Как выбрать ключевые показатели эффективности и метрики управления инцидентами
Отслеживание и совершенствование управления инцидентами с течением времени
В современном мире непрерывной работы систем технические инциденты ведут к серьезным последствиям.
Каждый час простоя в работе системы обходится компаниям в среднем в 300 тысяч долларов США упущенной выгоды, потерянной производительности сотрудников и расходов на техническое обслуживание. В случае масштабных отказов издержки могут расти как на дрожжах (можно вспомнить компанию Delta Airlines, которая потеряла около 150 млн долларов США из-за сбоя в работе ИТ в 2017 году). Клиенты, которые не могут оплатить счета, провести важную видеоконференцию или купить авиабилет, быстро уходят к конкурентам.
На карту поставлено очень многое. Поэтому командам крайне важно отслеживать KPI управления инцидентами, а также использовать результаты для выявления, диагностики, исправления и, наконец, предотвращения инцидентов.
Положительный момент заключается в том, что при обработке инцидентов в веб-сфере и программном обеспечении (в отличие от механических поломок и отключения систем) команды обычно получают гораздо больше данных. Поэтому они могут эффективнее разобраться в ситуации и провести улучшение.
Но есть и минусы. Иногда становится сложнее понять проблему при наличии большого объема данных.
Ценность ключевых показателей эффективности, метрик и аналитики в управлении инцидентами
Ключевые показатели эффективности (KPI) помогают компаниям определить, достигают ли они конкретных целей. В контексте управления инцидентами этими показателями может быть количество инцидентов, среднее время разрешения или среднее время между инцидентами.
При отслеживании KPI управления инцидентами можно выявить и диагностировать проблемы с процессами и системами, определить ориентиры и поставить реалистичные цели для работы команды, а также найти отправную точку для решения масштабных вопросов.
Предположим, что компания стремится к разрешению всех инцидентов в течение 30 минут, но вашей команде это удается в среднем за 45 минут. Без конкретных показателей трудно понять, в чем проблема. Система оповещения срабатывает слишком медленно? В процессе что-то не работает? Нужны более современные диагностические инструменты? Эта проблема связана с командой или оборудованием?
Теперь добавьте показатели. Если точно известно, сколько времени требуется системе оповещения для срабатывания, вы сможете понять, является ли она причиной проблемы. Если диагностика занимает больше половины времени, вы можете сосредоточиться на устранении неполадок в ней. Если команда B работает на 25 % медленнее, чем команды A, C и D, можно попытаться понять, почему это происходит.
KPI не устранят ваши проблемы автоматически, но они помогут понять суть неполадок и укажут, куда нужно направить внимание и усилия.
Популярные KPI и метрики для управления инцидентами
Количество созданных оповещений
Если вы используете инструмент оповещения, полезно знать, сколько оповещений генерируется за определенный период времени.
С помощью решения Jira Service Management вы сможете отправлять оповещения, а также создавать отчеты и дашбоарды для их отслеживания.
Ищите периоды, когда наблюдается значительный или нетипичный рост либо падение, а также положительная динамика. При обнаружении таких изменений проанализируйте причины и способы реагирования ваших команд на них.
Количество инцидентов за определенный период времени
Отслеживание количества инцидентов за определенный период времени подразумевает подсчет среднего числа инцидентов за определенный период. Этим периодом может быть неделя, месяц, квартал, год или даже день.
Со временем инциденты происходят чаще или реже? Количество инцидентов считается приемлемым или его можно сократить? После того как вы поймете, в чем заключается проблема с количеством инцидентов, вы сможете предположить, почему это число растет или остается высоким и что команда может сделать для решения проблемы.
MTBF
MTBF (средняя наработка на отказ) — среднее время работы технического продукта между устранимыми сбоями.
С помощью этого показателя можно отслеживать доступность и надежность всех продуктов.
Как и другие показатели, он наводит на более серьезные вопросы. Если значение MTBF недостаточно высокое, стоит задуматься, почему системы так часто выходят из строя и как можно уменьшить число будущих сбоев или предотвратить их.
