© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
杭州策策科技有限责任公司
企业杭州策策科技有限责任公司围绕相关业务开展运营。面向客户健康度评估、企业服务生命周期管理等领域提供数据服务，开放各地企业客户健康度动态评估数据（客户健康度评估、企业服务生命周期管理），支撑品质管理与工艺优化。
客户健康度评估企业服务生命周期管理企业客户健康度评估
数据集列表
软件系统健康度巡检评估数据
本数据集围绕软件系统健康度巡检构建，整合巡检周期标识、系统模块总数、CPU平均负载率、内存占用率、磁盘使用率、服务可用率、告警项数量、安全漏洞数及接口响应超时率等多维度指标，用于系统健康状态评估、巡检报告自动生成及运维决策辅助。基于资源健康、服务可用性和安全合规三个维度进行标准化评估，辅助运维团队识别系统瓶颈、制定优化方案、降低故障发生率。同时，该数据集的多维度特征体系与分级标注经标准化处理，可用于系统健康预测、异常检测、告警分级、资源瓶颈识别等智能运维大语言模型的监督微调训练，推动传统人工巡检向数据驱动的智能化健康管理转型。
浙江省数据知识产权登记平台2026-09-28 更新00
软件开发过程效能评估数据
本数据集围绕软件开发过程效能评估构建，经清洗加工后整合需求处理数、阶段工时、代码提交次数、评审通过率、测试用例数、缺陷发现数、缺陷修复时长等核心指标，用于软件开发过程效能评估与行业基准分析。该数据集可解决软件行业三大痛点：一是开发过程效率难以量化衡量，缺乏统一的效能评估标准；二是不同项目及团队间的开发效能无法横向对标，难以识别瓶颈环节；三是甲方客户缺乏客观数据评估乙方服务商的开发过程效率。该数据集可复用于金融科技、电商平台、智能制造等需定制软件开发的行业，适用于GPT、BERT等大语言模型的监督微调训练以及XGBoost、LightGBM等机器学习模型的分类预测与回归分析，推动软件行业从经验驱动向数据驱动转型，从结果导向向过程驱动的精细化管理和持续改进发展。原始数据来源于公司在软件开发服务过程中的项目管理记录数据。原始数据经清洗加工，采用基准线校准法（Benchmarking Calibration）结合业务逻辑，通过反向推导确定各维度评分系数，评分模型的整体框架引用公认标准：CMMI-DEV成熟度模型和ISO/IEC 15939软件测量过程标准。
评审通过率(%) = ROUND(代码评审通过次数/代码评审总次数*100,1)；
需求处理效能评分 = ROUND(MAX(1,MIN(5,1+需求处理数/阶段工时*100*0.12)),1)，1为基准分（即使需求处理速率为0评分也不低于1分），0.12为需求处理速率映射到1~5分制量表的校准系数，通过反向推导使正常速率落在2~4分区间；
代码开发效能评分 = ROUND(MAX(1,MIN(5,3+(代码提交次数/阶段工时*100-15)*0.04+(评审通过率-85)*0.12)),1)，3为中等水平锚定分（CMMI 3级惯例基准），15为代码提交密度基准线（正常开发者每百工时约15次提交的行业经验值），0.04为提交密度敏感度系数（每增25次/百工时分值增1），85为评审通过率基准线（行业良好水平），0.12为通过率敏感度系数（每升8.3个百分点分值增1）；
测试验证效能评分 = ROUND(MAX(1,MIN(5,3+(0.5-缺陷发现数/需求处理数)*2+(缺陷发现数/缺陷修复时长-0.2)*3)),1)，3为中等水平锚定分，0.5为缺陷密度基准线（每处理1个需求产生0.5个缺陷的行业中等值），2为缺陷密度权重系数（密度越低分越高），0.2为缺陷修复效率基准线（每小时修0.2个缺陷的正常水平），3为修复效率权重系数（修复越快分越高）；
过程效能综合评分 = ROUND(需求处理效能评分*0.35+代码开发效能评分*0.35+测试验证效能评分*0.30,1)；
