Análise dos Fatores com Relacionamento Estatístico

Visando obter um entendimento inicial das inter-dependências entre os fatores críticos de sucesso identificados no survey, foram aplicadas técnicas de análise estatística de dados para apoiar a construção de relações estatisticamente significativas entre os fatores. As técnicas de análise estatística “Escalamento Multidimensional” (MDS, do inglês Multi- Dimensional Scaling) e “Análise de Componentes Principais” (PCA, do inglês Principal Components Analysis) foram aplicadas visando derivar e agregar componentes de fatores críticos de sucesso13_.

A análise de MDS foi realizada com base na matriz de dados apresentada na Tabela I.6 da seção I.3 do Anexo I que aponta quantas ocorrências das propriedades de fatores críticos de sucesso foram identificadas em cada um dos 25 questionários do survey. Essa matriz foi utilizada para calcular correlações multivariadas entre as propriedades dos fatores críticos de sucesso. Com base nessas correlações, foram desenhadas as distâncias geométricas entre os fatores críticos de sucesso em um Gráfico MDS.

A técnica PCA foi também aplicada na matriz de dados com o objetivo de identificar as propriedades com relacionamento estatisticamente significativo. Por meio da aplicação da técnica de análise PCA, as propriedades receberam um valor de carga final para cada um dos componentes (grupos) de fatores críticos de sucesso. Esses valores representam o grau de correlação entre um conjunto de variáveis (STATSOFT, 2004).

Quanto maior for o valor de carga final de um componente, maior é a correlação das variáveis do componente. No contexto deste estudo, os conjuntos de dados analisados tinham um tamanho limitado de fontes de informação e, portanto, foi considerado o valor 0,55 como o valor de corte para afirmar que o relacionamento entre as propriedades analisadas é estatisticamente significativo. Estudos apontam esse valor como adequado para apoiar a definição do ponto de corte em estudos de caráter exploratório (COMREY, 1973; EL-EMAM et al., 2001).

Ao conjunto de propriedades de fatores críticos de sucesso com relacionamento estatístico significativo foi dado o nome de “Componente de Fator Crítico de Sucesso”. Os componentes extraídos foram analisados quanto à sua capacidade para explicar a variação dos dados analisados.

Quanto maior o percentual da variação explicada pelos componentes de fatores críticos de sucesso, melhor é o resultado da análise. Também foram analisados os valores do coeficiente alpha de Cronbach para avaliar o grau de confiabilidade dos componentes. Quanto maior é esse valor, mais confiável é o componente (STATSOFT, 2004).

Para os componentes que não tinham variáveis suficientes para calcular o coeficiente alpha de Cronbach, foram analisados os valores de carga de rotação da análise de fator exploratória para o componente em questão. Valores altos de carga de rotação indicam uma alta correlação entre as variáveis do componente.

Foram descartados, os componentes de fatores críticos de sucesso com muito poucas variáveis para calcular o valor do coeficiente alpha de Cronbach e que não possuíam valores de carga de rotação altos da análise de fator exploratória.

Os resultados da aplicação da técnica PCA são apresentados na Tabela 4.5. Nove componentes de fatores críticos de sucesso foram extraídos a partir da análise dos dados. Aproximadamente 85% da variação é explicada por esses nove componentes de fatores críticos de sucesso. Esse é um bom valor, considerando a natureza exploratória deste estudo (COMREY, 1973; EL-EMAM et al., 2001).

Os fatores extraídos pela técnica de PCA foram utilizados para construir componentes de fatores críticos de sucesso. O fator 1 possui um coeficiente alpha de Cronbach de valor 0,81 demonstrando que esse componente possui uma confiabilidade muito boa (COMREY, 1973; EL-EMAM et al., 2001). Apesar do fator 2 ter poucas variáveis para calcular o coeficiente alpha de Cronbach, os altos valores de carga de rotação da análise de fator exploratória indicam uma alta correlação entre as variáveis do fator 2.

Tabela 4.5 – Resultados de PCA com Varimax normalizado como método de rotação de

fator com base nos dados do estudo experimental.

Prop.

