规范发布后做复盘，需要回答两个问题：提交有没有关联工作项，关联得实不实。前者看关联覆盖率、缺失率，后者看形式化提交率与抽样复核结果。本文给出可复算的口径、公式和示例，并说明指标能说明什么、不能说明什么。ONES可用于承载提交与工作项关联记录的管理动作，便于复盘时回溯证据。
要点总览（TL;DR）
- 复盘代码提交关联规范，要分开度量两件事：提交是否关联工作项（缺失型偏差），以及关联是否真实有效（形式型偏差），结论需能区分未执行、执行但走形式、执行有效三种状态。
- 计算前先固定口径：提交粒度可选按提交、按合并请求或按工作项，时间窗从规范生效日起算，合并提交、回滚提交、机器人提交、纯格式变更等排除项需书面约定并各期保持一致。
- 核心指标为关联覆盖率、缺失率、形式化提交率与抽样通过率；形式化提交率的分母是已关联提交，分母为零时标注不适用，不记为0%或100%。
- 形式化判定标准要事先书面约定，例如仅含编号无描述、描述与改动无关、批量套用同一信息；抽样样本需可回溯到具体提交，通过标准同样事先约定。
- 指标用于发现偏差和推动改进，覆盖率不反映关联质量，形式化率依赖判定标准，抽样存在样本偏差，单指标不能代表整体执行水平，也不宜直接挂钩个人绩效。
复盘要回答的两个问题：关联有没有做、做得实不实
规范发布后的复盘目标，是判断执行偏差的类型和严重程度，为改进动作提供依据。评估结论需要能区分三种状态：未执行、执行但走形式、执行有效。这三种状态对应两类偏差。
第一类是缺失型偏差，即提交未关联工作项。它反映规范要求的动作没有发生，通常与流程未嵌入工具、提交习惯未改变、规范宣导不到位有关。第二类是形式型偏差，即提交已关联工作项，但提交信息敷衍、与改动内容不匹配，或批量套用同一信息。它反映动作发生了，但关联没有承载可用的信息。
两类偏差要分开度量。只看关联覆盖率，会把“填了编号但信息无效”的提交算作合格；只看形式化率，又无法发现大量提交根本没有关联。复盘时先算覆盖率判断缺失程度，再在已关联提交中算形式化率判断质量，最后用抽样复核验证判定是否成立。
评估服务于改进，不用于单纯排名。同一份数据按团队、仓库分层展示，目的是定位问题发生在哪个环节，而不是给个人打分。结论应落到具体动作，例如调整提交模板、在合并请求环节增加关联校验、对形式化集中的仓库做专项宣导。
指标与统计范围：提交粒度、时间窗与分母怎么定
统计对象是代码提交（commit）与工作项的关联关系。口径必须在计算前固定，否则不同周期的数据不可比。需要固定的项目包括提交粒度、时间窗、分母与排除项。
提交粒度有三种常见选择，差异如下：
| 口径 | 统计单位 | 适用场景 | 注意点 |
|---|---|---|---|
| 按提交数 | 每一条 commit | 关注开发者提交习惯 | 一次需求拆成多条提交时，覆盖率会被稀释 |
| 按合并请求/合入批次 | 每个 MR 或每次合入 | 关注合入环节的规范执行 | 需明确 MR 内多条提交如何取关联状态 |
| 按工作项 | 每个工作项对应的提交集合 | 关注需求到代码的追溯完整性 | 无法反映单条提交的信息质量 |
时间窗从规范生效日开始，到复盘截止日结束。生效日之前的提交不纳入，避免历史习惯污染当期数据。若规范分阶段推行，可按阶段切分时间窗，分别计算并观察趋势。
分母与排除项需要事先书面约定。常见排除项包括：合并提交（merge commit）、回滚提交、机器人或自动化工具产生的提交、纯格式变更（如仅调整缩进、格式化）。排除的理由是这些提交通常不承载业务改动，强制关联会制造形式化数据。排除项一旦确定，各期保持一致；如需调整，应在报告中注明并说明对可比性的影响。
分层统计是必要动作。不同仓库的提交习惯差异明显，有的仓库偏好小步提交，有的偏好批量合入，混在一起算整体覆盖率会掩盖局部问题。建议至少按团队、仓库两个维度分层，必要时按时间分段看趋势。
数据口径与证据：从提交记录到可核验的关联证据
定量数据主要来自两处：提交信息中的工作项编号，以及提交与工作项的关联记录。前者用于判断提交信息是否包含有效编号，后者用于确认关联关系是否在系统中真实建立。两者不一致时，以系统关联记录为准，并单独记录“信息中有编号但系统无关联”的情况。
