tir. Tablo 1’de bu projeler ve uygulama türleri gösterilmiú tir. Verilerin gizlili÷ ini korumak amacÕ yla, projelere kÕ saltma isimler verilmiú tir.
Kurum 2011’den beri Scrum yöntemi ile yazÕ lÕ m geliú tirmektedir. Bu, çalÕ ú manÕ n yapÕ ldÕ ÷ Õ tarihte üç senelik bir süreye karú Õ lÕ k gelmektedir. Kurumda çevik yöntemler için özel olarak tasarlanmÕ ú bir ölçüm toplama aracÕ kullanÕ lmaktadÕ r. ÇalÕ ú mada kullanÕ lan proje verilerinin ço÷ u bu araç üzerinden edinilmiú tir.
Tablo 1. Örneklem ø çin Aday Projeler # 1 2 3 4 5 6 7 8 9 10 11 12
Proje BN MEV WP KK HCZ IH IP IAM MT NF HY SGP
Uygulama Türü EMC Documentum - C# Uygulama Entegrasyonu C# Windows UygulamasÕ C# ASP.NET Web Sitesi C# Windows UygulamasÕ C# Windows UygulamasÕ C# Windows UygulamasÕ C# ASP.NET Web Sitesi C# Windows UygulamasÕ C# Windows UygulamasÕ C# ASP.NET Web Sitesi SharePoint Portal SharePoint Portal
Windows
Tablo 1’deki tüm projeler için, aú a÷ Õ daki veriler toplanmÕ ú tÕ r: Temel Proje Özellikleri: ø sim, Baú langÕ ç Tarihi, Bitiú Tarihi, Tür, KullanÕ lan Araçlar. KullanÕ lan Teknoloji: Programlama Dili, Veri TabanÕ Yönetim Sistemi, Mimari,
KullanÕ lan Standartlar. øú gücü Verisi: Gereksinim Oluú turma øú gücü, Geliú tirme øú gücü, Test øú gücü. Hikaye PuanÕ . Hikaye TanÕ mlarÕ . Görev Tipi. Görevi Gerçekleú tiren Ekip Üyesi YukarÕ da belirtildi÷ i gibi, matematiksel modeller oluú turulmadan önce, ölçüm sonuçlarÕ , hatalarÕ en aza indirmek amacÕ yla, do÷ rulanmÕ ú tÕ r. Ölçümlerde, araú tÕ rma grubumuzca geliú tirilen CUBIT adlÕ ölçüm aracÕ kullanÕ lmÕ ú tÕ r. Do÷ rulamanÕ n ilk aú amasÕ da, yine araú tÕ rma grubumuz bünyesinde geliú tirilen ve CUBIT üzerinde çalÕ ú an deneysel bir otomatik do÷ rulama eklentisi ile gerçekleú tirilmiú tir. Do÷ rulanan COSMIC ölçüm sonuçlarÕ Tablo 2’de verilmiú tir.
Toplam úø gücü 364 519 117 196 332 286
Ortalamadan Sapma 0,4162 0,8718 0,4694 0,4488 0,4860 -0,1903 -0,2604 0,1952 -0,2072 -0,2278 -0,1906 # 1 2 Büyüklük ölçümünden sonra, üretkenlik de÷ erlerini hesaplamak amacÕ yla, COSMIC büyüklük verileri ile toplam iú gücü verileri karú Õ laú tÕ rÕ lmÕ ú tÕ r. Proje ekiplerinin yapÕ sÕ ve deneyimleri birbirine yakÕ n oldu÷ undan, aykÕ rÕ projeleri belirlemek için bu üretkenlik verileri temel alÕ nmÕ ú tÕ r.
Tablo 3. Projelerin Üretkenlik De÷ erleri 1 2 3 4 5 6 #
Proje HCZ MEV
IP IH IAM
KK MT NF BN SGP HY Ortalama 0,5067 0,5026 0,3118 1,4817 1,2602 0,6766 -0,1699 -0,1739 Projelerin üretkenlik de÷ erleri Tablo 3’te verilmiú tir. Tabloda, SGP ve HY isimli projeler için üretkenlik de÷ erlerinin di÷ er projelere göre çok daha yüksek oldu÷ u görülebilir. Bu projeler, Microsoft SharePoint ile geliú tirilmiú projelerdir. Bu çerçeve, az bir kodlama ve test iú gücü ile yüksek üretkenlik sa÷ layan bir yapÕ oldu÷ undan bu beklenen bir sonuçtur. BN isimli proje de di÷ erlerinden farklÕ bir teknoloji ile geliú tirildi÷ i için, bu üç proje aykÕ rÕ olarak kabul edilmiú ve örneklemden çÕ karÕ lmÕ ú tÕ r.