МТТА
MTTA (среднее время подтверждения) — это среднее время, которое проходит между получением оповещения и моментом, когда участник команды подтвердит инцидент и начнет работать над его устранением. Этот показатель важен тем, что с его помощью можно понять, насколько быстро ваша команда реагирует на инциденты.
Если выяснилось, что скорость реагирования недостаточно высокая, можно задать новые вопросы. Почему значение MTTA так велико? Команды перегружены, отвлекаются или не могут понять, кому адресовано оповещение? С помощью MTTA можно определить проблему, а подобные вопросы помогут добраться до ее сути.
MTTD
MTTD (среднее время обнаружения) — это среднее время, необходимое вашей команде, чтобы обнаружить проблему.
Этот термин часто используется в сфере кибербезопасности командами, которые сосредоточены на обнаружении атак и случаев несанкционированного доступа.
Если значение этого показателя резко меняется или остается недостаточно высоким, стоит выяснить причину.
MTTR
MTTR может означать среднее время исправления, решения, реагирования или восстановления. Пожалуй, наибольшую пользу представляет среднее время решения. Этот показатель позволяет зафиксировать не только время, затраченное на диагностику и устранение непосредственной проблемы, но и время на предотвращение повторения такой проблемы в будущем. Восстановление является главным показателем DevOps; именно его, по мнению программы DevOps Research and Assessment (DORA), можно использовать для оценки стабильности команды DevOps.
Ценность этого показателя лучше всего проявляется во время диагностики. Разрешаются ли инциденты так быстро и эффективно, как вы ожидали? Если нет, нужно выяснить причину, по которой время разрешения не соответствует целевому значению.
Восстановление является главным показателем DevOps; именно его, по мнению программы DevOps Research and Assessment (DORA), можно использовать для оценки стабильности команды DevOps. Это совокупное время, которое уходит на обнаружение проблемы, смягчение ее последствий и полное устранение.
Время дежурства
Если у вас имеется ротация дежурных, рекомендуется отслеживать, сколько времени сотрудники и подрядчики тратят на вызов.С помощью этого показателя можно следить за тем, чтобы ни один сотрудник или команда не были перегружены.
С помощью Jira Service Management вы можете создавать исчерпывающие отчеты, чтобы мгновенно узнавать значения этих показателей.
sla
SLA (соглашение об уровне обслуживания) — это соглашение между поставщиком и клиентом об измеримых показателях, таких как время безотказной работы, время реагирования, а также мерах ответственности.
В этих соглашениях об уровне обслуживания фиксируются обещания компании (о времени безотказной работы, среднем времени восстановления и т.
д.). Чтобы сдержать их, команды управления инцидентами должны отслеживать эти показатели. Если и когда значения таких показателей, как среднее время отклика или среднее время между сбоями, меняются, нужно обновить соглашения и (или) внести исправления (и это должно произойти быстро).
SLO
SLO (цель по уровню обслуживания) — это соглашение в рамках SLA о целевом значении того или иного показателя, например времени безотказной работы. Как и в случае с соглашением SLA, SLO являются важными показателями, которые нужно отслеживать, чтобы гарантировать, что компания выполняет свою часть соглашения в вопросах обслуживания клиентов.
Временная метка (или временная шкала)
Временная метка — это закодированная информация о том, что произошло в определенное время в ходе инцидента, до или после него. Такая информация обычно не считается показателем, но эти важные данные необходимо учитывать при оценке состояния управления инцидентами и разработке стратегии по совершенствованию.
С помощью временных меток команды определяют хронологию инцидента, а также предшествующие события и меры, принятые для его разрешения. Понятная и доступная всем участникам хронология является одним из самых полезных артефактов во время разбора инцидентов.
Время бесперебойной работы
Время безотказной работы — это количество времени (в процентах), в течение которого системы доступны и работоспособны.
С расширением взаимосвязей онлайн-сервисов и ростом сложности самих систем стало понятно, что гарантия безотказной работы в течение 100 % времени невозможна. В случае с большинством продуктов стремятся обеспечить высокую доступность, то есть создать такую систему или продукт, которые могут работать без перерыва в течение длительного времени. Согласно отраслевому стандарту, безотказная работа в течение 99,9 % времени — это очень хороший результат, а в течение 99,99 % — отличный.
Отслеживать значения этого показателя обязательно для выполнения обещаний, данных клиентам.
