本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
衡量生成式人工智能在软件开发中的成功程度
为了有效地衡量实施基于人工智能的生成式软件开发体验的效果，您需要建立一套涵盖软件开发生命周期 (SDLC) 各个维度的全面指标。这些指标应反映出效率和生产力的即时改进，还应反映软件质量、团队满意度和业务价值的长期提高。
要有效使用本节中推荐的指标，请执行以下操作：
-
建立基准 — 在深入实施人工智能驱动的开发体验之前，请花点时间收集有关这些指标中当前绩效的全面数据。这提供了一个清晰的起点，可以帮助你以后进行有意义的比较。
-
设定切合实际的目标 — 掌握基准后，为每个指标设定可实现的改进目标。雄心勃勃，但要现实一点。请记住，可持续的进步往往是渐进的。
-
实施持续监控-使用自动化工具持续收集和分析环境中这些指标的数据。近乎实时的监控可帮助您监控进度并快速发现任何问题或机会。
-
定期进行审查 — 安排季度或半年一次的评估会议，让你和你的团队彻底评估你在实现目标方面的进展。利用这些会议来确定需要进一步改进的领域并庆祝您的成功。
-
迭代和调整 — 根据您获得的见解，不断完善您的生成式 AI 实现并根据需要调整目标。
本节描述了以下类别的指标：
部署速度
考虑衡量以下部署速度指标。
| 指标 | 说明 |
|---|---|
| 是时候上市了 | 衡量从构思到生产部署的时间缩短情况 |
| 冲刺速度 | 追踪你的队伍每次冲刺完成的故事积分增加情况 |
| 代码提交频率 | 监控代码提交的增加，这表明开发周期正在加快 |
| 拉取请求解决时间 | 评估审查和合并仓库中代码变更所花费的时间缩短的情况 |
| 释放速度 | 衡量每个季度或每年的发布数量的增长情况 |
代码质量
考虑衡量以下代码质量指标。
| 指标 | 说明 |
|---|---|
| 缺陷密度 | 衡量软件错误的减少情况 |
| 代码覆盖率 | 跟踪整个代码库中测试覆盖率的增加情况 |
| 技术债务 | 监测已确定的技术债务随着时间的推移而减少的情况 |
| 静态代码分析分数 | 根据您的自动分析工具评估代码质量的改进 |
运营效率
考虑衡量以下运营效率指标。
| 指标 | 说明 |
|---|---|
| 部署频率 | 衡量成功部署数量的增加情况 |
| 平均恢复时间 (MTTR) | 跟踪从系统故障中恢复所需的时间缩短情况 |
| 更改失败率 | 监控导致部署失败的变更百分比的下降情况 |
团队工作效率和满意度
考虑衡量以下团队工作效率和满意度指标。
| 指标 | 说明 |
|---|---|
| 提高生产力 | 监控每项任务的生产率提高百分比 |
| 满意度分数 | 定期进行调查，衡量团队士气和工作满意度的提高 |
| 知识共享效率 | 衡量您的团队在搜索信息或提出重复问题上花费的时间缩短程度 |
| 入职时间 | 跟踪新团队成员提高工作效率所需的时间缩短情况 |
业务影响
考虑衡量以下业务影响指标。
| 指标 | 说明 |
|---|---|
| 功能采用率 | 使用你发布的新功能衡量用户参与度的增长 |
| 客户满意度得分 | 跟踪用户反馈和评分的改进情况 |
| 收入影响（直接和间接） | 评估因发布速度提高或生产率提高而带来的收入增长 |