过程效能等级：综合评分≥4为A级，≥3且＜4为B级，≥2且＜3为C级，＜2为D级。
权重分配依据ISO/IEC 15939标准和CMMI-DEV成熟度模型，需求处理效能权重35%因其为开发过程首要环节，代码开发效能权重35%反映核心编码执行能力，测试验证效能权重30%体现质量管控与缺陷闭环能力。
浙江省数据知识产权登记平台2026-09-21 更新10
软件行业云服务资源利用率评估数据
本数据集围绕云服务资源利用率评估构建，经清洗加工后整合CPU核数、内存容量、存储容量、带宽、实际CPU使用率、实际内存使用率、实际存储使用率、实际带宽使用率、运行实例数等核心指标，用于云服务资源配置优化与成本效益分析。该数据集可解决软件行业三大痛点：一是云资源利用率两极分化严重（闲置率高或负载过重），缺乏精细化评估手段；二是多维度资源指标（CPU/内存/存储/带宽）难以综合量化，无法精准识别资源瓶颈；三是资源配置缺乏数据驱动决策，导致成本浪费或性能不足。该数据集可复用于互联网、金融、医疗、政府等广泛使用云服务的行业，适用于GPT、BERT等大语言模型的监督微调训练以及XGBoost、LightGBM等机器学习模型的分类预测与回归分析，推动软件行业从经验配置向数据驱动的智能资源调度转型，从粗放运营向精细化成本管控发展。
浙江省数据知识产权登记平台2026-09-11 更新20
软件业上线问题严重程度分级评估数据
本数据集围绕软件上线后问题严重程度分级构建，整合影响用户数、响应时长、修复时长、影响模块数、重现次数、关联缺陷数、补丁发布次数、回滚次数及用户投诉数等核心指标，用于上线问题分级评估、运维资源优先级调度及SLA达标率分析。基于影响范围、响应修复效率和问题复杂度三个维度进行标准化分级，辅助运维团队合理分配应急资源、定位修复瓶颈、区分偶发缺陷与系统性架构缺陷，指导技术债务治理策略制定。同时，该数据集的特征体系与分级标注经标准化处理，可用于运维智能分派、故障根因定位、SLA风险预警等垂类大语言模型的监督微调训练，推动软件运维行业从人工经验驱动向数据驱动与智能化决策转型。原始数据来源于公司在软件项目运维服务过程中的线上问题处理记录数据。原始数据经清洗加工，基于"基准线校准法"（Benchmarking Calibration）结合业务逻辑，通过反向推导确定的系数进行评分计算，评分模型的整体框架引用了公认标准：ITIL v4 服务管理实践和 ISO/IEC 20000-1 信息技术服务管理标准。
影响范围评分=ROUND(MAX(1,MIN(5,5-影响用户数*0.02-影响功能模块数*0.35)),1)。5为无影响的基准分，影响用户数系数0.02表示每增加50人降1分，影响功能模块数系数0.35表示每增加1个模块降0.35分。
响应修复评分=ROUND(MAX(1,MIN(5,3+(120-问题响应时长)*0.003+(8-问题修复时长)*0.08)),1)。3为基准分，对应ITIL推荐的120分钟首次响应和8小时修复目标，响应时长系数0.003和修复时长系数0.08按SLA权重分配。
问题复杂度评分=ROUND(MAX(1,MIN(5,5-问题重现次数*0.25-关联缺陷数*0.12-补丁发布次数*0.25-数据回滚次数*0.4)),1)。5为简单问题的基准分，数据回滚系数0.4最大因其影响最严重，重现次数和补丁次数系数0.25次之，关联缺陷系数0.12最小。
问题严重程度综合评分=ROUND(影响范围评分*0.40+响应修复评分*0.35+问题复杂度评分*0.25,1)。
问题严重程度等级=IF(综合评分>=4,"A",IF(综合评分>=3,"B",IF(综合评分>=2,"C","D")))。
