Software process anti-pattern detection in project data

Abstract

Existuje významné množství pomocného materiálu pro projektové řízení (PM) včetně metodik vývoje software, osvědčených praktik a anti-patternů (AP). Nicméně automatizovaný způsob aplikace této znalosti analýzou běžně dostupných dat z nástrojů podporujících PM, např. Application Lifecycle Management (ALM) nástroje, dosud neexistuje. My navrhujeme metodu detekce procesních a PM anti-patternů v projektových datech, která může být použita k varování vývojových týmů o potenciálních hrozbách pro projekt nebo pro obecnější studie ohledně dopadu výskytů AP na úspěch projektu a kvalitu produktu. Již dříve jsme publikovali koncept nástroje pro dolování a analýzu dat odlišný od zpřízněné práce ostatních výzkumníků. Na základě tohoto nástroje jsme vystavěli formalizovanou bázi pro naši metodu detekce ve formě standardizované šablony pro popis AP a modelu operacionalizace vzorů nad projektovými daty získanými z ALM nástrojů. Hlavním přínosem tohoto článku je obecná metoda operacionalizace AP, která používá zmíněnou šablonu popisu jako základ a je diskutována společně s jejími potenciálními omezeními. Provedli jsme úvodní validaci metody na datech studentských projektů s použitím AP, se kterým jsme se setkali v praxi, zvalným „Collective Procrastination“, který rovněž popisujeme v tomto článku spolu s jeho detailní formální operacionalizací.

There is a significant amount of guidance on Project Management (PM) including software development methodologies, best practices and anti-patterns (APs). There is, however, a lack of automated way of applying this knowledge by analyzing readily available data from tools aiding in software PM, such as Application Lifecycle Management (ALM) tools. We propose a method of detecting process and PM anti-patterns in project data which can be used to warn software development teams about a potential threat to the project, or to conduct more general studies on the impact of AP occurrence on project success and product quality. We previously published a concept for the data mining and analysis toolset distinct from other research approaches and related work. Based on this toolset, we devised a formalized basis for our detection method in the form of standardized AP description template and a model for pattern operationalization over project data extracted from ALM tools. The main contribution of this paper is the general method for AP operationalization taking the description template as a starting point, discussed together with its potential limitations. We performed an initial validation of the method on data from student projects, using an AP we encountered in practice called “Collective Procrastination” which we also describe in this paper together with its detailed formal operationalization.