Как и другие показатели, он представляет лишь отправную точку. Если безотказную работу не удается обеспечивать на уровне 99,99 %, для понимания причины потребуется глубже изучить проблему, побеседовать с командой, а также проанализировать процесс, структуру, доступ или технологию.
Чего стоит бояться в аналитике инцидента
У KPI есть недостатки. Так, можно легко попасть в зависимость от малосодержательных данных. Если ваша команда разрешает инциденты недостаточно быстро, для решения проблемы потребуется нечто большее, чем простое осознание этого факта. Вам нужно понимать, как и почему команда решает или не решает проблемы. Кроме того, нужно знать, сопоставимы ли проблемы, которые вы сравниваете.
На основании KPI нельзя понять, как ваши команды подходят к решению сложных задач, почему инциденты происходят все чаще или почему на разрешение инцидента А ушло в три раза больше времени по сравнению с инцидентом Б.
Для этого нужны аналитические выводы.
Однако данные могут стать не только отправной точкой на пути к этим выводам, но и преградой. Из-за них может сложиться ложное впечатление эффективной работы, когда показатели не улучшаются. Показатели не учитывают различия (порой весьма существенные) между инцидентами или подходами к их разрешению. Кроме того, за кадром остается опыт ваших команд и фундаментальная сложность самих инцидентов.
«Инциденты гораздо более уникальны, чем принято о них думать. Два инцидента, разрешить которые можно за один промежуток времени, могут значительно различаться по тому, насколько неожиданными и непостижимыми они оказались для ответственных специалистов. Кроме того, меры по смягчению последствий или исправлению ситуации могут нести абсолютно разные риски в разных инцидентах. Инциденты — это не детали с конвейера, у которых показателем качества является ограниченный разброс физических размеров»,
— Джон Оллспоу, «Как уйти от малосодержательных данных об инцидентах» (John Allspaw, Moving Past Shallow Incident Data)
Мы не утверждаем, что KPI неэффективны, и не призываем к отказу от них.
Дело в том, что одних только KPI недостаточно. Их нужно использовать как отправную точку. Они помогут выявить причину проблемы и станут первым шагом на сложном пути к эффективному улучшению.
Jira Service Management предлагает возможности создания отчетов, чтобы ваша команда могла отслеживать KPI, а также контролировать и оптимизировать управление инцидентами.
Попробуйте Jira Service Management бесплатно
Пять действительно нужных показателей agile
Краткое описание: показатели agile позволяют проанализировать продуктивность на различных этапах разработки программного обеспечения. Судя по ним, можно оценить качество продукта и эффективность команды.
Показатели — вещь прихотливая.
С одной стороны, каждому из нас доводилось сталкиваться с проектом, в котором не отслеживались никакие данные. Невозможно было понять, движется ли работа в правильном направлении и повышается ли эффективность со временем. С другой стороны, многим из нас приходилось участвовать в проектах, в которых статистику использовали как оружие: сталкивали команды между собой, как врагов, или требовали работать на выходных.
Неудивительно, что у большинства команд сложились непростые отношения с показателями.
Но все может быть иначе. Отслеживание достоверных agile-показателей и обмен ими может внести ясность и пролить свет на успехи (и провалы) команды в рамках цикла разработки. Хотите узнать, как именно? Читайте далее.
Знай свое дело
«Готовый» продукт — какой он? Это актуальный продукт, созданный в нужное время для подходящего рынка. Неукоснительное следование программе подразумевает сбор и анализ определенных данных в ходе работы. В рамках любой agile-программы важно отслеживать как бизнес-показатели, так и метрики Agile. Первые показатели помогают понять, насколько решение удовлетворяет потребностям рынка, а вторые — позволяют оценить разные аспекты процесса разработки.
«Бизнес-показатели программы необходимо определять на основе ее дорожной карты».
Для каждой инициативы на дорожной карте нужно предусмотреть несколько ключевых показателей эффективности (KPI), которые соотносятся с целями программы.
Кроме того, нужно задать критерии успешности для каждого требования к продукту, например доля конечных пользователей, внедривших продукт, или покрытие кода автоматизированными тестами (в процентах). Эти критерии успешности находят выражение в agile-показателях программы. И чем больше команды учатся, тем лучше они могут приспосабливаться и развиваться.
