有网友询问如表1所示的原始数据如何分析，发现问题，我觉得很有代表性，试着分析进行了分析，供大家参考。
表1: 11个项目的缺陷状态原始数据
| 产品名称 |
未解决 |
设计如此 |
重复Bug |
外部原因 |
已解决 |
无法重现 |
延期处理 |
不予解决 |
转为需求 |
总计 |
| A产品 |
148 |
52 |
5 |
62 |
1701 |
20 |
14 |
8 |
8 |
2018 |
| B产品 |
52 |
11 |
1 |
16 |
515 |
12 |
3 |
6 |
0 |
616 |
| C产品 |
31 |
75 |
22 |
40 |
1621 |
37 |
38 |
103 |
33 |
2000 |
| D产品 |
25 |
7 |
0 |
2 |
223 |
2 |
0 |
0 |
1 |
260 |
| E产品 |
13 |
7 |
2 |
4 |
263 |
4 |
5 |
0 |
4 |
302 |
| F产品 |
7 |
2 |
0 |
8 |
269 |
4 |
6 |
3 |
0 |
299 |
| G产品 |
3 |
0 |
0 |
0 |
26 |
0 |
0 |
0 |
0 |
29 |
| H产品 |
0 |
17 |
0 |
3 |
273 |
1 |
4 |
4 |
0 |
302 |
| I产品 |
0 |
0 |
0 |
0 |
98 |
0 |
24 |
0 |
0 |
122 |
| J产品 |
0 |
0 |
4 |
14 |
223 |
4 |
17 |
8 |
0 |
270 |
| K产品 |
0 |
6 |
1 |
8 |
381 |
3 |
22 |
10 |
0 |
431 |
第1步：澄清数据的含义
问：设计如此是指设计缺陷吗？
答：设计如此包含了产品设计如此和技术设计如此。
问：B到J列的数据，没有包含的关系，是可以累加得到最后一列，对吧？
答：是的，B到J列没有包含关系。
问：这11个项目是已经完成的项目，还是当前正在进行的项目？
答：大部分是完成95%的项目。后面就是新的迭代了。
问：不予解决是什么意思？
答：不予解决就是接受这个问题存在。
问：你这个产品是项目级么？
答：产品级。
第2步：对数据做变换
为了确保不同项目之间的数据具有可比性，将绝对的数值，转换为相对的数值。
把每列与合计列相除得到缺陷状态的%，参见表2：
表2: 归一化的数据
| 产品名称 |
问题解决% |
未解决% |
设计% |
重复bug% |
外部原因% |
无法重现% |
延期处理% |
不解决% |
转为需求% |
| A产品 |
0.8429 |
0.0733 |
0.0258 |
0.0025 |
0.0307 |
0.0099 |
0.0069 |
0.0040 |
0.0040 |
| B产品 |
0.8360 |
0.0844 |
0.0179 |
0.0016 |
0.0260 |
0.0195 |
0.0049 |
0.0097 |
0.0000 |
| C产品 |
0.8105 |
0.0155 |
0.0375 |
0.0110 |
0.0200 |
0.0185 |
0.0190 |
0.0515 |
0.0165 |
| D产品 |
0.8577 |
0.0962 |
0.0269 |
0.0000 |
0.0077 |
0.0077 |
0.0000 |
0.0000 |
0.0038 |
| E产品 |
0.8709 |
0.0430 |
0.0232 |
0.0066 |
0.0132 |
0.0132 |
0.0166 |
0.0000 |
0.0132 |
| F产品 |
0.8997 |
0.0234 |
0.0067 |
0.0000 |
0.0268 |
0.0134 |
0.0201 |
0.0100 |
0.0000 |
| G产品 |
0.8966 |
0.1034 |
0.0000 |
0.0000 |
0.0000 |
0.0000 |
0.0000 |
0.0000 |
0.0000 |
| H产品 |
0.9040 |
0.0000 |
0.0563 |
0.0000 |
0.0099 |
0.0033 |
0.0132 |
0.0132 |
0.0000 |
| I产品 |
0.8033 |
0.0000 |
0.0000 |
0.0000 |
0.0000 |
0.0000 |
0.1967 |
0.0000 |
