4.1 Collaborations
4.2.2 People are different
Um domínio é a primeira dimensão específica ao longo da qual o nível de maturidade SOA de uma organização pode ser medido e avaliado (THE OPEN GROUP, 2011). Cada domínio tem então um ou mais controles que identificam a situação de cada característica de uma adoção mais madura de SOA.
Assim, o nível de maturidade de cada domínio pode ser abstraído a partir da fatoração dos níveis de maturidade individuais dos controles dentro de cada domínio, pois os níveis de maturidade serão medidos pela realização dos objetivos específicos e
genéricos que se aplicam a cada conjunto predefinido de áreas de processo – cada domínio (TUTORIALSPOINT, 2012).
Como os resultados obtidos no cálculo da maturidade de cada controle são discretos e finitos (1, 2, 3, 4, 5), pode-se aplicar técnicas para análise de frequência sob o reduzido universo de controles em cada domínio, considerando-os um conjunto de valores discretos, com faixa de mínimos e máximos de níveis de maturidade estabelecidos nos modelos.
No suporte à quantificação para a tomada de decisão, práticas modernas vêm sendo aplicadas em pesquisas baseadas em questionários envolvendo o conceito de análise de sensibilidade. A análise de sensibilidade examina o grau em que uma decisão depende de suposições ou estimativas através de probabilidades. Nessa análise, um modelo matemático é definido por uma série de equações, variáveis de entrada e parâmetros que visam a caracterizar algum processo sob investigação (SALTELLI, 2000). A análise de sensibilidade ajuda a solucionar o problema desempenhando papel de ordenação pela importância da força e das relevâncias das entradas para determinar a variação da saída (SALTELLI, 2006).
Praticamente, todos os casos de análise de sensibilidade consideram uma saída univariada (SALTELLI, 2000); das técnicas utilizadas, destacam-se: a análise por regressão (regression analysis) e os métodos baseados em variância (variance-based methods). Os métodos baseados em variância são uma classe de abordagens probabilísticas que quantificam as incertezas de entrada e saída como distribuição de probabilidades e decompõem a variância da saída para partes atribuíveis às variáveis de entrada e suas combinações (TRIANTAPHYLLOU, 2000).
Porém, para uma tomada de decisão, esse processo, mesmo que usando uma simples abordagem probabilística, é tipicamente um exercício complexo, caracterizado por trade-
off' entre os diversos impactos que os elementos têm entre si e o seu resultado final
(LINKOV; RAMADAN, 2004).
Como o tratamento se dá indiferente do grau de interferência de cada controle, é necessário se resumir e visualizar a distribuição de frequência do conjunto de dados de cada domínio, sem levar em conta as características individuais de cada controle.
No conjunto de heurísticas de probabilidade baseada em um conjunto de valores limitados e discretos, diversas técnicas estatísticas podem então ser utilizadas, principalmente tomando como foco uma implementação de software:
§ Domínio: é a diferença entre o maior e o menor da distribuição de frequência.
§ Amplitude Total ou Intervalo Total: é a diferença entre o maior e o menor valor das observações.
§ Variância: para análise do grau de variabilidade dos valores e assim perceber desempenhos iguais, muito próximos ou muito distantes entre controles de mesmo grupo (dimensão).
§ Moda: é o valor que detém o maior número de observações – o valor ou valores mais frequentes, ou ainda "o valor que ocorre com maior frequência num conjunto de dados, isto é, o valor mais comum" (SPIEGEL, 1976). Moda é uma das maneiras de representação de um valor comum através do valor de ocorrência mais frequente da variável. No caso de uma análise de frequências, a classe de maior frequência é chamada de classe modal. A moda não é necessariamente única, ao contrário da média ou da mediana; assim, no que se refere a moda, podemos ter como resultados as seguintes situações: amodal – que não possui moda –; moda única ou unimodal – que possui um único valor modal –; e multimodal – que possui mais do que dois valores modais.
§ Desvio-Padrão: mostra o quanto de variação ou "dispersão" existe em relação à média (ou valor esperado), e, assim, baixo desvio padrão indica que os dados tendem a estar próximos da média, já um desvio padrão alto indica que os dados estão espalhados por uma gama de valores.
§ Quartis: outra forma de caracterizar quantitativamente uma distribuição e que consiste em encontrar os valores abaixo dos quais está 25% dos dados (Primeiro Quartil), 50% dos dados (Mediana) e 75% dos dados (Terceiro Quartil).
§ Assimetria: é uma medida que indica o grau de assimetria de uma distribuição de frequência em relação a uma expectativa de distribuição normal. É avaliada através do coeficiente de assimetria de Pearson.
§ Curtose: é uma medida de dispersão que caracteriza o pico ou "achatamento" da curva da função de distribuição de probabilidade, e estabelece se as funções são equivalentes à distribuição normal (mesocúrticas), mais alta (afunilada) e concentrada do que a distribuição normal (leptocúrticas) ou mais achatada do que a distribuição normal (platicúrticas).
Dessa forma, para descrever adequadamente a distribuição de frequências de uma variável quantitativa, além da informação do valor representativo da variável (moda da tendência central), é necessário dizer também o quanto esses valores variam – o quão eles são dispersos (SPIEGEL, 1976).
Adicionalmente, e em reforço ao uso de critérios pessimistas, técnicas adicionais, tal como a exclusão de valores atípicos, podem ser utilizadas para eliminação de valores discretos segundo um critério de afastamento de um modelo de distribuição. Controles de uma mesma dimensão podem ser usados ou eliminados em situações em que são encontrados valores muito inferiores ou superiores à média geral.
Os elementos quantificáveis (controles) então podem ser considerados exclusivamente ou excluídos dos cálculos estatísticos seguintes, e, assim, podem influenciar na determinação dos patamares numéricos calculados. Para identificação desses elementos esparsos (valores atípicos), que podem provocar uma situação multimodal ou amodal, ou mesmo extrema assimetria na distribuição, e que acarretariam distorções na inferência estatística, então devem-se utilizar técnicas para identificar valores que são "dispersos, discrepantes ou aberrantes" (OLIVEIRA, 2008). A Figura 2.6 ilustra duas distribuições de frequência: sem valores atípicos e com valores atípicos nos dois extremos da distribuição.
Figura 2.6 – Distribuição de Frequência e Valores Atípicos
Nesse sentido, considerada como pressuposto uma expectativa de pequena amostra de dados e uma distribuição com características de distribuição t de Student, não é aconselhado aplicar procedimentos inferenciais baseados no Teorema do Limite Central (FERREIRA, 2005). Assim, outras técnicas baseadas em princípios heurísticos são aplicadas para selecionar esses elementos esparsos, bem como para reconhecer as situações multimodais ou amodais.
Esses princípios de heurísticas suportam tanto o modelo de avaliação de maturidade posicional no tempo (cálculo de maturidade em um momento de avaliação, chamado modelo 'as-is') quanto os roteiros de evolução (guia de próximos passos que consideram um modelo 'to-be').
Essa geração de roteiros refere-se à emissão de roteiro (roadmaps) com atividades precisas para atingimento de uma nova meta de maturidade, pelo uso do último referencial encontrado em cada domínio. Trata da disponibilização de um fluxo de atividades controlados (i.e. um 'to do list') de próximos passos.