Оптимизация доставки программного обеспечения с помощью agile-показателей
Диаграмма Burndown для спринта
Команды Scrum дробят процесс разработки на спринты с фиксированной продолжительностью. На начальной стадии спринта команда дает прогноз, какой объем работы она сможет выполнить за спринт. Затем ход выполнения работы в спринте отслеживается с помощью диаграммы Burndown. Ось X отражает время, а ось Y — объем работы, который осталось завершить, в очках оценки сложности или часах. Команда стремится выполнить весь запланированный объем работы к концу спринта.
Если показатели команды всегда соответствуют прогнозу, методика Agile может очень быстро набрать популярность в организации.
Но не спешите выдавать желаемое за действительное и не объявляйте об успешном выполнении задачи раньше времени. Такой подход может принести плоды в краткосрочной перспективе, однако он помешает дальнейшему обучению и совершенствованию.
Узнайте, как использовать диаграммы Burndown в Jira Software
Сгорание релиза и эпика
С помощью диаграмм Burndown для эпиков и релизов (или версий) отслеживается ход выполнения большего объема работы, чем с помощью диаграмм Burndown для спринтов. Ими могут руководствоваться при разработке команды, применяющие как Scrum, так и Kanban. В спринте (у команд Scrum) могут содержаться рабочие задачи из нескольких эпиков и версий сразу, поэтому важно отслеживать прогресс отдельных спринтов, равно как и эпиков и версий.
Расширение объема проекта — это внесение дополнительных требований в уже скомпонованный проект. Например, если команда должна поставить новый веб-сайт для компании, расширением объема проекта может считаться запрос новых функций после того, как были намечены первоначальные требования.
С расширением объема проекта в ходе спринта мириться не стоит, а вот в рамках эпиков или версий это явление логически вытекает из самой сути agile-разработки. Наблюдая, как команда выполняет рабочие задачи в проекте, владелец продукта может менять объем работы в зависимости от сделанных им выводов. Диаграммы Burndown для эпиков и релизов — это надежный источник информации обо всех изменениях в объеме работы в рамках эпика и версии.
Скорость команды
Скорость команды — это средний объем работы, который Scrum-команда выполняет за спринт, измеренный в очках оценки сложности или часах. Этот показатель используется при прогнозировании. С его помощью владелец продукта может предположить, как быстро команда справится с задачами из бэклога, поскольку в отчете учитывается объем запланированной и выполненной работы за несколько итераций. Чем больше итераций, тем точнее прогноз.
Предположим, что владелец продукта хочет выполнить работу из бэклога с оценкой сложности 500 очков.
Известно, что команда разработчиков, как правило, за каждую итерацию выполняет работу с оценкой сложности 50 очков. Владелец продукта имеет все основания полагать, что команда справится с поставленными задачами примерно за 10 итераций.
Важно следить, как скорость команды изменяется со временем. У новых команд, как правило, скорость увеличивается по мере оптимизации рабочего процесса и укрепления связей между участниками. Существующие команды могут отслеживать свою скорость, чтобы поддерживать темпы работы и видеть, принесло ли пользу то или иное изменение в процессе. Если средняя скорость снижается, это обычно значит, что в каком-то аспекте рабочий процесс команды перестал быть эффективным. Это следует обсудить на следующей ретроспективе.
Скорость каждой команды уникальна. Если скорость команды А равна 50, а скорость команды Б — 75, это не значит, что производительность команды Б выше. В каждой команде складываются свои принципы оценки сложности работы, поэтому и скорость работы у каждой команды тоже будет своя.
Не пытайтесь сравнивать скорости разных команд. Оценивайте количество усилий и результаты работы команды исходя из ее собственной трактовки оценки сложности.
Контрольный график
Контрольные графики позволяют сосредоточиться на времени цикла отдельных задач — на времени, которое в сумме требуется для перемещения задачи со стадии «В процессе» на стадию «Готово». Небольшое время цикла, скорее всего, означает высокую производительность команды, а команды, для которых характерно стабильное время цикла при выполнении многих задач, более предсказуемы в плане поставки результатов работ. Время цикла — это основной показатель для оценки команд Kanban, но оптимизация времени цикла может быть целесообразна и для команд Scrum.