0.0000 |
| J产品 |
0.8259 |
0.0000 |
0.0000 |
0.0148 |
0.0519 |
0.0148 |
0.0630 |
0.0296 |
0.0000 |
| K产品 |
0.8840 |
0.0000 |
0.0139 |
0.0023 |
0.0186 |
0.0070 |
0.0510 |
0.0232 |
0.0000 |
第3步 对数据进行横向或纵向对比分析
该数据表中的产品是同时进行的项目，没有时间的先后顺序数据，所以不做纵行对比分析，可以进行横向对比分析，即对同一时间段的项目进行对比分析。比如可以对问题解决%进行对比分析。对这11个项目可以采用柱状图分析，分析时要先排序：
表3: 排序后的问题解决%
| 产品名称 |
问题解决% |
| I产品 |
0.8033 |
| C产品 |
0.8105 |
| J产品 |
0.8259 |
| B产品 |
0.8360 |
| A产品 |
0.8429 |
| D产品 |
0.8577 |
| E产品 |
0.8709 |
| K产品 |
0.8840 |
| G产品 |
0.8966 |
| F产品 |
0.8997 |
| H产品 |
0.9040 |
图1 问题解决%的柱状图
对于上图，可以采用80-20的原则，取排名最靠后的2个产品进行原因分析，即为什么产品I或C这2个产品问题解决%那么低？这2个项目未必一定是离群点，只是最低而已。
对于其他度量元依此类推，也可以画柱状图进行分析。
第4步 通过统计的方法识别离群点
采用柱状图、条形图、饼图等是基于经验识别不合理的现象，但是未必很合理，有可能得到的结论是不科学的，此时我们可以借助统计的方法来识别离群点，即识别小概率事件，小概率事件发生的概率很小，是有别于正常事件的，是特殊原因造成的。
对于本组数据，我们可以画箱线图来识别离群点。
图3 Minitab中问题解决%的箱线图
图4 Excel中问题解决%的箱线图
对该度量元没有发现离群点，但是如果我们对其他度量元也进行分析：
图5 Minitab中对多个度量元进行箱线图分布分析
则我们发现产品I的延期处理%是离群点，产品C和E的转为需求%是离群点，对这3个项目应该进行原因分析！是另类的产品！
Minitab是专业的统计分析工具，简单易用，比EXCEL功能强大。
第5步 分析数据之间的相关性
分析相关性是为了识别因果规律，原因决定了结果。
可以通过散点图观察两个变量之间的相关性，对于本组数据，如果我们画出无法重现%与外部原因%的散点图，得到图6:
图6: 无法重现% 与 外部原因% 的散点图
观察上图，可以发现随着外部原因%的增加，无法重现%也是增加的，二者是正相关的！意味着很可能二者之间有因果关系，或者它们都是因另外一个因子影响而同步变化的！具体是哪种情况，需要继续和组织或产品组进行更多的沟通才能判定。
更准确的判断是否两个数据之间存在相关性可以在Minitab中计算相关性系数，进行相关性的假设检验，对上述数据，相关性检验的结果如下：
图7 相关性分析结果
当P值小于0.05时，可以认为这2个变量是相关的。我们找到了3对相关的度量元：
外部原因% 与 重复bug%
外部原因% 与 无法重现bug%
不解决% 与 重复Bug%
由于本组数据样本点比较少，我们还需要仔细看看散点图是否真的相关。通过图6的观察与相关性检验的结果，我们可以认可外部原因%与无法重现bug%是中度相关的，相关性系数为0.684。
图8 重复bug%与外部原因%的散点图
仔细观察图8，隐隐的有2个趋势在里面，由于样本点少，不能轻易下结论，需要再采集数据，再观察。
图9 不解决%与重复bug %的散点图
仔细观察图9，红圈中的样本点如果删除，相关趋势是否还那么明显呢？
该组数据只有11个点，相关性的趋势不是特别明显，需要再继续采集数据，不好轻易下结论。
综述：
1 简单的数据分析可以只做到第3步，并非要做第4、5步。
2 根据图8，我们怀疑存在2类项目，但是原始数据中没有给出每个项目的特征，比如是否新产品，采用的是迭代还是瀑布的生命周期模型，所以我们无法进行分类分析。
3 第4步中，如果数据记录了发生的先后顺序，我们也可以通过控制图的方法识别离群点。
4 样本点多了，数据的分布规律与因果规律才是规律，不是偶然。
5 如果再有各产品的规模数据（比如功能点数），就可以做产品间的质量水平对比，或算出各类bug缺陷密度的基准区间，比如延期处理的bug单位功能点有多少个是合理的。