权重分配依据ITIL v4事件管理实践及ISO/IEC 20000-1标准，影响范围评分权重40%因其为问题分级的首要判定维度，响应修复评分权重35%反映服务级别承诺履行能力，问题复杂度评分权重25%反映技术处置难度与成本。
浙江省数据知识产权登记平台2026-09-08 更新30
软件项目风险等级评估数据
本数据集围绕软件项目风险等级评估构建，经清洗加工后整合项目规模、团队经验年限、技术复杂度评分、需求变更频率、进度偏差天数、预算偏差比例、关键人员流失数、外部依赖数、风险应对措施数等核心指标，用于项目风险识别与管控分析。该数据集可解决软件行业三大痛点：一是项目风险识别滞后，往往在问题暴露后才被发现，缺乏前瞻性预警机制；二是多维度风险（技术、进度、管理）难以综合量化，导致资源配置失当；三是风险应对措施的有效性缺乏数据支撑，难以持续改进风险管理能力。该数据集可复用于政府信息化、工程建设、金融系统等高风险项目管理领域，适用于GPT、BERT等大语言模型的监督微调训练以及XGBoost、LightGBM等机器学习模型的分类预测与回归分析，推动软件行业从事后救火向事前预防转型，从定性判断向数据驱动的量化风险管控发展。
浙江省数据知识产权登记平台2026-09-08 更新50
软件行业云服务资源利用率评估数据
本数据集围绕云服务资源利用率评估构建，经清洗加工后整合CPU核数、内存容量、存储容量、带宽、实际CPU使用率、实际内存使用率、实际存储使用率、实际带宽使用率、运行实例数等核心指标，用于云服务资源配置优化与成本效益分析。该数据集可解决软件行业三大痛点：一是云资源利用率两极分化严重（闲置率高或负载过重），缺乏精细化评估手段；二是多维度资源指标（CPU/内存/存储/带宽）难以综合量化，无法精准识别资源瓶颈；三是资源配置缺乏数据驱动决策，导致成本浪费或性能不足。该数据集可复用于互联网、金融、医疗、政府等广泛使用云服务的行业，适用于GPT、BERT等大语言模型的监督微调训练以及XGBoost、LightGBM等机器学习模型的分类预测与回归分析，推动软件行业从经验配置向数据驱动的智能资源调度转型，从粗放运营向精细化成本管控发展。原始数据来源于公司在软件开发服务过程中的项目管理记录数据。原始数据经清洗加工，采用基准线校准法结合业务逻辑，通过反向推导确定各维度评分系数。
CPU利用率评分 = ROUND(MAX(1,MIN(5,3+(实际CPU使用率-50)*0.04)),1)，3为中等水平锚定分，50为CPU利用率基准线（行业合理区间中值），0.04为敏感度系数（每升25个百分点分值增1），以百分号前的数值代入公式计算；
内存利用率评分 = ROUND(MAX(1,MIN(5,3+(实际内存使用率-50)*0.04)),1)，3为中等水平锚定分，50为内存利用率基准线，0.04为敏感度系数，以百分号前的数值代入公式计算；
存储带宽综合利用率评分 = ROUND(MAX(1,MIN(5,3+((实际存储使用率+实际带宽使用率)/2-50)*0.04)),1)，3为中等水平锚定分，取存储和带宽均值作为综合指标，以百分号前的数值代入公式计算；
资源综合利用率评分 = ROUND(CPU利用率评分*0.35+内存利用率评分*0.35+存储带宽综合利用率评分*0.30,1)；
资源利用率等级：综合评分≥4为A级（高效利用），≥3且＜4为B级，≥2且＜3为C级，＜2为D级（低效/闲置）。
权重分配参照 GB/T 36326-2018 云服务运营资源配置优化要求，CPU权重35%因其为计算性能核心指标，内存权重35%因其为运行时资源瓶颈主因，存储带宽综合权重30%反映存储与网络效率。
浙江省数据知识产权登记平台2026-09-24 更新00
软件项目风险等级评估数据