Измеряйте время цикла, чтобы знать, как усовершенствовать процессы команды эффективно и разными способами: результаты изменений заметны практически сразу, поэтому можно без промедления вносить дополнительные поправки. Конечная цель — добиться стабильного и короткого времени цикла независимо от типа работы (добавление новой функции, ликвидация технического долга и т.
д.).
Сводная диаграмма процесса
Линии на сводной диаграмме процесса, которые читаются слева направо, должны быть в идеале лишены резких перепадов. Подъемы или пробелы на какой-либо линии одного цвета — признак дефицита или проблемных мест. При обнаружении подобных явлений следует попытаться сгладить цветные полосы на диаграмме.
Еще больше показателей
Перечень хороших показателей не исчерпывается отчетами, описанными выше. Например, для agile-команд важным показателем является качество, и еще ряд традиционных показателей применим к agile-разработке. Среди них:
- Количество обнаруженных дефектов:
- во время разработки;
- после поставки продукта клиентам;
- людьми, не входящими в состав команды;
- количество дефектов, перенесенных в будущий релиз;
- количество входящих запросов в службу поддержки от клиентов;
- покрытие кода автоматизированными тестами (в процентах).
Agile-команды должны также отслеживать частоту релизов и скорость доставки.
В конце каждого спринта команда должна выпускать ПО в производство. Как часто это происходит на самом деле? Поставляется ли большая часть сборок релиза? Сколько времени требуется команде, чтобы выпустить в производство срочное исправление? Легко ли команде выпускать продукт или ей приходится каждый раз идти на подвиги?
Поиск аналитики в контексте
Аналитика представляет собой превосходный инструмент, открывающий командам доступ к различным показателям. Так актуальные данные будут под рукой в нужный момент, например при планировании спринтов, проверке ситуации на ежедневных стендапах или при оптимизации поставки. Аналитические сведения расположены в правом верхнем углу представления доски, бэклога и развертываний в Jira.
Аналитика дает визуальный снимок следующих показателей.
- Прогресс спринта
- Детализация типа задачи
- Объем работ по спринту
- Частота развертывания
- Продолжительность цикла
Используйте эти показатели, чтобы непрерывно оптимизировать производительность команды.
Подробнее об аналитике.
Заключение
Показатели — это лишь один из аспектов построения командной культуры. С их помощью можно получить количественное представление об эффективности команды и поставить перед ней цели, поддающиеся количественной оценке. Они важны, но не стоит на них зацикливаться. Прислушивайтесь к участникам команды во время ретроспектив, ведь ваше внимание тоже важно для создания доверительных отношений, повышения качества продукта и сокращения времени до выпуска. Изменения должны основываться на сообщенных цифрах и характеристиках.
Dan Radigan
Методология Agile оказала на меня огромное влияние как в профессиональном, так и в личном плане. Я понял, что и в программировании, и в жизни оптимальный подход — гибкий. Мои интересы лежат на пересечении технологий, фотографии и мотоспорта.
Таблица эффективностилучших исследовательских ячеек | Photovoltaic Research
NREL ведет список самых высоких подтвержденных коэффициентов преобразования для исследований.
элементов для ряда фотоэлектрических технологий, построенных с 1976 года по настоящее время.
Узнайте, как NREL может помочь вашей команде с сертифицированными измерениями эффективности.
Получите доступ к нашим данным об эффективности исследовательских клеток.
Загрузить таблицу
Или загрузить полный файл данных или справочник данных.
Загрузить диаграммы для конкретных технологий:
Кристаллические кремниевые элементы
Однопереходные элементы из арсенида галлия
Многопереходные элементы
Тонкие пленки
Возникающие фотоэлектрические элементы.
Устройства, включенные в эту таблицу современного уровня техники, имеют эффективность,
подтверждены независимыми признанными испытательными лабораториями, например, NREL, AIST, JRC-ESTI и
Fraunhofer-ISE — и сообщается на стандартизированной основе.
