एजाइल गाइड: एजाइल डिलीवरी डेटा का उपयोग करके जोखिम मूल्यांकन मॉडल

सॉफ्टवेयर विकास के गतिशील माहौल में, अनिश्चितता ही एकमात्र निश्चितता है। पारंपरिक प्रोजेक्ट प्रबंधन जोखिम को कम करने के लिए व्यापक प्रारंभिक योजना पर निर्भर रहा है, जिससे अक्सर बेहद नाजुक आधार बनते हैं जो बदलते आवश्यकताओं के दबाव में टूट जाते हैं। एजाइल पद्धतियों ने अनुकूलन क्षमता की ओर ध्यान केंद्रित किया, हालांकि इससे जोखिम का अंत नहीं होता; बस इसकी प्रकृति बदल जाती है। डिलीवरी डेटा का उपयोग करके जोखिम का मूल्यांकन करने के तरीके को समझना संगठनात्मक स्थिरता और सफल परिणामों के लिए आवश्यक है।

यह गाइड एजाइल डिलीवरी डेटा पर आधारित जोखिम मूल्यांकन मॉडलों की संरचना का अध्ययन करता है। हम महत्वपूर्ण मापदंडों, गलत व्याख्या के जाल में फंसने के खतरों और एक ऐसी प्रणाली बनाने के लिए आवश्यक संरचनात्मक दृढ़ता का अध्ययन करेंगे जो गलत आत्मविश्वास के बजाय स्पष्टता प्रदान करे। लक्ष्य भविष्य की बिल्कुल सटीक भविष्यवाणी करना नहीं है, बल्कि जानकारी आधारित निर्णय लेने के लिए पर्याप्त दृश्यता के साथ भविष्य के रास्ते को उजागर करना है।

भविष्यवाणी वाले जोखिम मॉडलों की सीमाएं 🛑

पुराने जोखिम प्रबंधन ढांचे अक्सर निश्चित पैरामीटर पर निर्भर रहते हैं। वे एक रैखिक प्रगति के बारे में मानते हैं जहां इनपुट आउटपुट के बराबर होते हैं। एजाइल पर्यावरण में, आवश्यकताएं बदलती हैं, फीडबैक लूप छोटे होते हैं, और टीम के गतिविधि में उतार-चढ़ाव आता है। स्थिर मान्यताओं पर आधारित कोई मॉडल अवश्य ही जोखिम की वास्तविक स्थिति को नहीं पकड़ पाएगा।

जब इटरेटिव डिलीवरी पर लागू किया जाता है, तो पारंपरिक दृष्टिकोणों को कई मूलभूत समस्याओं का सामना करना पड़ता है:

• गलत निश्चितता:भविष्यवाणी वाले मॉडल अक्सर डिलीवरी तिथियों के लिए एकल बिंदु अनुमान प्रस्तुत करते हैं। इससे जटिल प्रणालियों में निहित भिन्नता को नजरअंदाज कर दिया जाता है। एकल तिथि एक ऐसी नियंत्रण की स्थिति का संकेत देती है जो बहुत कम ही मौजूद होती है।
• पीछे रहने वाले संकेतक:पारंपरिक जोखिम रजिस्टर को अक्सर तिमाही या मील के पत्थर पर अपडेट किया जाता है। जब तक कोई जोखिम दर्ज किया जाता है, तब तक नुकसान अक्सर पहले ही हो चुका होता है। एजाइल डेटा निरंतर होता है, जिसके लिए निरंतर मूल्यांकन की आवश्यकता होती है।
• संदर्भ अंधापन:एक कच्ची संख्या, जैसे कि स्टोरी पॉइंट की संख्या, संदर्भ के बिना होती है। टीम की क्षमता, फीचर की जटिलता या बाहरी निर्भरता के बिना समझे बिना, डेटा अर्थहीन हो जाता है।
• मानव कारक:जोखिम अक्सर व्यवहार संबंधी होता है। बुरी खबर रिपोर्ट करने के डर, अनुमान में अत्यधिक आशावाद, या थकावट ऐसे जोखिम हैं जिन्हें गुणात्मक विश्लेषण के बिना एक सरल मापदंड द्वारा नहीं पकड़ा जा सकता।