本数据集围绕软件项目风险等级评估构建，经清洗加工后整合项目规模、团队经验年限、技术复杂度评分、需求变更频率、进度偏差天数、预算偏差比例、关键人员流失数、外部依赖数、风险应对措施数等核心指标，用于项目风险识别与管控分析。该数据集可解决软件行业三大痛点：一是项目风险识别滞后，往往在问题暴露后才被发现，缺乏前瞻性预警机制；二是多维度风险（技术、进度、管理）难以综合量化，导致资源配置失当；三是风险应对措施的有效性缺乏数据支撑，难以持续改进风险管理能力。该数据集可复用于政府信息化、工程建设、金融系统等高风险项目管理领域，适用于GPT、BERT等大语言模型的监督微调训练以及XGBoost、LightGBM等机器学习模型的分类预测与回归分析，推动软件行业从事后救火向事前预防转型，从定性判断向数据驱动的量化风险管控发展。原始数据来源于公司在软件开发服务过程中的项目管理记录数据。原始数据经清洗加工，采用基准线校准法（Benchmarking Calibration）结合业务逻辑，通过反向推导确定各维度评分系数，评分模型的整体框架引用公认标准：CMMI-DEV成熟度模型和ISO 31000风险管理标准。
技术风险评分 = ROUND(MAX(1,MIN(5,5-预估技术复杂度评分*0.4)),1)，5为最高风险锚定分，预估技术复杂度每增2.5分风险评分降1；
进度风险评分 = ROUND(MAX(1,MIN(5,3+(5-需求变更频率)*0.3+(30-进度偏差天数)*0.05)),1)，3为中等水平锚定分，5为变更频率基准线，30为进度偏差天数基准线；
管理风险评分 = ROUND(MAX(1,MIN(5,3+(5-关键功能难度数)*0.4+(10-外部依赖数)*0.2+风险应对措施数*0.1)),1)，3为中等水平锚定分，5为关键功能难度基准线，10为外部依赖基准线，0.1为应对措施权重；
项目风险综合评分 = ROUND(技术风险评分*0.30+进度风险评分*0.35+管理风险评分*0.35,1)；
项目风险等级：综合评分≥4为A级（高风险），≥3且＜4为B级（中高风险），≥2且＜3为C级（中低风险），＜2为D级（低风险）。
权重分配依据ISO 31000风险管理标准，进度风险权重35%因其为项目失败主因，管理风险权重35%反映团队与外部治理能力，技术风险权重30%体现技术方案可行性风险。
浙江省数据知识产权登记平台2026-09-21 更新10
软件需求变更影响评估数据
本数据集围绕软件需求变更影响评估构建，经清洗加工后整合原始需求数、变更需求数、新增需求数、删除需求数、变更波及模块数、变更工时增量、变更后缺陷增量、变更后测试用例增量等核心指标，用于需求变更影响评估与项目管控分析。该数据集可解决软件行业三大痛点：一是需求变更频繁导致项目范围蔓延和进度失控，缺乏量化影响评估手段；二是变更波及范围难以预判，导致返工成本不可控；三是变更导致的质量退化（缺陷增量、测试用例增加）缺乏客观度量标准。该数据集可复用于金融、电商、医疗等需求变动频繁的行业，适用于GPT、BERT等大语言模型的监督微调训练以及XGBoost、LightGBM等机器学习模型的分类预测与回归分析，推动软件行业从被动响应变更向主动评估影响转型，从经验判断向数据驱动的量化决策发展。原始数据来源于公司在软件开发服务过程中的项目管理记录数据。原始数据经清洗加工，采用基准线校准法结合业务逻辑，通过反向推导确定各维度评分系数。
变更率(%) = ROUND(变更需求数/原始需求数*100,1)；
变更控制评分 = ROUND(MAX(1,MIN(5,3+(20-变更率)*0.1)),1)，3为中等水平锚定分，20为变更率基准线（行业良好上限），0.1为敏感度系数（变更率每降10个百分点分值增1），变更率以百分号前的数值代入公式计算；
变更波及评分 = ROUND(MAX(1,MIN(5,3+(5-变更波及模块数)*0.3)),1)，3为中等水平锚定分，5为波及模块数基准线，0.3为波及敏感度系数；