Замеры для новых
записи должны соответствовать Стандартным условиям тестирования или отчетности, как определено
глобальный эталонный спектр для плоских устройств и прямой эталонный спектр
для концентраторов, как указано в стандартах IEC 60904-3 издание 2 или ASTM G173.
Эталонная температура составляет 25°C, а площадь – это общая площадь ячейки или площадь
определяется отверстием.
Результаты эффективности элементов представлены для семейств полупроводников:
- Многопереходные элементы
- Однопереходные элементы из арсенида галлия
- Элементы из кристаллического кремния
- Тонкопленочные технологии
- Новые фотогальваники.
Около 28 различных подкатегорий обозначены характерными цветными символами.
Самый последний мировой рекорд для каждой технологии выделен вдоль правого края во флаге, который содержит эффективность и символ технологии. Компания или группа, изготовившая устройство для каждой самой последней записи, выделена на графике жирным шрифтом.
Информация, представленная NREL, предоставлена добросовестно, но NREL не может принять прямая ответственность за любые ошибки или упущения. Сюжет не защищен авторскими правами и могут использоваться в презентациях и публикациях с примечанием, которое гласит: «Это сюжет предоставлен Национальной лабораторией возобновляемых источников энергии, Голден, Колорадо».
| Этикетка | Полное имя (если отличается от этикетки) |
|---|---|
| АИСТ | Национальный институт передовых промышленных наук и технологий |
| Альта | Альта Устройства |
| АМЕТЕК | |
| Амоникс | Амоникс Инк. |
| АРКО | Атлантик Ричфилд Компания |
| ВРУ | Университет штата Аризона |
| Боинг | Компания Боинг |
| ДГИСТ | |
| EMPA | Швейцарская федеральная лаборатория материаловедения и технологии |
| EPFL | Федеральная политехническая школа Лозанны |
| ЕвроСНГ | |
| ФГ-ИСЭ | Фраунгоферовский институт систем солнечной энергии |
| Первый солнечный | Первая солнечная корпорация |
| ГЭ | |
| Технологический институт Джорджии | Технологический институт Джорджии |
| Гронинген | Университет Гронингена |
| Гелиатек | |
| Гонконг | Гонконгский университет науки и технологий |
| ХЗБ | |
| IBM | Международные бизнес-машины |
| ИККАС | Институт химии Китайской академии наук |
| КЭС-УПМ | Instituto de Energía Solar – Политехнический университет Мадрида, |
| ИСКАС | Институт полупроводников Китайской академии наук |
| ИСФХ | Институт исследований солнечной энергии Hamelin |
| Япония Энергия | |
| Канека | Солнечная энергия Канека |
| Кодак | |
| Конарка | Конарка Текнолоджиз Инк. |
| Копин | ООО Копин |
| КРИКТ | Корейский научно-исследовательский институт химической технологии |
| ЛГ | LG Electronics |
| Мацусита | |
| Массачусетский технологический институт | Массачусетский технологический институт |
| Мицубиси | Мицубиси Кемикал Корп. |
| Мобил Солар | |
| Моносолнечный | Компания Моносолар, ООО |
| Нимс | Национальный институт материаловедения |
| № Каролина Стэйт У. | Университет штата Северная Каролина |
| НРЭЛ | Национальная лаборатория возобновляемых источников энергии |
| Оксфорд | |
| Оксфорд PV | |
| Панасоник | |
| Филипс 66 | |
| Фотонная энергия | |
| Плекстроникс | Плекстроникс Инк. |
| Радбуду | Университет Радбауд |
| Рейнергия | |
| RCA | |
| Сандия | Национальные лаборатории Сандия |
| Санио | Санио Электрик Компани Лтд. |
| SCUT-CSU | Южно-Китайский технологический университет — Центральный южный университет |
| SCUT-eFlexPV | Южно-Китайский технологический университет — eFlexPV |
| Шарп | Sharp Solar |
| Сименс | |
| Сойтек | |
| Соларекс | |
| СоларФрон | Солнечная граница |
| SolarJunc | Солнечная Соединение Корпорация |
| Солармер | |
| Солексель | |
| Солибо | Солибро ГмбХ |
| Спектролаб | Спектролаб Инк. |
| Шпиль | |
| SpireSemicon | Spire Semiconductor LLC |
| Стэнфорд | Стэнфордский университет |
| Сумитомо | Сумитомо Кемикал Ко. Лтд. |
| СанПауэр | Корпорация SunPower |
| Тек Тайваня | |
| Трина | |
У. Дрезден | Университет Дрездена |
| У. Линц | Университет Линца |
| Ю. Мэн | Университет штата Мэн |
| Ю. Квинсленд | Университет Квинсленда |
| У. Т.о. Флорида | Университет Южной Флориды |
| У. Штутгарт | Университет Штутгарта |
У. Торонто | Университет Торонто |
| Калифорнийский университет в Лос-Анджелесе | Калифорнийский университет, Лос-Анджелес |
| ЮниСолар | |
| УНИСТ | Ульсанский национальный институт науки и технологий |
| UNSW | Университет Нового Южного Уэльса |
| UNSW/Европодошва | |
| Вариан | Вариан Полупроводник |
| Вестингауз | |
| ZSW | Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg (Центр Солнечная энергия и исследования водорода (Баден-Вюртемберг) |
Эффективность декодирования — Рабочий процесс графа
Эффективность декодирования — это относительное качество, которое занимает только пятое место по приоритету качеств графов данных.
