前言

本文摘取自2025 CMMI中国大会发布的《CMMI中国区2024年度优秀实践案例》，本次的案例集相较之前的信息，丰富了执行和最终成果的细节，具备更高的参考价值和技术指导意义。

​

公司背景

软通动力信息技术（集团）股份有限公司是中国数字技术产品和服务创新企业，利用多种形式鼓励研发创新，不断探索前沿技术的巨大商业应用潜力。

业务需求

1. 业务总体目标为达成年度降本增效 10%以上、客户满意度达到 83%以上。
2. 亟待解决的突出问题是大型企业在软件工程开发环节中面临着需要大量用人的弊端，开发阶段投入人数最多，开发人员工作量大，需要编写大量的代码，增加了开发时间和工作量；同时伴随着部分编码人员单元自测不到位，使部分缺陷流入系统测试阶段，部分代码缺陷泄漏率高、质量低、开发效率低、成本投入高。

解决方案

一、量化改进路线与核心方法

公司基于过程改进生命周期，明确了“制定改进计划 → 搭建量化框架 → 建立过程能力模型 → 引入AI工具 → 持续优化”的闭环流程。

🔧 1. 改进计划制定

• 明确改进组织职责、时间节点与沟通机制；

• 确定改进目标与量化考核指标。

📊 2. 量化管理框架

• 战略目标：“降本增效超10%、客户满意度≥83%”；

• 核心影响因素：质量（权重50%），关键指标为缺陷泄漏数；

• 通过 Monte Carlo 模型验证数据正态性（95%置信区间），制定 QPPO 目标；

• 能力分析显示：编码阶段缺陷引入占比高达68%，锁定“代码检查缺陷率”为核心改进指标。

🧮 3. 根因与回归分析

• 通过 CAR 方法识别13个潜在因子，筛选6个关键影响因素：
  业务复杂度、需求变更率、设计评审覆盖率、代码走查工作量、走查比例、注释率。

• 建立回归方程：

  代码检查缺陷率 = 2.086 + 0.0024×业务复杂度 + 0.099×需求变更率 − 0.0228×设计评审覆盖率 + 0.0387×走查工作量 + 0.0124×走查比例 + 0.0035×注释率

• Monte Carlo 验证确定性达 97.6%，模型科学可信。

---

二、AI赋能的软件工程平台（AISE）

为突破人工走查低效和检查覆盖不足问题，公司通过 DAR 决策分析，引入自主研发的 AI 软件工程一体化平台（AISE），构建智能化改进体系。

💡 1. 代码自动注释与解释

AISE支持函数级至项目级代码生成与补全，自动添加注释并提供代码解释，显著提升走查效率与可维护性。

🔍 2. AI代码检查与修复

• 基于 Git Diff + 大模型 自动检测代码漏洞、不规范写法；

• 生成检视报告与改进建议；

• 提供自动修复功能，实现代码检查覆盖率接近100%。

🧩 3. 过程监控与SPC分析

• 使用 I-MR 控制图对代码检查过程进行28次统计控制；

• 发现并消除异常偏差后，过程能力稳定在组织级标准内，缺陷率显著下降。

🧠 4. 单元测试自动生成

AISE可自动生成并优化单元测试用例，通过智能补全与边界场景探索，实现高覆盖率与高可靠性测试。

---

三、改进成效与收益

指标	改进前	改进后	提升效果
代码检查缺陷率	不稳定，CPK=0.55	稳定达标	+35% 质量提升
缺陷泄漏率	较高	显著降低	下降40%
测试覆盖率	60%-70%	接近100%	+30%
客户满意度	83%	88%+	+5%
开发效率	基准	提升约25%	-