Fator Fator 1 Fator 2 Fator 3 Fator 4 Fator 5 Fator 6 Fator 7 Fator 8 Fator 9

P1 0,980 0,072 0,009 0,123 0,043 0,050 0,014 0,044 -0,046 P2 -0,112 0,091 -0,089 0,016 0,242 -0,099 0,055 -0,818 0,225 P3 -0,091 -0,135 0,114 -0,026 -0,811 0,197 0,026 0,039 0,070 P4 0,708 -0,208 -0,259 0,105 -0,046 -0,390 -0,060 -0,131 0,128 P5 -0,033 0,011 0,070 -0,008 0,094 -0,950 -0,071 0,023 -0,077 P6 -0,105 -0,750 -0,356 -0,096 0,231 -0,249 0,058 0,211 0,155 P7 0,421 0,193 -0,595 0,350 0,151 0,156 -0,355 0,025 0,135 P8 0,055 -0,398 -0,262 0,130 -0,004 0,257 -0,211 -0,582 -0,332 P9 0,011 -0,279 -0,612 -0,436 -0,048 0,103 0,111 -0,220 0,340 P10 -0,079 -0,068 -0,050 0,124 -0,054 0,029 0,006 -0,016 0,848 P11 0,174 -0,131 0,055 0,840 0,052 0,059 -0,119 0,030 -0,083 P12 0,033 -0,221 0,137 -0,405 0,136 0,181 0,134 -0,310 0,538 P13 0,605 -0,160 -0,282 0,603 0,031 -0,002 -0,057 0,041 0,031 P14 0,448 0,255 -0,100 -0,095 -0,479 -0,230 -0,555 -0,063 0,033 P15 -0,018 0,158 0,036 -0,057 -0,678 0,018 -0,035 0,205 0,004 P16 -0,098 -0,892 0,193 0,128 -0,003 0,145 0,096 -0,083 0,090 P17 -0,087 0,054 0,101 0,063 0,079 -0,026 -0,911 0,001 -0,075 P18 0,258 0,085 -0,071 0,814 -0,006 -0,011 0,060 -0,193 0,156 P19 0,074 -0,440 0,051 0,594 0,251 -0,015 0,094 0,535 0,018 P20 0,980 0,072 0,009 0,123 0,043 0,050 0,014 0,044 -0,046 P21 0,137 0,110 -0,621 0,467 0,114 -0,075 0,312 0,122 -0,005 P22 -0,120 0,206 -0,234 -0,017 -0,645 -0,431 0,188 -0,252 -0,170 P23 0,980 0,072 0,009 0,123 0,043 0,050 0,014 0,044 -0,046 P24 -0,029 -0,007 -0,932 -0,009 -0,017 -0,011 0,016 -0,163 -0,108 P25 0,980 0,072 0,009 0,123 0,043 0,050 0,014 0,044 -0,046

O fator 3 possui um coeficiente alpha de Cronbach de valor 0,56. Apesar deste número não ser muito alto, os altos valores de carga de rotação também indicam uma alta correlação entre as variáveis do fator 3. O fator 4 possui um coeficiente alpha de Cronbach de valor 0,81 demonstrando que esse componente de fatores críticos de sucesso tem uma confiabilidade muito boa. O fator 5 tem o coeficiente alpha de Cronbach de valor 0,58. Apesar desse número não ser muito alto, é relativamente bom para um fator consistindo de apenas 3 variáveis. Esses cinco componentes de fator crítico de sucesso explicam 65% da variação total o que é um valor muito bom considerando o número reduzido de dados analisados. Os fatores 6 a 9 possuem muito poucas variáveis para calcular o valor do coeficiente alpha de Cronbach. Além disso, esses fatores não possuem valores de carga de rotação altos da análise de fator exploratória. Portanto, somente os fatores 1 a 5 foram considerados como sendo os componentes principais de fatores críticos de sucesso.

A Figura 4.5 apresenta o gráfico dos componentes de fatores identificados por meio da aplicação da técnica MDS e PCA.

Scatterplot 2D

Final Configuration, dimension 1 vs. dimension 2

P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 P17 P18 P19 P20 P21 P22 P23 P24 P25 -1,6 -1,4 -1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 Dimension 1 -1,4 -1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 D im ens io n 2

Figura 4.5 – Gráfico dos componentes principais de fatores críticos de sucesso como

resultado da aplicação das técnicas MDS e PCA.

A composição dos componentes principais de fatores críticos de sucesso extraídos com base nas técnicas PCA e MDS é apresentada a seguir. As propriedades destacadas em negrito foram identificadas na análise anterior da ocorrência nas fontes de dados do survey conforme apresentado na Tabela 4.4. As propriedades que não estão destacadas em negrito, não tiveram muita ocorrência nos dados, porém possuem relacionamentos estatisticamente significativos com as demais propriedades. Sendo assim, essas propriedades também são importantes de serem consideradas em investigações futuras, bem como na condução de iniciativas de melhoria.

Fator 1:

• [P13] Competências em engenharia de software dos membros da

organização (conhecimento, experiências e habilidades).

• [P04] Inexistência de conflitos de interesses na implementação de

processos.

• [P20] Estabilidade interna na organização. • [P25] Satisfação dos membros da organização.

Fator 1

Fator 2

Fator 3

Fator 4 Fator 5

• [P01] Existência de política de reconhecimento à colaboração na melhoria dos processos.

• [P23] Relacionamento dos membros da organização com a consultoria especializada.