Эффективность связана со сравнением графиков конкурирующих данных, которые в первую очередь удовлетворяют таким качествам, как точность, актуальность, полнота и непротиворечивость.
Точность декодирования является высшим качеством, которое не зависит от эффективности декодирования, но соответствие релевантности, полноте и согласованности может привести к различным степеням эффективности. Следовательно, если граф точен, а кодирование релевантно, полно и непротиворечиво, то мы говорим, что « граф более эффективен, чем другой, если для его расшифровки требуется меньшее время наблюдения » (Бертин 1967, стр. 139).
Эффективность напрямую определяется способностью аудитории декодировать. Крайне важно учитывать знание и обучение аудитории соответствующим механизмам кодирования.
Идентификация является ключом к достижению эффективности, и она утверждает, что чем четче внешняя, внутренняя и прямая идентификация, тем быстрее декодирование. Улучшение графа также может сыграть важную роль в достижении более высокой степени эффективности.
Важнейшим условием эффективности является итерация. Поскольку одни и те же данные могут быть графически закодированы множеством способов, конкурирующие визуальные элементы должны ранжироваться в соответствии с их качествами. Действительно, модель Graph Workflow описывается как итеративная экспериментальная оценка. После визуального декодирования процесс начинается снова до тех пор, пока не будут соблюдены все качества графики данных, не будут соблюдены стандарты и параметры, установленные нашим ограниченным визуальным восприятием.
Рассмотрим следующий небольшой набор данных, содержащий четыре группы спортсменов, каждая из которых оценивается с точки зрения ее средних физических способностей в отношении гибкости, скорости и силы. В каждой группе свой тренер. Данные очень простые, но их очень трудно расшифровать, взглянув только на таблицу значений:
Гистограмма может помочь закодировать эти данные и, возможно, выявить различия между четырьмя группами. Гистограмма Stata по умолчанию дает точное, релевантное, полное и последовательное решение:
Однако эта гистограмма не очень эффективна, потому что для декодирования информации требуется много времени, и я не чувствую полной уверенности в информации, которую я декодирую.
из этого графика данных.
Возможно, горизонтальная гистограмма была бы более эффективной. Кроме того, было бы лучше удалить пробелы между полосами внутри каждой группы, чтобы было понятнее, что каждый набор полос принадлежит к разным группам (это следует гештальт-принципу близости):
Это кажется повышением эффективности, потому что легче декодировать группы, а горизонтальная ориентация облегчает декодирование длин полос. Да, граф данных все еще неэффективен, и я чувствую, что должен быть что-то еще, что я могу сделать, чтобы повысить эффективность декодирования.
Согласно модели Graph Workflow, первым шагом в построении графика данных является управление данными, и этот шаг необходимо повторять на каждой итерации. Цель этого графика данных — сравнение средних физических способностей по тренировочным группам, а статистический контекст — сравнительный анализ величин по группам. В данном случае масштаб величины не имеет значения, т.е. ничего не значит иметь скорость 2 или 8.