Veriler toplandÕ ktan sonra, büyüklük ve iú gücü arasÕ ndaki iliú kiyi kuracak matematiksel modelleri geliú tirmek üzere ilk olarak, veriler konsolide edilmiú tir. Daha sonra, COSMIC büyüklük ve iú gücü arasÕ nda iliú ki kuran matematiksel modeller oluú turulmuú tur. Analiz aú amasÕ nda ise bu modellerin kestirimlerdeki isabetlili÷ i de÷ erlendirilmiú , hikaye puanlarÕ ile iú gücü arasÕ ndaki iliú ki kuran modeller ile karú Õ laú tÕ rÕ lmÕ ú tÕ r.
Basit ve çoklu do÷ rusal regresyon yöntemleri uygulanÕ rken, toplam proje iú gücünün yanÕ sÕ ra, yazÕ lÕ m yaú am döngüsünün farklÕ aú amalarÕ na ait iú gücü verileri de de÷ erlendirmeye alÕ nmÕ ú tÕ r. Çoklu regresyon yöntemi için, COSMIC yönteminin temel iú levsel bileú enleri olan giriú (E), çÕ kÕ ú (X), okuma (R) ve yazma (W) veri hareketleri ba÷ Õ msÕ z de÷ iú kenler olarak kullanÕ lmÕ ú tÕ r. Öte yandan, Hikaye PuanlarÕ tek bir de÷ iú kenden oluú tu÷ u ve birden çok bileú ene ayrÕ lamadÕ ÷ Õ için, Hikaye PuanlarÕ için çoklu regresyon yöntemi kullanÕ lamamÕ ú tÕ r. Bunlara ek olarak, logaritmik regresyon, üstel regresyon, güçlü regresyon, ve polinom regresyon gibi e÷ ri oturtma yöntemleri uygulanmÕ ú tÕ r.
Regresyon yöntemlerine ek olarak, 9 nörondan oluú an bir yapay sinir a÷ Õ oluú turulmuú tur. Bu modelin girdi parametreleri COSMIC temel iú levsel bileú enleri, ba÷ Õ l de÷ iú keni ise toplam proje iú gücü olarak tanÕ mlanmÕ ú tÕ r.
Toplamda, COSMIC büyüklük için 13, Hikaye PuanÕ için ise 8 iú gücü kestirim modeli oluú turulmuú tur. Oluú turulan modellerin girdileri, ba÷ Õ l de÷ iú kenleri ve kullanÕ lan analiz yöntemleri Tablo 4’te verilmiú tir.
# 1 2
Analiz Yöntemi
Girdi Parametreleri Basit Regresyon Modeller oluú turulduktan sonra, kestirim baú arÕ larÕ de÷ erlendirilmiú ve karú Õ laú tÕ rÕ lmÕ ú tÕ r. Bunun için, Ba÷ Õ l Hata (Magnitude of Relative Error – MRE), Ortalama Ba÷ Õ l Hata (Mean Magnitude of Relative Error - MMRE) ve PRED (N) de÷ erleri kullanÕ lmÕ ú tÕ r. MMRE ve PRED (N) bu yazÕ lÕ m kestirim modellerinin isabetlili÷ ini de÷ erlendirmek için yaygÕ n olarak kullanÕ lan iki kriterdir. Bu de÷ erlerin hesaplanmasÕ nda kullanÕ lan formüller aú a÷ Õ da belirtilmiú tir.
ܧܴܯ ൌ
Kestirimle ilgili çalÕ ú malarda, PRED hesaplamalarÕ nda, N de÷ eri genellikle 30 alÕ nmaktadÕ r. Bir modelin isabetlili÷ i, MMRE de÷ eri 0’a, PRED (N) de÷ eri ise 100’e yaklaú tÕ kça artar. Düú ük MMRE de÷ eri, modelin baú arÕ lÕ oldu÷ una iú aret eder ve 0,25’ten düú ük de÷ erlere sahip modeller, uygulanabilir bir kestirim yöntemi olarak kabul edilir.
