拓海先生、ウチの若手から『バグの数を予測できる』って聞いたのですが、本当にそんなことが可能なのですか。現場の人手配分に直結するので、信頼性が気になります。
素晴らしい着眼点ですね！できないことはない、まだ知らないだけです。要点は三つで、過去データに規則があるか、外部要因を入れるか、手法の安定度を確かめるかです。まずは慌てず順を追って説明しますよ。
過去データに規則があると言われても、バグはランダムに出るものだと認識しています。リリースで急増したり、見落としがあるのではないですか。
その通り、不確実性は高いです。しかし過去10年分の週次データを見ると、完全な無作為ではなく、バージョンリリースや季節性などの影響が現れます。例えるなら、台風の到来は予測できなくても季節性や前兆で備えられるようなものです。
なるほど。で、実務に落とすと導入コストや効果の見積もりが肝心です。これって要するにバグ数を予測して人員配分を最適化するということ？
正解です。要点をもう一度三つ。第一に予測は完全ではないが補助になる、第二にリリース日や外生変数をモデルに入れると精度が上がる、第三に複数モデルを比較して安定性を見ることが重要です。一緒に試せば必ずできますよ。
具体的にはどんな手法が候補で、どれくらい信頼できるのですか。長期の傾向と短期の急変、どちらが得意なのでしょうか。
候補は時系列モデルと機械学習モデルの両方です。時系列の強みは過去の周期やトレンドを捉えること、機械学習の強みは外部要因を扱えることです。論文ではARIMAといった統計モデルやLSTMというニューラルネット、さらにランダムフォレストを比較していますよ。
ARIMAとかLSTMとか聞くと身構えます。現場で使う場合、特別なデータやスキルが必要になりますか。導入障壁が気になります。
安心してください。最小限は週次のバグ数という単純な時系列データです。まずはそれだけで試し、効果が確認できればリリース日などの外生変数を追加して精度を上げます。できないことはない、段階的に進めれば大丈夫ですよ。
最後に、投資対効果の観点で言うと、どのタイミングで社内に提案すれば説得力が出ますか。コスト対効果がわかりやすい指標が欲しいです。
要点は三つ。まず最小実装で週次予測を立て、次にリリース前後の差分で効果を測る、最後に予測による人的調整で削減できた残業時間や遅延コストを算出します。それを会議で示せば現場も納得しますよ。
わかりました。ではまず週次のバグ数で試してみて、効果が出たら段階的に拡張するという方針で進めます。自分の言葉で言うと、過去の傾向とリリース情報を使って来週のバグ数を予測し、人員と対応策を前倒しで割り当てるということですね。