变更质量评分 = ROUND(MAX(1,MIN(5,3+(5-变更后缺陷增量)*0.2+变更后测试用例增量/10*0.05)),1)，3为中等水平锚定分，5为缺陷增量基准线，0.2为缺陷敏感度系数，0.05为测试增量权重；
变更影响综合评分 = ROUND(变更控制评分*0.30+变更波及评分*0.35+变更质量评分*0.35,1)；
变更影响等级：综合评分≥4为A级，≥3且＜4为B级，≥2且＜3为C级，＜2为D级。
权重分配参考了CMMI标准，变更波及评分权重35%因其为范围管理核心指标，变更质量评分权重35%反映质量影响，变更控制评分权重30%体现进度控制能力。
浙江省数据知识产权登记平台2026-09-09 更新30
软件开发过程效能评估数据
本数据集围绕软件开发过程效能评估构建，经清洗加工后整合需求处理数、阶段工时、代码提交次数、评审通过率、测试用例数、缺陷发现数、缺陷修复时长等核心指标，用于软件开发过程效能评估与行业基准分析。该数据集可解决软件行业三大痛点：一是开发过程效率难以量化衡量，缺乏统一的效能评估标准；二是不同项目及团队间的开发效能无法横向对标，难以识别瓶颈环节；三是甲方客户缺乏客观数据评估乙方服务商的开发过程效率。该数据集可复用于金融科技、电商平台、智能制造等需定制软件开发的行业，适用于GPT、BERT等大语言模型的监督微调训练以及XGBoost、LightGBM等机器学习模型的分类预测与回归分析，推动软件行业从经验驱动向数据驱动转型，从结果导向向过程驱动的精细化管理和持续改进发展。
浙江省数据知识产权登记平台2026-09-08 更新10
软件项目交付质量评估数据
本数据集围绕软件项目交付质量评估构建，整合功能周期、代码规模、需求变更次数、缺陷数量、验收次数等核心指标，用于软件开发服务商交付质量评估、项目团队能力分级、行业交付基准对标及教学科研等场景。基于时间效能维度，通过功能周期和需求变更次数评估项目开发的时间管控能力，识别延期风险项目，优化排期策略；基于产品质量维度，通过缺陷数量和代码规模评估代码质量管控水平，定位缺陷高发环节，优化测试策略；基于过程质量维度，通过验收次数和需求变更次数评估交付过程规范性，识别过程薄弱环节，优化质量保障体系。融合三维度因子评分加权，实现对不同功能、不同类型、不同周期项目交付质量的标准化评估和等级划分，为甲方客户精准评估乙方服务商交付能力提供数据支撑，为乙方服务商持续优化开发流程提供量化依据，为行业研究机构构建交付质量基准库提供数据驱动支撑。依托数据集完成垂类模型迭代训练，推动软件行业由传统人工经验判定模式向AI智能量化研判模式演进，实现项目风险自动识别、质量分数智能测算、项目周期自主预判。原始数据来源于公司定制化软件开发服务项目交付记录数据。对原始数据清洗，剔除功能编号缺失及功能周期为零的异常记录，以功能为粒度提取特征并公式驱动计算。
时间效能评分 = ROUND(MAX(1,MIN(5,5-(需求变更次数-5)*0.15-(缺陷数量/代码规模-2)*0.2)),1)。
产品质量评分 = ROUND(MAX(1,MIN(5,5-(缺陷数量/代码规模-1)*0.3-(需求变更次数-5)*0.1)),1)。
过程质量评分 = ROUND(MAX(1,MIN(5,5-(需求变更次数-5)*0.2+(验收次数-2)*0.3)),1)。
综合评分 = ROUND(时间效能评分*0.4+产品质量评分*0.35+过程质量评分*0.25,1)。
项目质量等级 = 综合评分：>=4=A级，>=3且<4=B级，>=2且<3=C级，<2=D级。
权重依据ISO/IEC 25010及CMMI-DEV，时间效能40%因其为交付首要衡量维度，产品质量35%反映缺陷对质量直接影响，过程质量25%体现质量保障规范性水平。
浙江省数据知识产权登记平台2026-09-03 更新30