第 58 个主题,共 64 个· 软件工程与数字交付的关联

面向公共价值的 DORA 指标

DORA(DevOps Research and Assessment,DevOps 研究与评估)指标——部署频率、变更前置时间、变更失败率、服务恢复时间,加上作为第五项的可靠性——是软件行业验证最充分的交付绩效基准。转化为公共部门问责制的语言后,每一项都直接代理着公共价值到达公民手中的速度与安全程度。

为何重要

DORA 长达十年的研究,以《Accelerate DevOps 现状报告》(Accelerate State of DevOps Report)的形式每年发布(Forsgren、Humble 和 Kim 提出的方法论,如今由 Google Cloud 运营),将团队分为精英级、高绩效、中等绩效和低绩效四类。精英团队按需部署,从提交到生产环境用时不到一天,变更失败率约为 5%,恢复时间不到一小时;低绩效团队每月部署一次或更少,用时数月,变更失败率约为 40%,恢复需要数周。在政府领域,这些不是工程虚荣指标:政府数字服务局的服务标准要求团队"频繁迭代与改进",并能快速响应用户需求,而那些无法安全、频繁部署的部门,无论其用户研究结果如何,在结构上都无法达到这一标准。内阁办公室自身的数字效率研究发现,将一位公民从失败或缓慢的数字交易推向电话或纸质渠道代价高昂——GDS 2012 年的《数字效率报告》估计,某些数字交易的成本低至 20 便士,而电话或面对面接触的成本可高达 8.62 英镑——因此面向公众服务中的一次变更失败,不仅耗费工程时间,还会将真金白银推向呼叫中心预算(参见渠道转移节约)。

数学原理

部署频率        = 生产环境部署次数 / 时间
变更前置时间    = t(部署) − t(提交),取中位数
变更失败率      = 失败变更数 / 变更总数 × 100
服务恢复时间(MTTR) = t(恢复) − t(故障),取中位数
可靠性          = 服务级别目标(SLO)达成率(可用性、延迟、正确性)

公共价值转化:

前置时间   → 流水线中滞留的周数 × 延迟成本,参见 cost-of-delay-in-public-programmes
失败率     → 面向公民的事件率:变更失败率 × 每次被转移到呼叫中心
             的通话成本(或每一次失败的法定交易成本)
恢复时间   → 服务中断损害:MTTR × (每小时被阻塞的申领/
             申请数)× 单位下游成本或福祉损失
可靠性     → 效益折扣:一项可用性为 99% 的服务,实际交付其
             建模效益的约 0.99——这是采用率或合规缺口在
             交付层面的对应物

实例演算

某地方政府福利申领门户团队,在一项交付工程投资前后的表现:

                    之前        之后
部署                每月一次    每周一次
前置时间            8 周        5 天
变更失败率          30%         10%
MTTR                3 天        4 小时

该团队每年上线约 25 项改进,平均每项价值为每周 8,000 英镑(延迟成本)。将前置时间缩短约 7.3 周,使每项改进的效益流提前到来:25 × 7.3 × 8,000 ≈ 每年 1,460,000 英镑的价值被更早交付。就失败率而言:25 × (0.30 − 0.10) = 每年减少 5 次失败变更;一个面向公众的门户上的一次失败变更,通常估计会将约 2,000 名公民转移至电话渠道,成本为 8.62 英镑对比 20 便士,净成本约为每起事件 8.42 × 2,000 ≈ 16,840 英镑,因此避免 5 起事件可节省约每年 84,200 英镑。这项交付工程投资,是以与任何其他公共价值论证相同的"货币"来估值的。

实例演算续:可靠性

如果该门户的可用性为 97%,而非目标的 99.5%,且每一个百分点的宕机时间被建模为 2% 的申领因放弃而流失,那么该服务实际交付的效益约为其建模的每年 200 万英镑效益的 0.975——这是一笔每年 50,000 英镑的效益折扣,一个纯粹的正常运行时间仪表盘永远不会揭示出这一点。

与软件工程的关联

DORA 指标其实是公共服务运营指标换了一套外衣:前置时间对应服务标准与交易指标;变更失败率对应返工率和投诉率;MTTR 对应一项法定服务对申领人不可用的时长。改进技术可以双向迁移,因为两者本质上都是在问责制约束下运行的排队系统——关于其背后的排队论数学,参见政府交付中的流动指标。另请留意 DORA 2025 年的发现:AI 的采用与更高的吞吐量相关,但也与更差的稳定性相关——这是一项兼具功效与副作用的干预措施,正是本章AI 生产力主题所要梳理的那种净收益分析。

常见陷阱

  • 指标操纵:用无实际意义的空发布来虚增部署计数,或将热修复排除在变更失败计数之外。应像法定服务标准定义"成功交易"那样精确地定义各类事件。
  • 跨部门排行榜:DORA 分级比较的是交付实践,而不是风险特征各异的服务;一个税款支付系统被评为"高绩效"可能恰恰是正确的姿态,因为考虑到保证要求,"精英级"反而可能是轻率的。
  • 单独优化某一项指标:只追求速度而不顾变更失败率,是经典的吞吐量与稳定性权衡陷阱——应将四项指标一并报告,而不是压缩成单一分数。

参考资料

  • DORA research and the annual Accelerate State of DevOps Report. https://dora.dev/
  • Forsgren N, Humble J, Kim G, Accelerate: The Science of Lean Software and DevOps, IT Revolution Press, 2018.
  • Cabinet Office, Digital Efficiency Report, 2012.
  • DORA, 2025 State of AI-assisted Software Development report. https://dora.dev/dora-report-2025/