SlideShare a Scribd company logo
1 of 21
Download to read offline
“NHN 애자일 개발프로세스”,[object Object],NHN 생산성혁신랩,[object Object],황상철 수석 ,채수원 차장,[object Object]
준비한 질문들,[object Object],NHN만의 애자일 프로세스나 기법이 있나요?,[object Object],프로젝트에서 애자일프로세스를 잘 따르나요?,[object Object],애자일 프로세스에 대한 관리자들의 생각은 어떤가요?,[object Object],여전히 잘 안 되는 부분은어떤 것들인가요?,[object Object],더 잘하기 위해서 앞으로 어떤 노력을 하려 하나요?,[object Object]
NHN만의 애자일 프로세스나 기법이 있나요?,[object Object]
QP,반점개,[object Object],QP=Quality Practice,[object Object], NHN 애자일 엔지니어링 프랙티스,[object Object],반점개=반복점진개발,[object Object],NHN 스크럼,[object Object], 문서화된 산출물 보다는 코드를 중시,[object Object],이터레이션 리뷰 == Demo, Code/UI Review,[object Object], Why? 애자일 고유 용어에 따른 저항을 줄이려고,[object Object]
프로젝트에서 애자일 프로세스를잘 따르나요?,[object Object]
잘 따르게 하려고 노력중입니다.^^;,[object Object],사람들의 attitude를 바꾸는 게 가장 중요,[object Object],다양한 교육을 진행합니다. –QE-BOK,[object Object],프로젝트에서 함께합니다. –노마드 엔지니어,코칭,[object Object],관련 툴 지원 – BTS,BDS(Subverson),CI,QD,[object Object],스크럼 이해와 적용,[object Object],Feature Driven Development,[object Object],Tools-BTS(Green Hopper),[object Object],반복점진개발방법론 소개,[object Object],Agile Boot Camp,[object Object],프로세스,[object Object],Feature 이해,[object Object],BTS,[object Object],[애자일 프로세스 관련 교육],[object Object]
애자일 프로세스에 대한 관리자들의 생각은 어떤가요?,[object Object]
관리자마다 다릅니다.,[object Object],전반적으로 애자일에 우호적,해야하는 것으로 인식,[object Object], 다양한 팀에서 교육요청,[object Object],주요 Need: “우리 제대로 하고 있나요?”,[object Object],관리자==실무자, 직접 CI/Code 확인,[object Object],애자일 적용 자체가 목적이 아니라 goal을 달성하기 위한 도구로 생각한다.,[object Object],What?,[object Object]
여전히 잘 안 되는 부분은어떤 것들이 있나요?,[object Object]
이터레이션,[object Object],개발 전 공정에 이터레이션을 적용하는 것,[object Object],이터레이션 단위로 Deliverable한 Feature가 나오도록 하는 것,[object Object],[NHN의 생산체계],[object Object],What?,[object Object],“Demo때 충분히 테스트가 되어,[object Object],동작하는 Feature를 보여줘”,[object Object]
더 잘하기 위해서 앞으로 어떤 노력을 하려 하나요?,[object Object]
점진적인 접근,[object Object],2006~2007년,[object Object],2010~2011년,[object Object],- SW 품질관리,[object Object],- Process,[object Object],Requirement,[object Object],Design,[object Object],Implementation ,[object Object],Maintenance,[object Object],Test,[object Object],2008~2009년,[object Object],2009~2010년,[object Object],- Code,[object Object],- Build,[object Object],- Issue Mng.,[object Object]
점진적인 접근,[object Object],반점개Reloaded,[object Object],개발에 도움이 되는 도구 개발,[object Object],Inspection 자동화(JDC),[object Object],애자일 기법 확산,[object Object],Code Review,[object Object],짝 프로그래밍,[object Object], ATDD(Acceptance TDD),[object Object]
더 궁금한 것 있으세요?,[object Object]
NHN의 애자일 성숙도는 어떻다고 생각하세요?,[object Object]
중상 정도가 아닐까요,[object Object],상: 전사적으로 애자일이 보편화되어 있고 실제로 성과도 나고 있다.,[object Object],중: 상위조직의 스폰서십,적용할수 있는 기반이 마련되어 있다.,[object Object],하:애자일을알고있고 일부 시도 하는 정도,[object Object]
비 개발자(UX/Designer등)도 애자일 활동에 동참하나요?,[object Object]
참여율이 높은편은 아닙니다.,[object Object],어느정도 인가요?,[object Object], 일일 스크럼? 참여하기도 하고 안하기도,[object Object], 스프린트 리뷰? 적극 참여하는 편이다.,[object Object], 프로젝트 룸에 입실? 꺼려한다.,[object Object],왜 그럴까요?,[object Object],작업에 대한 승인,[object Object], 같은 UX,Desiner와 협업을 선호,[object Object],솔직히,[object Object]
어느 정도 범위로 적용하고 있나요?,[object Object]
팀 단위 or 프로젝트 단위로,[object Object],프로젝트 단위,[object Object], 신규개발 프로젝트는 반점개 적용이 기본원칙,[object Object],유지보수는? 일부 기법들만 사용하는 수준,[object Object],팀 단위,[object Object], 팀장주도하에 팀 전체가 애자일을사용하기도,[object Object],상위조직장의 스폰서십이 중요,[object Object]
감사합니다.,[object Object]