PRED ise, tahmin edilen de÷ erlerin ne kadarÕ nÕ n gerçek de÷ erlere belirtilen komú uluk dahilinde (N) oldu÷ unu belirten bir de÷ erdir. Bu çalÕ ú mada PRED (30) de÷ eri %70’in üzerinde olan modeller, kabul edilebilir modeller olarak de÷ erlendirilmiú tir.
Baú ka bir deyiú le, tahmin edilen de÷ erlerin %70’i, gerçek de÷ erlerin %30luk komú ulu÷ unda ise model baú arÕ lÕ kabul edilmiú tir. 4
COSMIC büyüklük ölçümü ve Hikaye PuanÕ için MMRE ve PRED (30) de÷ erleri Tablo 5’te verilmiú tir.
Tablo 5. COSMIC ve Hikaye PuanÕ Temelli Modeller ø çin De÷ erlendirme SonuçlarÕ Yöntem
Parametreler COSMIC büyüklük kullanÕ larak geliú tirilen modeller arasÕ nda, en iyi MMRE ve PRED (30) de÷ erleri, ba÷ Õ l de÷ iú ken olarak toplam iú gücünü alan, çoklu regresyon modelinde görülmektedir. COSMIC yönteminin temel iú levsel bileú enlerini girdi olarak alan bu yöntemin, 6,29 MMRE ve 100 PRED de÷ eri ile oldukça isabetli kestirimler üretti÷ i ve pratikte uygulanabilir oldu÷ u görülmektedir.
Hikaye PuanÕ kullanÕ larak geliú tirilen modeller arasÕ nda ise en iyi sonuç, güçlü regresyon ve polinom regresyon yöntemlerinde elde edilmiú tir. Güçlü regresyon temelli model, 18,01 MMRE ve 77,89 PRED (30) de÷ erlerine sahipken, polinom regresyon temelli model 18,93 MMRE ve 88,89 PRED(30) de÷ erlerine sahiptir.
COSMIC ve Hikaye PuanÕ kullanÕ larak geliú tirilen modelleri, kestirim baú arÕ de÷ erlerine göre karú Õ laú tÕ rdÕ ÷ Õ mÕ zda, basit yöntemler kullanÕ larak oluú turulan modellerde, Hikaye PuanÕ temelli modellerin COSMIC temelli olanlara kÕ yasla biraz daha baú arÕ lÕ oldu÷ u gözlemlenmektedir. Öte yandan, çoklu regresyon ve yapay sinir a÷ larÕ kullanÕ larak oluú turulan modellerin çok daha iyi isabetlilik de÷ erlerine sahip oldu÷ u görülmektedir. Ancak, bu yöntemler girdilerin birden fazla bileú enden oluú masÕ nÕ gerektirdi÷ inden, bu yöntemler sadece COSMIC ölçümleri için kullanÕ labilmiú tir. 5
Bu çalÕ ú mada, Scrum yönteminde tanÕ mlanan iú gücü kestirim yöntemi olan Hikaye PuanÕ ile COSMIC iú levsel büyüklük ölçümü kullanÕ larak oluú turulmuú bazÕ iú gücü kestirim modelleri, kestirimlerdeki baú arÕ larÕ na göre karú Õ laú tÕ rÕ lmÕ ú tÕ r. Bu karú Õ laú tÕ rma, büyük ölçekli bir yazÕ lÕ m firmasÕ nda gerçekleú tirilen bir vaka çalÕ ú masÕ çerçevesinde gerçekleú tirilmiú tir.
Tek bir girdi parametresine ba÷ lÕ modellerin kestirim isabetlili÷ inin genel olarak düú ük oldu÷ u gözlemlenmiú tir. Bu tip yöntemlerde COSMIC ya da Hikaye PuanÕ kullanÕ lmasÕ arasÕ nda, kestirim baú arÕ sÕ açÕ sÕ ndan kayda de÷ er bir fark görülmemiú , her iki büyüklük için de düú ük veya sÕ nÕ rda baú arÕ de÷ erleri elde edilmiú tir.