定性证据来自抽样复核。抽样时查看三项内容：提交信息是否包含编号之外的改动描述；关联的工作项与实际改动是否属于同一业务范围；提交信息描述与代码改动是否一致。抽样样本必须能回溯到具体提交，记录提交哈希、关联工作项编号和复核结论，便于他人复算。
缺失值需要分类处理，不能一律记为未关联：
- 无关联记录：提交信息中无编号，系统中也无关联，计入缺失。
- 编号无效：提交信息中的编号在系统中不存在或格式错误，计入缺失，并单独统计无效编号数量。
- 工作项已关闭：关联存在但工作项状态为已关闭，关联动作本身有效，计入已关联，但在质量复核时关注是否属于事后补挂。
- 关联到错误工作项：系统有记录但业务范围不符，计入已关联，在抽样中标记为形式化或错误关联。
数据不可比的情形要提前识别。不同仓库的提交习惯差异、历史数据缺失、规范推行节奏不同，都会导致横向比较失真。遇到这些情况，应在报告中说明限制，避免直接给出跨仓库排名。
在工具层面，ONES支持通过代码提交与业务工作项进行关联，可视化代码研发过程。复盘时可以从工作项侧查看关联的提交记录，把提交信息、关联工作项和改动内容放在同一上下文中核对，减少跨系统比对的工作量。具体配置方式与适用范围以实际部署版本为准。
计算与评估步骤：覆盖率、形式化率与抽样通过率
三个核心指标的计算口径如下，分子分母和时间窗需与上一节确定的范围一致。
| 指标 | 公式 | 单位 | 说明 |
|---|---|---|---|
| 关联覆盖率 | 已关联工作项的提交数 ÷ 纳入统计的提交总数 × 100% | 百分比 | 反映关联动作发生比例 |
| 缺失率 | 未关联提交数 ÷ 纳入统计的提交总数 × 100% | 百分比 | 与覆盖率互补，两者之和为100% |
| 形式化提交率 | 判定为形式化的提交数 ÷ 已关联提交数 × 100% | 百分比 | 分母是已关联提交，不是全部提交 |
| 抽样通过率 | 复核通过样本数 ÷ 复核样本总数 × 100% | 百分比 | 样本需可回溯，通过标准事先约定 |
分母为零时要单独说明。某周期内纳入统计的提交总数为零，覆盖率不记为0%或100%，而应标注“本期无纳入统计的提交”，并检查排除规则是否过严。已关联提交数为零时，形式化率同样不计算，直接说明“本期无已关联提交，形式化率不适用”。
形式化提交的判定标准需要事先书面约定，常见情形包括：提交信息仅含工作项编号、无任何改动描述；描述内容与代码改动无关；多条提交批量套用同一段信息；关联的工作项与改动业务范围明显不符。判定由两人独立复核、分歧时讨论定案，可以减少标准漂移。
抽样通过率用于验证形式化判定和关联真实性。抽样方法要写清楚：按仓库分层随机抽取，还是对高风险仓库加大抽样比例；样本量占已关联提交的比例是多少。通过标准同样事先约定，例如“提交信息包含编号且有可读的改动描述，关联工作项与改动业务范围一致”视为通过。
计算完成后按团队、仓库、时间分段对比趋势。趋势比单期绝对值更有解释力：覆盖率逐期上升说明习惯在形成，形式化率居高不下说明模板或校验环节需要调整。
一个复盘例子：从数据到偏差结论
以下为演示情景，数据为假设值，用于说明计算过程。
某团队规范生效后一个复盘周期内，纳入统计的提交总数为500条，其中已关联工作项420条，未关联80条。从已关联提交中分层随机抽取100条做人工复核，判定为形式化的提交18条，复核通过82条。
逐步计算：关联覆盖率 = 420 ÷ 500 × 100% = 84%；缺失率 = 80 ÷ 500 × 100% = 16%；形式化提交率 = 18 ÷ 420 × 100% ≈ 4.3%；抽样通过率 = 82 ÷ 100 × 100% = 82%。
偏差判断：覆盖率84%说明大部分提交完成了关联动作，缺失型偏差存在但不占主导，16%的缺失集中在两个仓库，可进一步查看这两个仓库的提交模板和合入校验是否缺失。形式化率4.3%看似不高，但抽样中18条形式化提交里有12条来自同一仓库，说明该仓库存在批量套用信息的习惯，属于局部形式型偏差。抽样通过率82%与形式化率相互印证，剩余未通过样本中还包括关联到错误工作项的情况，需要在复核记录中单独归类。