एक दृढ़ मॉडल बनाने के लिए, हमें विशिष्ट परिणामों की भविष्यवाणी करने के बजाय स्वास्थ्य संकेतों को निगरानी करने की ओर बदलना होगा। मॉडल को एक प्रारंभिक चेतावनी प्रणाली के रूप में काम करना चाहिए, जो उन क्षेत्रों को उजागर करे जहां विफलता की संभावना बढ़ रही हो, बजाय एक निश्चित अंतिम तिथि की घोषणा करने के।

एजाइल जोखिम डेटा की नींव 📂

मॉडल बनाने से पहले, डेटा स्रोतों को परिभाषित करना आवश्यक है। विश्वसनीयता सर्वोच्च महत्व की है। यदि इनपुट डेटा दोषपूर्ण है, तो जोखिम मूल्यांकन भ्रामक होगा। इस खंड में सटीक विश्लेषण के लिए आवश्यक प्राथमिक डेटा प्रवाहों का वर्णन किया गया है।

1. कार्य आइटम डेटा
किसी भी मूल्यांकन की रीढ़ कसरी कार्य ही है। इसमें उपयोगकर्ता कहानियां, कार्य और बग शामिल हैं। डेटा को एक आइटम के निर्माण से समाप्ति तक के जीवनचक्र को कैप्चर करना चाहिए। मुख्य लक्षणों में शामिल हैं:

• निर्माण तिथि:कार्य कब मांगा गया था?
• शुरुआत की तिथि:कार्य वास्तव में कब शुरू हुआ?
• समाप्ति तिथि:इसे परिभाषित ‘किया गया’ अवस्था तक कब पहुंचा?
• प्राथमिकता:कार्य के लिए ग्रहण की गई महत्वपूर्णता।

2. क्षमता और वेलोसिटी डेटा
वेलोसिटी आउटपुट का माप है, लेकिन जोखिम के संदर्भ में, यह स्थिरता का प्रतिनिधित्व करती है। निरंतर वेलोसिटी का अर्थ है भविष्यवाणी करने योग्यता। बहुत अधिक उतार-चढ़ाव वाली वेलोसिटी अस्थिरता का संकेत है। यह उतार-चढ़ाव समय सीमा के जोखिम का एक प्रमुख संकेतक है।

3. साइकिल समय और लीड समय
लीड समय आवेदन से डिलीवरी तक कुल समय को मापता है। साइकिल समय सक्रिय कार्य की अवधि को मापता है। इन दोनों के बीच बढ़ता अंतर इंतजार के समय को दर्शाता है, जो अक्सर बॉटलनेक्स के साथ संबंधित होता है। बॉटलनेक्स डिलीवरी जोखिम के महत्वपूर्ण स्रोत हैं।

4. गुणवत्ता मापदंड
पुनर्निर्माण एक छिपा हुआ जोखिम है। यदि एक टीम एक फीचर बनाती है जिसे तुरंत अस्वीकृत कर दिया जाता है या उसमें पैच की आवश्यकता होती है, तो प्रभावी वेग घट जाता है। बग दर, भाग जाने वाले दोष और कोड समीक्षा के लिए वापसी समय तकनीकी ऋण और स्थिरता के बारे में जानकारी प्रदान करते हैं।

जोखिम मूल्यांकन के लिए मुख्य मापदंड 🎯

सही मापदंडों का चयन मॉडल डिजाइन में सबसे महत्वपूर्ण चरण है। बहुत अधिक मापदंड शोर में बदल जाते हैं; बहुत कम मापदंड अंधेरे क्षेत्र बना देते हैं। निम्नलिखित तालिका महत्वपूर्ण मापदंडों को वर्गीकृत करती है और उनके विशिष्ट जोखिम प्रभावों को दर्शाती है।

श्रेणी	मापदंड	जोखिम संकेतक	व्याख्या
फ्लो	थ्रूपुट	आयतन विचलन	साप्ताहिक उत्पादन में बड़े उतार-चढ़ाव योजना या क्षमता में अस्थिरता को दर्शाते हैं।
फ्लो	साइकिल समय	बाहरी मान	माध्य से काफी अधिक समय लेने वाले आइटम प्रक्रिया बॉटलनेक्स को दर्शाते हैं।
गुणवत्ता	दोष भाग जाने की दर	बैकलॉग वृद्धि	उच्च भाग जाने की दर परीक्षण की कमी को दर्शाती है, जिसके कारण भविष्य में तकनीकी ऋण बढ़ता है।
योजना	प्रतिबद्धता विश्वसनीयता	स्कोप क्रीप	प्रतिबद्ध स्कोप में अक्सर बदलाव करना खराब आवश्यकता परिभाषा को दर्शाता है।
स्वास्थ्य	प्रगति में कार्य (WIP)	संदर्भ परिवर्तन	उच्च WIP अक्सर धीमे थ्रूपुट और बढ़ी हुई तनाव के साथ संबंधित होता है।