Fator 2:

• [P16] Conscientização dos membros da organização quanto aos

benefícios obtidos com a implantação dos processos.

• [P06] Existir gerência do projeto de implementação da melhoria dos

processos.

Fator 3:

• [P07] Balanceamento entre as melhorias impostas pela alta direção, as necessidades do modelo adotado e as melhorias propostas pelos membros da organização.

• [P24] Rotatividade de pessoal da organização.

• [P09] Adequação dos processos/procedimentos definidos.

• [P21] Completa institucionalização das melhorias implementadas nos

projetos.

Fator 4:

• [P11] Apoio efetivo da alta gerência.

• [P13] Competências em engenharia de software dos membros da

organização (conhecimento, experiências e habilidades).

• [P18] Disponibilidade de recursos financeiros da organização para

atividades de melhoria de processo.

• [P19] Disponibilidade de tempo dos membros da organização para

atividades de melhoria de processo.

Fator 5:

• [P03] Facilidade de aceitação de mudanças. • [P22] Motivação dos membros da organização.

• [P15] Confiança dos membros da organização na consultoria especializada.

O fator 1 é rotulado de “Ambiente” pois todas as variáveis medem a capacidade ambiental para estabelecer e manter iniciativas de melhoria de processo de software. Essas

melhoria sob dois pontos de vista: o indivíduo e a organização. As medidas do indivíduo estão relacionadas à satisfação dos membros da organização e ao relacionamento entre esses membros e a equipe de consultoria de melhoria de processo de software. As medidas da organização são relacionadas à conciliação entre os objetivos estratégicos e interesses da organização na melhoria de processo de software, e à estabilidade organizacional interna.

O fator 2 é rotulado de “Estratégia” e indica que uma estratégia eficiente de melhoria de processo de software deve garantir que os membros da organização têm consciência dos benefícios potenciais que podem ser alcançados com a implementação da melhoria de processo de software.

O fator 3 foi nomeado de “Institucionalização” pois as variáveis desse fator medem o grau de institucionalização das melhorias implementadas através da organização pela caracterização do grau de resistência da institucionalização dos processos e procedimentos a mudanças estruturais da organização, por exemplo, rotatividade de pessoal, e as dificuldades inerentes da implementação de melhoria de processo de software nos diferentes níveis organizacionais.

Como todas as variáveis do fator 4 são consideradas indicadores de comprometimento para a melhoria de processo de software, esse fator foi rotulado de “Comprometimento”. Uma alta gerência comprometida para a melhoria de processo de software fornece recursos financeiros adequados desde a concepção do programa de melhoria de processo de software e ao longo dos projetos de melhoria. Além do mais, uma gerência sênior comprometida garante que os membros da organização têm competências adequadas e tempo disponível para executar mudanças de processos eficientemente.

O fator 5 é rotulado de “Motivação e aceitação” e indica que a equipe de melhoria de processo de software é um facilitador da aceitação dos membros da organização para a institucionalização de mudanças nos processos promovidas pelas iniciativas de melhoria.

As propriedades que não tiveram muita ocorrência nos dados, nem possuem relacionamento estatisticamente significativo com outras propriedades são as seguintes:

• [P05] Estrutura da organização adequada

• [P10] Alinhamento da definição dos processos com objetivos estratégicos da organização

• [P12] Competências da consultoria especializada (conhecimento, experiências e habilidades)

• [P17] Disponibilidade de recursos de software e hardware de apoio à execução dos processos

Pode-se inferir algumas razões do porquê de certas propriedades com relacionamento estatístico significativo, não terem sido consideradas relevantes pelos participantes do survey no geral. Implementadores de melhoria, geralmente, não tem poder de modificar a estrutura da organização (propriedade P05) ou resolver questões relacionadas à disponibilidade de recursos de hardware e software (propriedade P17). Assim, é possível que os implementadores não notem esses fatores como críticos na implementação de melhorias em processos.

Os objetivos estratégicos muitas vezes não estão explicitamente definidos ou não são de conhecimento dos implementadores de melhorias, podendo dificultar o alinhamento da definição dos processos com esses objetivos (propriedade P10). Dessa forma, pode ser que muitos implementadores, por não terem experiência em definir processos alinhados aos objetivos estratégicos, não percebam a importância disso para o sucesso da iniciativa de melhoria.

Quanto às competências da consultoria especializada (propriedade P12), essa propriedade pertence apenas à esfera da organização de consultoria e não da organização de software alvo da implementação das melhorias. Como o survey envolveu membros de organizações de software, pode ser que essa propriedade não seja percebida como relevante para os participantes do survey em geral.

No entanto, essas propriedades podem ter algum tipo de relação com outras questões críticas não identificadas na análise dos dados do survey ou até mesmo serem consideradas relevantes por outros implementadores com diferentes perspectivas.