若换一个周期，纳入统计的提交总数为0，则覆盖率标注“本期无纳入统计的提交”，不计算百分比，并检查是否因排除规则把全部提交排除。若已关联提交为0，形式化率标注“不适用”，此时应优先解决缺失型偏差。
从结论到改进：缺失集中的仓库补充提交模板和合入前关联校验；形式化集中的仓库做提交信息规范宣导，并在抽样中提高该仓库的样本比例，观察下一周期形式化率是否下降。
解读与限制：指标能说明什么、不能说明什么
覆盖率只反映关联动作是否发生，不反映关联质量。覆盖率高的周期，仍可能存在大量仅填编号的提交，必须结合形式化率和抽样通过率一起看。反过来，覆盖率低也不必然说明规范失败，可能是排除规则过严或统计口径切换导致，需要核对口径后再下结论。
形式化率依赖判定标准。标准模糊时，不同复核人给出的结果差异大，跨周期、跨团队的数据就不可比。因此判定标准要书面化，复核记录要保留判定理由，标准调整时在报告中注明并说明对历史数据的影响。
抽样复核存在样本偏差。抽样方法、样本量和分层方式都会影响通过率，报告里要写清楚抽样设计，避免把样本结论直接当作全量结论。对高风险仓库加大抽样比例时，整体通过率不能简单外推。
单指标不能代表整体执行水平。覆盖率、形式化率、抽样通过率各自回答不同问题，需要组合使用，并结合分层数据看局部。指标用于发现偏差、推动改进，不构成对个人的绩效结论；把覆盖率与个人考核直接挂钩，容易催生批量套用编号的形式化行为，反而降低数据可信度。
常见问题
规范刚发布不久，提交量还很少，这时候算覆盖率有意义吗？
可以算，但结论要谨慎。样本量过小时，一两条提交的差异就会让覆盖率大幅波动，单期数字不足以判断习惯是否形成。建议把规范生效后的前几周作为观察期，按周计算并看趋势，同时检查排除规则是否把大量提交排除在外。若某期纳入统计的提交总数为零，覆盖率标注“本期无纳入统计的提交”，不计算百分比。
观察期内更适合做定性复核：抽取少量提交逐条核对提交信息与改动内容，确认形式化判定标准是否可操作，为后续正式统计打好口径基础。
提交信息里写了工作项编号，但系统里没有建立关联，这种算已关联还是未关联？
以系统关联记录为准，计入未关联，并单独统计“信息中有编号但系统无关联”的数量。这类情况说明开发者知道要填编号，但关联动作没有在工具中落地，改进方向是检查提交模板与合入环节的校验是否生效，而不是继续宣导规范内容。
如果这类数量占缺失的多数，说明问题出在流程嵌入而非意识，优先补工具侧的关联动作比反复培训更有效。
形式化提交率很低，是不是说明规范执行得不错？
不能只看这一个数字。形式化率的分母是已关联提交，如果关联覆盖率本身很低，形式化率再低也只说明少数已关联的提交质量尚可，大量提交根本没有进入统计。正确做法是先看覆盖率判断缺失程度，再看形式化率判断已关联部分的质量，最后用抽样通过率验证判定是否成立。
另外，形式化率低也可能源于判定标准过松。复核时要保留判定理由，必要时由两人独立判定、分歧时讨论定案，减少标准漂移。
复盘结果要不要和团队或个人绩效挂钩？
不建议直接挂钩。覆盖率与个人考核绑定后，容易出现批量套用编号、事后补挂关联等行为，数据看起来变好，关联承载的信息反而更少。指标更适合用于定位问题环节：哪个仓库缺失集中、哪个仓库形式化集中，据此调整提交模板、合入校验或做专项宣导。
如果组织确实需要考核，也应把覆盖率、形式化率、抽样通过率组合使用，并说明各指标的判定标准和统计口径，避免用单一数字下结论。
不同仓库提交习惯差异很大，跨仓库比较覆盖率公平吗？
直接比较整体覆盖率容易失真。有的仓库偏好小步提交，一次需求拆成多条提交，覆盖率会被稀释；有的仓库批量合入，单条提交覆盖多个工作项。建议按仓库分层统计，先看各仓库自身的时间趋势，再在口径一致的前提下做横向对照。
报告中要写明分层方式和各仓库的提交特征，遇到历史数据缺失或规范推行节奏不同的情况，说明限制，避免直接给出跨仓库排名。