प्रत्येक मापदंड के लिए एक आधार रेखा की आवश्यकता होती है। आप यह नहीं निर्धारित कर सकते कि 10 दिन का साइकिल समय जोखिम भरा है या नहीं, बिना उस विशिष्ट टीम के ऐतिहासिक औसत के जाने के। मॉडल को टीम की परिपक्वता और क्षेत्र की जटिलता को ध्यान में रखना चाहिए।

मूल्यांकन ढांचा बनाना 🔧

जब डेटा एकत्र कर लिया जाता है और मापदंड चुन लिए जाते हैं, तो मूल्यांकन के लिए ढांचा निर्धारित करना आवश्यक है। यह ढांचा रूपांतरित डेटा को जोखिम के संकेतों में परिवर्तित करने वाले तर्क इंजन के रूप में कार्य करता है। इसे पारदर्शी और पुनरावृत्ति योग्य होना चाहिए।

चरण 1: आधार रेखाएं स्थापित करें
जोखिम का आकलन करने से पहले, आपको सामान्य को समझना होगा। महत्वपूर्ण अवधि (उदाहरण के लिए, 6 से 12 सप्ताह) के दौरान मुख्य मापदंडों के औसत, माध्यिका और मानक विचलन की गणना करें। इससे एकाधिक विचलनों को फ़िल्टर किया जा सकता है और व्यवहार के पैटर्न को स्थापित किया जा सकता है।

चरण 2: बाधाएं निर्धारित करें
बाधाएं तय करती हैं कि किसी मापदंड को “सामान्य भिन्नता” से “जोखिम संकेत” में कब बदला जाता है। इन्हें अनियमित नहीं होना चाहिए। उदाहरण के लिए, यदि औसत चक्र समय 5 दिन है और मानक विचलन 1 दिन है, तो 10 दिन का चक्र समय सांख्यिकीय रूप से महत्वपूर्ण है। मानक विचलन के आधार पर बाधाएं निर्धारित करने से समस्याओं को चिह्नित करने के लिए वैज्ञानिक आधार मिलता है।

चरण 3: भार निर्धारण कारक
सभी जोखिम समान नहीं होते हैं। बैकएंड API में देरी किसी ग्राहक-मुख्य उपयोगकर्ता इंटरफेस में देरी की तुलना में कम महत्वपूर्ण हो सकती है। डिलीवरी पाइपलाइन के विभिन्न क्षेत्रों को भार दें। इससे मॉडल को उन जोखिमों को प्राथमिकता देने में सक्षम बनाया जा सकता है जो ग्राहक मूल्य श्रृंखला को सबसे अधिक प्रभावित करते हैं।

चरण 4: दृश्यीकरण
मॉडल के निर्गम को समझने योग्य होना चाहिए। डैशबोर्ड को स्थिर संख्याओं के बजाय प्रवृत्तियों को उजागर करना चाहिए। संचयी प्रवाह आरेख (CFD) यहां विशेष रूप से उपयोगी हैं, क्योंकि वे विभिन्न चरणों में कार्य के संचय का दृश्य रूप से प्रतिनिधित्व करते हैं। CFD में बैंड का फैलना बढ़ते बैकलॉग को दर्शाता है, जो स्पष्ट जोखिम संकेत है।

प्रवाह की कार्यक्षमता की व्याख्या 🔄

प्रवाह एजाइल डिलीवरी का जीवनरक्षक है। जब प्रवाह कार्यक्षम होता है, तो कार्य रचना से उत्पादन तक बिना रुकावट के बहता है। जब प्रवाह रुक जाता है, तो जोखिम घाती ढंग से बढ़ता है। प्रवाह की कार्यक्षमता का विश्लेषण करने के लिए प्रणाली को समग्र रूप से देखना आवश्यक है, न कि केवल व्यक्तिगत टीम सदस्यों को देखना।

