Wpływ awarii systemów informatycznych na wydajność procesów biznesowych przedsiębiorstwa
DOI:
https://doi.org/10.18559/SOEP.2017.12.5Słowa kluczowe:
Oprogramowanie, Zarządzanie oprogramowaniem, Niezawodność, Awaryjność, Analiza przyczyn i skutków wad, Wydajność pracy, Systemy informatyczne, PrzedsiębiorstwoAbstrakt
Artykuł podejmuje temat badania wpływu liczby awarii systemu informatycznego na wydajność procesów biznesowych przedsiębiorstwa, które korzysta z awaryjnego oprogramowania. Autorzy stawiają tezę, że wzrost liczby awarii w danym dniu w mierzalny sposób może być powodem notowania wysokich strat przez użytkownika końcowego. Badanie przeprowadzono na podstawie rzeczywistych danych uzyskanych od firmy KRUK S.A., które składają się z dwóch zbiorów: logów systemowych oraz danych operacyjnych. Poprzez szukanie odstępstw w obu zbiorach i analizę przyczyn defektów podjęto próbę identyfikacji dni, w których wydajność procesu wykazywała wysoką zależność od liczby awarii. Wykazano w ten sposób, że możliwe jest zmierzenie poziomu odstępstwa wydajności procesu w konsekwencji wystąpienia licznych awarii oprogramowania.
Pobrania
Bibliografia
Abdi, H., 2010, Normalizing Data, in: Encyclopedia of Research Design, Sage, s. 935-938.
Zobacz w Google Scholar
Bowen, J.B., 1980, Standard Error Classification to Support Software Reliability Assessment, in: Proceedings American Federation of Information Processing Societies '80, 19-22 May, s. 697-705.
Zobacz w Google Scholar
Brosch, F., Gitzel, R., Koziolek, H., 2010, Combining Architecture-based Software Reliability Predictions with Financial Impact Calculations, Electronic Notes in Theoretical Computer Science, s. 3-17.
Zobacz w Google Scholar
Freimut, B., Denger, C., Ketterer, M., 2005, An Industrial Case Study of Implementing and Validating Defect Classification for Process Improvement and Quality Management, in: 11th IEEE International Software Metrics Symposium, https://dl.acm.org/citation.cfm?id=1092159.
Zobacz w Google Scholar
Gitzel, R., Krug, S., Brhel, M., 2010, Towards a Software Failure Cost Impact Model for the Customer, in: Proceedings of the 6th International Conference on Predictive Models in Software Engineering, https://dl.acm.org/citation.cfm?id=1868354.
Zobacz w Google Scholar
Grottke, M., Graf, C., 2009, Modelling and Predicting Software Failure Costs, in: Proceedings of the 33rd Annual IEEE International Computer Software and Applications Conference, s. 180-189.
Zobacz w Google Scholar
Hecht, H., Wallace, D., 1996, Error Classification and Analysis for High Integrity Software, The 1996 American Nuclear Society International Topical Meeting on Nuclear Plant Instrumentation, Control and Human-Machine Technology.
Zobacz w Google Scholar
IEEE, 2010, Standard Classification for Software Anomalies, STD-1044-2009.
Zobacz w Google Scholar
Jain, S., Prinja, R., Chandra, A., Zhang, Z.-L., 2008, Failure Classification and Inference in Large-Scale Systems: A Systematic Study of Failures in PlanetLab, University of Minnesota, Minneapolis.
Zobacz w Google Scholar
Jayalakshmi, T., Santhakumaran, A., 2011, Statistical Normalization and Back Propagation for Classification, International Journal of Computer Theory and Engineering, s. 89-93.
Zobacz w Google Scholar
Leszak, M., Perry, D.E., Stoll, D., 2002, Classification and Evaluation of Defects in a Project Retrospective, The Journal of Systems and Software, no. 61, s. 173-187.
Zobacz w Google Scholar
Ross, S.M., 2003, Peirce's Criterion for the Elimination of Suspect Experimental Data, Journal of Engineering Technology, s. 38-41.
Zobacz w Google Scholar
Zhivich, M., Cunningham, R.K., 2009, The Real Cost of Software Errors, IEEE Security & Privacy Magazine, s. 87-90.
Zobacz w Google Scholar
