如何分析各类时长数据？

很多企业想要度量：需求的响应时长、服务请求的响应时长、缺陷修复的时长、问题的解决时长、开发响应周期、流动时间、前置时间、故障间隔时间、服务恢复时间、部署时长等等，无论关注对象是谁，无论度量指标叫什么名字，它的本质就是就是时间的长短，在定义与分析时长的数据时有哪些注意事项呢？我简单归纳如下：

· 时长的计量单位是什么：小时，天，周，还是月？

· 时长的精度是什么：是精确到天就可以，还是要精确到小时？分钟？要精确到小数点后几位？

· 对于取整的规则是如何定义的？是四舍五入，还是上取整，下取整？

· 时长的数据是手工记录还是电脑自动记录？如果是手工记录，如何保证及时而准确？

· 时长是工作时间，还是非工作时间都包含在里面？

    比如故障修复时间，那可能无论是否节假日都要包含在里面。

    如果是内部的评审问题修复时间，可能就排除了节假日。

· 分析数据时是关注单个个体的时长，还是关注平均时长？

· 采集来数据后分析数据的角度是什么？

    如：一个问题可能是上周报告出来，2周以后才解决的，这个问题分析时，是按报告问题的时间来分组，还是按解决问题的时间来分组？

采集来时长数据中，如何从数据中找到管理结论呢？我结合实际数据，给出一个分析的案例：

某公司搜集了18周90个问题的解决时长（小时）数据如下表，有了这些数据后，可以做哪些分析呢？

第一步：建立问题解决时长的性能基线。

可以采用箱线图法，也可以采用控制图法。由于问题的解决是一个时间跨度，不好确定是以报告时间还是以结束时间来排序，所以直接就采用箱线图来分析。

由图1可以发现：

10%的问题可以在7.3小时内解决，即一个工作日内。有10%的问题超过了59小时才能解决，即超过了7.3个工作日了。有50%的问题是在38小时内解决的，没有超过5个工作日。有75%的问题在52小时内解决了，即6.5天内解决的。

第二步：识别异常。哪一个周解决问题的时长有问题呢？

此时需要注意了，根据上边的分布规律分析，有50%的问题是在1周内解决的，我们以周或双周为时间刻度分析某时间段内的异常都是可以的。因为存在某些问题是跨周解决的，所以此时对识别出的异常周次要仔细识别异常的原因。

我们采用X-R控制图来识别不同周次的平均时长是否有问题。

阅读图2可以发现2个异常周，一个是第6周，问题解决的速度特别快，一个是第15周，问题解决的速度特别慢，此时对这2个异常现象我们可以做原因分析，看看是否可以识别出来改进点。

另外需要注意的是：在此控制图中，能够看到问题解决的时长有递增趋势！这是我们要警惕的，为了仔细分析这个现象，我们还可以做第3步的分析。

第三步：纵向对比变化趋势。

如果按周次画出每周的箱线图在一张图上进行对比分析，则趋势更加明显。即后边5周解决问题的时长下限是在提升的，上限没有提升，这也导致了平均值在提升。

如果把90点的数据以散点图的形式展现出来，横坐标是周次，纵坐标是每个问题的解决时长，则我们能看到一个整体缓慢上升的趋势。

通过以上的案例，各位对如何分析时长数据，是否有所启发呢？

注：以上图形均采用禅道公司的ZenDAS（真大师）工具绘制。

本文来源于：麦哲思科技