प्रतीक्षा समय अनुपात
सबसे अधिक संकेत देने वाले मापदंडों में से एक प्रतीक्षा समय और सक्रिय कार्य समय का अनुपात है। स्वस्थ प्रणाली में, कार्य अधिकांशतः किया जा रहा होता है। यदि कार्य अधिकांशतः प्रतीक्षा कर रहा है (एक रेखा में, अनुमोदन की प्रतीक्षा कर रहा है या अवरुद्ध है), तो प्रणाली नाजुक होती है। इस प्रतीक्षा समय के कारण झटके को अवशोषित करने वाला बफर बनता है, लेकिन यह समस्याओं को छिपाता भी है।

ब्लॉकर विश्लेषण
कार्य को रोकने वाली हर वस्तु को कारण के साथ दर्ज किया जाना चाहिए। इन कारणों के संग्रह से प्रणालीगत समस्याएं सामने आती हैं। क्या जोखिम बाहरी निर्भरताओं से आ रहा है? क्या यह परीक्षण संसाधनों की कमी के कारण है? क्या यह अस्पष्ट आवश्यकताओं के कारण है? ब्लॉकर के मूल कारण की पहचान करने से व्यापक दबाव के बजाय लक्षित उपचार संभव होता है।

बैच आकार का प्रभाव
बड़े बैच आकार जोखिम बढ़ाते हैं। 50 कहानियों वाला फीचर 5 कहानियों वाले फीचर की तुलना में अधिक जोखिम लिए हुए होता है। यदि बड़ा बैच विफल होता है, तो हानि अधिक होती है। मॉडल को बैच आकार और चक्र समय के बीच संबंध को मापकर छोटे बैचों को प्रोत्साहित करना चाहिए। यदि बड़े बैच निरंतर देरी के कारण होते हैं, तो मॉडल को उच्च जोखिम वाले कार्य आइटम को विभाजित करने के लिए चिह्नित करना चाहिए।

गुणवत्ता जोखिम संकेत के रूप में 🛡️

गुणवत्ता के बिना तेजी प्रोजेक्ट विफलता का प्रमुख कारण है। एजाइल में, गुणवत्ता एक चरण नहीं है; यह एक निरंतर अवस्था है। हालांकि, तकनीकी देनदारी चुपचाप जमा होती है। जोखिम आकलन मॉडल में कोडबेस के स्वास्थ्य को समय के साथ ट्रैक करने वाले गुणवत्ता संकेतकों को शामिल करना आवश्यक है।

दोष घनत्व
कार्य के प्रति इकाई में दोषों को मापना (उदाहरण के लिए, प्रति कहानी बिंदु या प्रति घंटा) गुणवत्ता का मानकीकृत दृश्य प्रदान करता है। दोष घनत्व में वृद्धि आमतौर पर वेग में गिरावट के पहले आती है। यदि एक टीम अक्सर बगयुक्त कोड जारी करती है, तो वे अंततः नए फीचर बनाने के बजाय बग ठीक करने में अधिक समय बिताएंगे।

परीक्षण कवरेज प्रवृत्तियां
जबकि परीक्षण कवरेज प्रतिशत एक विवादास्पद मापदंड है, लेकिन प्रवृत्ति मूल्यवान है। स्वचालित परीक्षण कवरेज में गिरावट वाली प्रवृत्ति प्रतिगमन के बढ़ते जोखिम को दर्शाती है। यदि नए फीचर बिना संबंधित परीक्षण के जोड़े जाते हैं, तो प्रणाली की नाजुकता बढ़ती है।

हॉटफिक्स आवृत्ति
टीम को उत्पादन में हॉटफिक्स जारी करने की कितनी बार आवश्यकता होती है? अक्सर हॉटफिक्स जारी करना अस्थिरता का संकेत है। यह ग्राहक विश्वास और संचालन स्थिरता के लिए सीधा जोखिम है। मॉडल को सामान्य रिलीज़ और हॉटफिक्स के अनुपात को ट्रैक करना चाहिए। उच्च अनुपात संकेत देता है कि डिलीवरी पाइपलाइन उत्पादन के लिए पर्याप्त स्थिर नहीं है।

