Cómo optimizar la calidad de las métricas de flujo en Scaled Agile Framework (SAFe)
En mayo de 2021, Scaled Agile Framework (SAFe) actualizó su guía de métricas para incluir mejor las mediciones de resultados, Flujo y competencia. El marco de flujo y las métricas son excelentes herramientas para liderar un equipo. En consecuencia, son adiciones bienvenidas a SAFe.
Sin embargo, al examinar esta implementación en el flujo de trabajo diario de DevOps, parece faltar una dimensión esencial: La calidad de las métricas de flujo. Exploremos cómo identificar la calidad de las métricas dentro de la guía de métricas existente de SAFe.
¿El Marco de Flujo no cubría ya la calidad?
En el Marco de Flujo, la calidad se mide en términos de resultados empresariales. Este enfoque se refiere a la calidad tal y como la perciben los consumidores. Algunos lo llaman «calidad en uso». La calidad de uso es importante, pero no debe ser la única medida. Centrarse en el resultado puede hacer que pasemos por alto todos los elementos interconectados que condujeron a él. Para comprender plenamente la calidad de las métricas de flujo, debemos medirla a lo largo del ciclo de lanzamiento con métricas procesables.
Calidad de las métricas de flujo en un entorno DevOps
Para medir la calidad a lo largo del ciclo de lanzamiento, debe examinarla tanto en el entorno de control de calidad (QA) como en el de producción. Esto sólo puede lograrse midiendo e interpretando correctamente las tasas de aprobación de pruebas y los defectos.
Índice de superación de pruebas
Las tendencias de la tasa de aprobación de pruebas de las suites de pruebas automatizadas le indican inmediatamente tres cosas:
- Tanto si tiene regresión
- Si sus casos de prueba no están sincronizados con los últimos cambios funcionales.
- La rapidez con la que su equipo es capaz de resolver los problemas para devolver el índice de aprobados al 100%.
En producción, las pruebas «shift-right» determinan si los casos de uso esenciales siguen funcionando bien para los consumidores. Desafortunadamente, el enfoque «shift-right» sólo pinta una fracción del panorama general. Examinemos la calidad de las métricas de Flow en el siguiente gráfico.
El gráfico muestra que la tendencia de la tasa de aprobados de producción tiene menos volatilidad que su homóloga de control de calidad. No obstante, cada una de ellas requiere medidas, ya que ambas se desvían de la norma del 100%. Entre las posibles medidas se incluyen las siguientes:
- corregir un error
- ajustar un caso de prueba
- resolver un problema de entorno.
Este tipo de tendencias también pueden revelar cuellos de botella en los procesos y proporcionar el contexto necesario para abordarlos.
En la práctica, debe complementar las pruebas de regresión automatizadas con pruebas exploratorias para garantizar una cobertura de pruebas suficiente de la nueva funcionalidad.
Defecto InFlow/OutFlow
Las tendencias de Defect InFlow/OutFlow son interesantes porque determinan si tu equipo puede corregir más errores que los descubiertos en las pruebas. Sin embargo, los descubrimientos de calidad de las métricas de flujo no siempre son tan claros como parecen.
Por ejemplo, un inFlow con pocos defectos no siempre es algo de lo que enorgullecerse. Podría indicar simplemente que las pruebas son insuficientes. Un inFlow y outFlow de defectos transparente puede ayudarte a ver qué hay detrás de estas observaciones. Una comunicación abierta permite a sus equipos comprender sus mediciones y abordarlas mediante decisiones basadas en datos.
El siguiente gráfico muestra un ejemplo de una empresa con un inFlow de defectos superior al outFlow. Este equipo parece haber invertido en pagar su deuda de calidad. Para aquellos que no estén familiarizados, el término «deuda de calidad» se refiere a la medida del esfuerzo necesario para corregir los defectos en un momento dado. Cabe esperar que la carga de flujo y la cantidad de defectos abiertos disminuyan.
Un gráfico de defectos inFlow-outFlow es útil para los equipos que desarrollan un producto grande o difícil que requiere un ciclo de lanzamiento más largo. Dado que el punto en el que outFlow supera a inFlow es fácil de precisar, la madurez del sistema se hace medible.
Uso de la calidad de las métricas de flujo para medir la disponibilidad de la versión
El número de defectos que se deben corregir indica lo cerca que se está de la preparación para la publicación. Puede medirlo con métricas sencillas, como las etiquetas de corrección obligatoria, para clasificar sistemáticamente los defectos por gravedad. Estas etiquetas pueden ayudar a tu equipo a identificar posibles obstáculos con facilidad.
Los procesos de despliegue automatizados pueden configurarse para solucionar la ausencia de etiquetas de corrección obligatoria y de criterios de aprobación de pruebas. A continuación, se puede comparar la calidad de una versión candidata con su estado de producción. Estas métricas básicas de pruebas y defectos pueden ayudar a cualquier equipo a gestionar con datos los elementos esenciales de la calidad del software. El objetivo es ampliar las mediciones de la calidad del software a otros aspectos, como la seguridad de los datos y los objetivos empresariales.
La inteligencia artificial también puede incorporar métricas de flujo, junto con otros datos, con el fin de predecir la calidad de la liberación antes de desplegar.
