Оценка эффективности процессов в ИТ-командах, которые применяют гибкие методологии управления (Agile), представляет собой актуальную задачу, связанную с необходимостью сокращения времени поставки изменений при одновременном обеспечении устойчивости (качества) и экономической целесообразности разработки. Традиционные результатные показатели, ориентированные на сроки и объем выполненных работ, оказываются недостаточно информативными в условиях итеративной и инкрементной разработки, поскольку не отражают вариативность потока, потери и последствия снижения качества. В статье предложена процессно-ориентированная модель оценки эффективности ИТ-команды, основанная на агрегировании метрик потока работ, устойчивости поставки и экономических потерь в интегральный индекс процессной эффективности. Модель опирается на данные цифровых следов жизненного цикла ИТ-продукта, которые формируются в трекерах задач, системах управления версиями, CI/CD-пайплайнах и средствах мониторинга. В рамках исследования обосновано использование мультипликативной формы агрегирования, что позволяет учитывать влияние лимитирующих факторов процесса. Апробация модели на данных продуктовых команд, которые применяют Agile-подходы, подтвердила, что интегральная оценка позволяет выявлять деградацию процессов на ранних этапах и локализовать проблемные зоны, связанные с управлением потоком, устойчивостью поставки и накоплением технического долга. Полученные результаты демонстрируют возможность использования предложенной модели в качестве инструмента поддержки управленческих решений и регулярного мониторинга эффективности ИТ-команд.
1. Dybå T., Dingsøyr T. Empirical studies of agile software development: A systematic review. Information and Software Technology. 2008;50(9–10):833–859. https://doi.org/10.1016/j.infsof.2008.01.006
2. Cornide-Reyes H., Madrigal G., Muñoz G., et al. Analysis of the use of software process improvement models in agile development. Ingeniare. Revista chilena de ingeniería. 2024;32. https://doi.org/10.4067/S0718-33052024000100213
3. Menezes R., Marinho M., Sampaio S. Metrics for Large-Scale Agile Development: A Survey of the Brazilian Software Industry. In: Proceedings of the XXIII Brazilian Symposium on Software Quality (SBQS 2024), 05–08 November 2024, Salvador, Bahia, Brazil. New York: ACM; 2024. P. 210–219. https://doi.org/10.1145/3701625.3701660
4. Dos Santos P.S.M., Beltrão A.C., de Souza P.D., Travassos G.H. On the benefits and challenges of using kanban in software engineering: A structured synthesis study. Journal of Software Engineering Research and Development. 2018;6(1). https://doi.org/10.1186/s40411-018-0057-1
5. Petersen K., Wohlin C. Measuring the flow in Lean software development. Software: Practice and Experience. 2011;41(9):975–996. https://doi.org/10.1002/spe.975
6. Petersen K. An empirical study of lead-times in incremental and agile software development. In: New Modeling Concepts for Today's Software Processes: International Conference on Software Process (ICSP 2010), 08–09 July 2010, Paderborn, Germany. Berlin, Heidelberg: Springer; 2010. P. 345–356. https://doi.org/10.1007/978-3-642-14347-2_30
7. Sallin M., Kropp M., Anslow C., Quilty J.W., Meier A. Measuring software delivery performance using the four key metrics of DevOps. In: Agile Processes in Software Engineering and Extreme Programming: 22nd International Conference on Agile Software Development (XP 2021), 14–18 June 2021, Virtual Event. Cham: Springer; 2021. P. 103–119. https://doi.org/10.1007/978-3-030-78098-2_7
8. Rüegger J., Kropp M., Graf S., Anslow C. Fully Automated DORA Metrics Measurement for Continuous Improvement. In: Proceedings of the 2024 International Conference on Software and Systems Processes (ICSSP 2024), 04–06 September 2024, Munich, Germany. New York: ACM; 2024. https://doi.org/10.1145/3666015.3666020
9. Lim E., Taksande N., Seaman C. A balancing act: what software practitioners have to say about technical debt. IEEE Software. 2012;29(6):22–27. https://doi.org/10.1109/MS.2012.130
10. Holvitie J., Licorish Sh.A., Spínola R.O., et al. Technical debt and agile software development practices and processes: An industry practitioner survey. Information and Software Technology. 2018;96:141–160. https://doi.org/10.1016/j.infsof.2017.11.015
11. Ezell B., Lynch Ch.J., Hester P.T. Methods for weighting decisions to assist modelers and decision analysts: A review of ratio assignment and approximate techniques. Applied Sciences. 2021;11(21). https://doi.org/10.3390/app112110397
12. Gompf K., Traverso M., Hetterich J. Using analytical hierarchy process (AHP) to introduce weights to social life cycle assessment of mobility services. Sustainability. 2021;13(3). https://doi.org/10.3390/su13031258
13. Lucz G., Forstner B. Optimizing service level agreement tier selection in online services through legacy lifecycle profile and support analysis: A quantitative approach. Mathematics. 2025;13(11). https://doi.org/10.3390/math13111743
14. Forsgren N., Storey M.-A.D., Maddila Ch.Sh., et al. The SPACE of developer productivity: There's more to it than you think. ACM Queue. 2021;19(1):20–48.
15. Ali N.B., Petersen K., Schneider K. FLOW-assisted value stream mapping in the early phases of large-scale software development. Journal of Systems and Software. 2016;111:213–227. https://doi.org/10.1016/j.jss.2015.10.013