जोखिम रिपोर्टिंग में सांस्कृतिक कारक 🗣️

डेटा एक निर्जीव वातावरण में नहीं होता है। संगठन की संस्कृति डेटा की सटीकता को भारी रूप से प्रभावित करती है। यदि वातावरण बुरी खबर के लिए सजा देता है, तो डेटा को वास्तविकता से बेहतर दिखाने के लिए बदला जाएगा। इसे सैंडबैगिंग या मीट्रिक्स के खिलाफ खेलने के रूप में जाना जाता है।

मनोवैज्ञानिक सुरक्षा
टीमों को जोखिम की रिपोर्ट करने में सुरक्षा महसूस करनी चाहिए। यदि कोई टीम सदस्य यह मानता है कि वह समय से पीछे है और तुरंत आलोचना की जाती है, तो वह समस्या को तब तक छुपाएगा जब तक कि यह बहुत देर न हो जाए। जोखिम मॉडल को प्रदर्शन प्रबंधन से अलग किया जाना चाहिए। इसे सुधार के लिए एक उपकरण के रूप में उपयोग किया जाना चाहिए, न कि जिम्मेदारी के लिए हथियार के रूप में।

पारदर्शिता
जोखिम आकलन के लिए उपयोग की जाने वाली सभी डेटा को पूरी संगठन में दिखाई देनी चाहिए। डेटा को छिपाने से सूचना के अलग-अलग खंड बनते हैं, जहां जोखिम बढ़ सकते हैं। पारदर्शिता सुनिश्चित करती है कि हितधारकों को डिलीवरी प्रक्रिया की सीमाओं और सीमाओं को समझने में मदद मिलती है।

निरंतर प्रतिक्रिया
मॉडल को भी प्रतिक्रिया के अधीन किया जाना चाहिए। यदि जोखिम संकेतक लगातार गलत हैं, तो मॉडल को समायोजित करने की आवश्यकता होती है। इसके लिए जोखिम प्रबंधन प्रक्रिया के लिए निरंतर सुधार की संस्कृति की आवश्यकता होती है।

मॉडल पर निरंतर सुधार करना 🔄

एजाइल जोखिम आकलन मॉडल एक बार के सेटअप नहीं है। इसके लिए निरंतर सुधार की आवश्यकता होती है। सॉफ्टवेयर का दृश्य बदलता है, टीम का संगठन बदलता है, और व्यवसाय के प्राथमिकताएं बदलती हैं। एक स्थिर मॉडल अंततः अप्रासंगिक हो जाएगा।

नियमित कैलिब्रेशन
मॉडल की सटीकता की नियमित समीक्षा की योजना बनाएं। क्या सीमाएं अभी भी संबंधित हैं? क्या मापदंड अभी भी सही जोखिम को ध्यान में रख रहे हैं? नए डेटा और हितधारक प्रतिक्रिया के आधार पर पैरामीटर को समायोजित करें।

उभरते हुए पैटर्न
ऐसे पैटर्न ढूंढें जो पहले पहचाने नहीं गए थे। शायद एक विशिष्ट प्रकार के एकीकरण कार्य हमेशा उच्च जोखिम लेकर आते हैं। शायद वर्ष के एक विशिष्ट समय में दोष दर में वृद्धि होती है। इन उभरते हुए पैटर्न को मॉडल के भार के रूप में शामिल करें।

हितधारक समन्वय
सुनिश्चित करें कि हितधारक मॉडल द्वारा उन्हें बताए जा रहे बातों को समझते हैं। उच्च जोखिम स्कोर का मतलब यह नहीं है कि परियोजना विफल हो जाएगी; इसका मतलब है कि योजना से विचलन की संभावना अधिक है। स्पष्ट संचार घबराहट को रोकता है और बेहतर निर्णय लेने में सहायता करता है।

बचने वाले सामान्य गलतियां ⚠️

एक मजबूत ढांचे के साथ भी, जोखिम आकलन की प्रभावशीलता को कम करने वाली सामान्य गलतियां हो सकती हैं।