Bunun yanÕ nda, yazÕ lÕ mÕ n büyüklü÷ ünü birden çok boyutta ele alan modellerin, çok daha yüksek baú arÕ de÷ erlerine sahip oldu÷ u gözlemlenmiú tir. Ancak, Hikaye PuanÕ , birden çok boyuta ayrÕ ú tÕ rÕ lamayan, tekil bir ölçüm oldu÷ undan, bu tip çoklu giriú e sahip modellerde kullanÕ lamamaktadÕ r. COSMIC ölçümleri ise, tanÕ mÕ gere÷ i dört ayrÕ temel iú levsel bileú enden oluú makta ve çoklu girdi kullanan yöntemlere girdi olarak kullanÕ labilmektedir. Bu nedenle, COSMIC büyüklü÷ ünün, iú levsel bileú enleri ayrÕ ayrÕ kullanÕ ldÕ ÷ Õ nda, yazÕ lÕ m büyüklü÷ ünü Hikaye PuanÕ ndan çok daha iyi temsil etti÷ ini söyleyebilir. Bu durum da, toplamda COSMIC tabanlÕ kestirim modellerini, Hikaye PuanÕ tabanlÕ modellere göre daha baú arÕ lÕ kÕ lmaktadÕ r.
Öte yandan, Hikaye PuanÕ kolektif uzman görüú üne dayalÕ bir kestirim türüdür ve COSMIC iú levsel büyüklük ölçümü ile kÕ yaslandÕ ÷ Õ nda, iú gücü kestirimlerini oluú turmak daha az süre ve emek gerektirmektedir. AynÕ zamanda, COSMIC ölçümü ile oluú turulacak bir kestirim modeli, kurumda geçmiú proje verilerinin bulunmasÕ na ihtiyaç duymaktadÕ r.
Bu noktada COSMIC tabanlÕ kestirimlerin Hikaye PuanÕ tabanlÕ kestirimlere göre daha isabetli oldu÷ u ancak daha çok emek ve kaynak gerektirdi÷ i söylenebilir. Scrum uygulayan kurumlarÕ n, ihtiyaç duyduklarÕ iú gücü kestirim hassasiyeti ile kestirim çalÕ ú malarÕ na ayÕ rmayÕ planladÕ klarÕ süre ve eme÷ i kÕ yaslayarak bu iki yöntemden birini tercih etmeleri önerilir. 6
Bu bölümde çalÕ ú ma sonuçlarÕ nÕ n genelleú tirilmesi ile ilgili bazÕ kÕ sÕ tlar özetlenmiú tir.
Vaka çalÕ ú masÕ nÕ n gerçekleú tirildi÷ i kurumda, KullanÕ cÕ Hikayeleri için standart bir ú ablon kullanÕ lmamaktadÕ r. Bunun yanÕ sÕ ra, bu hikayeleri do÷ rulanmasÕ ve/veya geçerlenmesi için bir gözden geçirme mekanizmasÕ bulunmamaktadÕ r. KullanÕ cÕ hikayelerinin yanlÕ ú anlaú Õ lmasÕ ve farklÕ ekiplerin tanÕ mladÕ ÷ Õ hikayeler arasÕ ndaki soyutlama seviyesi farklÕ lÕ klarÕ ölçüm sonuçlarÕ nda belli bir miktar tutarsÕ zlÕ ÷ a yol açmÕ ú olabilir.
Kurumda kullanÕ lan ve Çevik yöntemler için tasarlanmÕ ú ölçüm toplama aracÕ , analiz, kodlama ve test gibi aú amalar için ayrÕ tip etkinlikler tanÕ mlamamaktadÕ r. Gerçekleú en iú gücü hesaplanÕ rken, bu ayrÕ m yazarlar tarafÕ ndan geriye dönük olarak yapÕ lmÕ ú tÕ r. Bu ayrÕ mda, iú ve görevlerin tanÕ mlarÕ ve atandÕ klarÕ rollerden yararlanÕ lmÕ ú tÕ r. Ancak, çalÕ ú ma kapsamÕ nda en baú arÕ lÕ kestirim modelleri ba÷ Õ l de÷ iú ken olarak toplam proje iú gücünü alan modeller oldu÷ u için, bu durum çalÕ ú ma sonuçlarÕ nÕ etkilememiú tir.
ÇalÕ ú mada kullanÕ lan veriler, tek bir kurumdan toplanmÕ ú tÕ r. Bu durum ve proje sayÕ sÕ nÕ n kÕ sÕ tlÕ olmasÕ , çalÕ ú ma sonuçlarÕ nÕ n genele uyarlanmasÕ nda göz önünde bulundurulmasÕ gereken bir faktördür. 7
Referanslar