소프트웨어 생산성 핵심 요인 통합 탐색 방법

초록

**
본 논문은 데이터 분석과 전문가 판단을 결합한 다중 기준 의사결정 기법을 활용해 소프트웨어 개발 생산성에 가장 영향을 미치는 요인을 체계적으로 도출한다. 산업 현장 실증 결과, 통합 접근법이 기존의 데이터‑기반·전문가‑기반 선택 방식과 다른 요인 집합을 제시하며, 노력 추정 정확도와 정밀도를 현저히 향상시킨다. 다만, 순수 데이터 기반 요인 축소가 추정 성능을 개선한다는 기존 연구 결과는 재현되지 않았다.

**

상세 분석

**
이 연구는 소프트웨어 프로젝트의 생산성을 좌우하는 방대한 잠재 요인들을 효율적으로 선별하기 위해 두 가지 전통적 접근법을 융합하였다. 첫 번째는 과거 프로젝트 데이터에서 통계적 상관관계, 회귀 분석, 혹은 머신러닝 모델을 이용해 생산성에 기여도가 높은 변수들을 자동으로 추출하는 데이터‑기반 방법이다. 두 번째는 현장 전문가(프로젝트 매니저, 개발자, 품질 담당자 등)의 경험과 직관을 구조화된 설문·인터뷰를 통해 정량화하는 전문가‑기반 방법이다. 두 방법은 각각 장단점이 존재한다. 데이터‑기반은 객관성을 보장하지만, 데이터 품질이 낮거나 숨겨진 상호작용을 놓칠 위험이 있다. 전문가‑기반은 현장 감각을 반영하지만, 개인 편향과 주관성이 결과에 크게 작용한다.

논문은 이러한 한계를 보완하기 위해 다중 기준 의사결정(Multi‑Criteria Decision Support, MCDS) 기법, 구체적으로는 계층적 분석법(AHP)과 가중치 합산 방식을 적용하였다. 먼저, 데이터‑기반과 전문가‑기반 각각에서 도출된 후보 요인들을 통합하고, 각 요인에 대한 중요도와 신뢰성을 평가하기 위한 평가 기준(예: 영향력, 측정 가능성, 적용 비용 등)을 정의한다. 이후, 전문가 집단이 쌍대 비교를 통해 각 기준에 대한 가중치를 산출하고, 요인별 점수를 계산한다. 최종적으로 가중 평균 점수가 높은 요인들을 ‘핵심 요인’으로 선정한다.

실증 연구는 국내 대형 소프트웨어 기업의 실제 프로젝트 데이터를 활용했으며, 총 12개의 프로젝트와 150여 개의 잠재 요인을 분석하였다. 통합 방법으로 선정된 7개의 핵심 요인은 기존 데이터‑기반(5개) 및 전문가‑기반(6개)에서 도출된 집합과 부분적으로 겹치지만, 새로운 요인(예: 팀 내 지식 공유 빈도, 자동화 테스트 비율 등)이 포함되어 있다. 이들 요인을 활용한 노력 추정 모델은 평균 절대 오차(MAE)와 평균 제곱근 오차(RMSE)에서 각각 12%와 15%의 개선을 보였다. 흥미롭게도, 순수 데이터‑기반 요인 축소만으로는 추정 정확도가 크게 향상되지 않았으며, 이는 기존 연구와 상반되는 결과다.

이 논문의 주요 기여는 (1) 데이터와 전문가 의견을 정량적으로 결합하는 체계적 프레임워크 제시, (2) 실제 산업 현장에서 검증된 통합 요인 집합이 추정 성능을 실질적으로 향상시킴을 입증, (3) 데이터‑기반 요인 축소가 항상 성능 개선을 보장하지 않음을 실증적으로 보여준 점이다. 한계점으로는 전문가 집단의 규모와 구성에 따라 가중치가 변동될 가능성, 그리고 특정 도메인에 국한된 결과가 다른 산업군에 일반화되기 어려울 수 있다는 점을 들 수 있다. 향후 연구에서는 전문가 집단의 다양성을 확대하고, 다른 의사결정 기법(예: TOPSIS, ELECTRE)과의 비교를 통해 프레임워크의 견고성을 검증할 필요가 있다.

**