More Related Content

More from NAVER D2

[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&ANAVER D2
 
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기NAVER D2
 
[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep LearningNAVER D2
 
[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applicationsNAVER D2
 
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load BalancingOld version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load BalancingNAVER D2
 
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지NAVER D2
 
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기NAVER D2
 
[224]네이버 검색과 개인화
[224]네이버 검색과 개인화[224]네이버 검색과 개인화
[224]네이버 검색과 개인화NAVER D2
 
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)NAVER D2
 
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기NAVER D2
 
[213] Fashion Visual Search
[213] Fashion Visual Search[213] Fashion Visual Search
[213] Fashion Visual SearchNAVER D2
 
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화NAVER D2
 
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지NAVER D2
 
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터NAVER D2
 
[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?NAVER D2
 
[231] Clova 화자인식
[231] Clova 화자인식[231] Clova 화자인식
[231] Clova 화자인식NAVER D2
 
[232]TensorRT를 활용한 딥러닝 Inference 최적화
[232]TensorRT를 활용한 딥러닝 Inference 최적화[232]TensorRT를 활용한 딥러닝 Inference 최적화
[232]TensorRT를 활용한 딥러닝 Inference 최적화NAVER D2
 
[222]누구나 만드는 내 목소리 합성기 (부제: 그게 정말 되나요?)
[222]누구나 만드는 내 목소리 합성기 (부제: 그게 정말 되나요?)[222]누구나 만드는 내 목소리 합성기 (부제: 그게 정말 되나요?)
[222]누구나 만드는 내 목소리 합성기 (부제: 그게 정말 되나요?)NAVER D2
 
Old Version: [211] 인공지능이 인공지능 챗봇을 만든다
Old Version: [211] 인공지능이 인공지능 챗봇을 만든다Old Version: [211] 인공지능이 인공지능 챗봇을 만든다
Old Version: [211] 인공지능이 인공지능 챗봇을 만든다NAVER D2
 
[241] AI 칩 개발에 사용되는 엔지니어링
[241] AI 칩 개발에 사용되는 엔지니어링[241] AI 칩 개발에 사용되는 엔지니어링
[241] AI 칩 개발에 사용되는 엔지니어링NAVER D2
 

More from NAVER D2 (20)

[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A
 
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기
 
[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning
 
[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications
 
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load BalancingOld version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
 
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
 
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
 
[224]네이버 검색과 개인화
[224]네이버 검색과 개인화[224]네이버 검색과 개인화
[224]네이버 검색과 개인화
 
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
 
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
 
[213] Fashion Visual Search
[213] Fashion Visual Search[213] Fashion Visual Search
[213] Fashion Visual Search
 
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화
 
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
 
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
 
[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?
 
[231] Clova 화자인식
[231] Clova 화자인식[231] Clova 화자인식
[231] Clova 화자인식
 
[232]TensorRT를 활용한 딥러닝 Inference 최적화
[232]TensorRT를 활용한 딥러닝 Inference 최적화[232]TensorRT를 활용한 딥러닝 Inference 최적화
[232]TensorRT를 활용한 딥러닝 Inference 최적화
 
[222]누구나 만드는 내 목소리 합성기 (부제: 그게 정말 되나요?)
[222]누구나 만드는 내 목소리 합성기 (부제: 그게 정말 되나요?)[222]누구나 만드는 내 목소리 합성기 (부제: 그게 정말 되나요?)
[222]누구나 만드는 내 목소리 합성기 (부제: 그게 정말 되나요?)
 
Old Version: [211] 인공지능이 인공지능 챗봇을 만든다
Old Version: [211] 인공지능이 인공지능 챗봇을 만든다Old Version: [211] 인공지능이 인공지능 챗봇을 만든다
Old Version: [211] 인공지능이 인공지능 챗봇을 만든다
 
[241] AI 칩 개발에 사용되는 엔지니어링
[241] AI 칩 개발에 사용되는 엔지니어링[241] AI 칩 개발에 사용되는 엔지니어링
[241] AI 칩 개발에 사용되는 엔지니어링
 

E1_Deview nhn애자일개발 프로세스_질문답

  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.