• मॉडल को अत्यधिक डिज़ाइन करना:एक जटिल एल्गोरिदम का निर्माण जिसमें मैन्युअल डेटा एंट्री की आवश्यकता होती है, अस्थायी है। मॉडल को जहां संभव हो, स्वचालित किया जाना चाहिए ताकि बाधाओं को कम किया जा सके।
• गुणात्मक डेटा को नजरअंदाज करना:संख्याएं केवल कहानी का हिस्सा ही बताती हैं। रिट्रोस्पेक्टिव चर्चाएं और टीम की भावनात्मक विश्लेषण उस संदर्भ को प्रदान करती हैं जो कच्चे डेटा नहीं बता सकते।
• टीमों की तुलना करना:अलग-अलग टीमों के जोखिम स्कोर की तुलना करना अक्सर अन्यायपूर्ण होता है। टीमें अलग-अलग क्षेत्रों में अलग-अलग जटिलताओं के साथ काम करती हैं। समय के साथ एक ही टीम के तरीके पर ध्यान केंद्रित करें।
• प्रतिक्रियात्मक निवारण:जोखिम के वास्तविक होने के बाद कार्रवाई करने के लिए इंतजार न करें। मॉडल को संकेत आने पर रोकथाम के कार्य शुरू करना चाहिए, न कि क्षति होने के बाद ही।

हितधारक प्रतिक्रिया को एकीकृत करना 🤝

पहेली का अंतिम टुकड़ा हितधारक प्रतिक्रिया को एकीकृत करना है। जबकि मॉडल वस्तुनिष्ठ डेटा प्रदान करता है, हितधारक व्यक्तिगत संदर्भ प्रदान करते हैं। एक फीचर तकनीकी रूप से सही रास्ते पर हो सकता है, लेकिन यदि व्यावसायिक मूल्य अब संबंधित नहीं है, तो परियोजना जोखिम में है।

मूल्य डिलीवरी
जोखिम केवल डिलीवरी की गति के बारे में नहीं है; यह मूल्य के अनुभव के बारे में है। यदि एक टीम एक फीचर को बिल्कुल सही ढंग से डिलीवर करती है लेकिन बाजार ने आगे बढ़ जाता है, तो जोखिम योजना चरण में था। हितधारक साक्षात्कार का उपयोग करके यह सत्यापित करना चाहिए कि किया जा रहा काम वर्तमान व्यावसायिक लक्ष्यों के अनुरूप है।

अपेक्षा प्रबंधन
मॉडल का उपयोग अपेक्षाओं को प्रबंधित करने के लिए किया जाना चाहिए। यदि जोखिम स्कोर उच्च है, तो हितधारकों को जल्दी से जानकारी देनी चाहिए। इससे उन्हें अपनी योजनाओं, जैसे बजटिंग या मार्केटिंग के समय सीमा, को बढ़ी हुई अनिश्चितता के अनुरूप समायोजित करने का अवसर मिलता है।

डेटा-आधारित जोखिम पर अंतिम विचार 🧭

एजाइल डिलीवरी डेटा का उपयोग करके जोखिम आकलन मॉडल बनाना एक विनम्रता का अभ्यास है। यह स्वीकार करता है कि भविष्य अनिश्चित है और हमें सर्वोत्तम उपलब्ध संकेतों के आधार पर नेविगेट करना होगा। यह बातचीत को ‘क्या हम समय पर पूरा कर पाएंगे?’ से ‘संभावनाएं क्या हैं, और हम उन्हें कैसे प्रबंधित करेंगे?’ में ले जाता है।

फ्लो, गुणवत्ता और स्थिरता पर ध्यान केंद्रित करके संगठन डिलीवरी से जुड़ी चिंता को कम कर सकते हैं। डेटा जोखिम को समाप्त नहीं करता है, लेकिन इसे दृश्यमान बनाता है। जब जोखिम दृश्यमान होता है, तो उसे प्रबंधित किया जा सकता है। इस दृश्यता के कारण टीमें बेहतर निर्णय ले सकती हैं, संसाधनों का अधिक प्रभावी तरीके से आवंटन कर सकती हैं और अंततः अधिक स्थिरता के साथ मूल्य की डिलीवरी कर सकती हैं।

याद रखें कि उपकरण अभ्यास की तुलना में दूसरे स्थान पर है। यदि टीम डेटा पर भरोसा नहीं करती है, तो एक सही मॉडल बेकार है। भरोसा, पारदर्शिता और एक संस्कृति के निर्माण में निवेश करें, जहां डेटा का उपयोग सीखने और सुधार करने के लिए किया जाता है, न कि दोषारोपण करने के लिए। यह स्थायी एजाइल डिलीवरी की नींव है।