案例：工时数据分析

工时数据分析摘要

1 数据整理
通过重新排序表格列，按照需求数、人数、任务数和工时数的自然发生顺序，对原始数据进行了整理。

2 分布分析

• 2.1 80-20分析: 对单位需求工时进行80-20分析，发现K产品的单位工时异常高，而M和N两个产品的单位工时较低，均需进一步分析原因。
• 2.2 识别离群点: 通过图形化汇总分析需求数，识别出两个规模最大的项目为离群点。排除这些离群点后，需求数呈正态分布。类似的方法也被用来分析其他度量元，如单位需求工时、人均消耗工时和需求人均工时，发现项目C、K和E分别有离群点。

3 相关分析

• 剔除离群点: 两个规模较大的项目被视为离群点并剔除。
• 观察散点图: 通过绘制散点图，观察需求数与任务数、人数和总消耗之间的关系。
• 计算相关性系数: 相关性系数计算表明需求数、任务数、人数和总消耗之间存在相关性，尤其是需求数决定了其他三者。

基于以上分析，得到了两个回归方程用以估算总消耗，分别是：
方程1: 总消耗=136.7+26.96*需求数。
方程2: 总消耗=-6+5.537*任务数。
尽管这两个方程的残差标准差较大，导致预测区间较宽，但方程2的相关性系数较大，残差标准差较小，因此实用价值更大。

最后，文中指出数据量较小可能限制了分析的说服力。此外，离群点的原因分析、数据简化以减少成本，以及不具代表性的度量元的剔除都是未来分析中应考虑的因素。

想要了解更多内容？

查看原文：案例：工时数据分析

文章来源：

麦哲思科技任甲林

扫码关注公众号

一文看懂华为研发的底层逻辑：数十亿学费总结出“追赶到引领”的研发实践

了解更多