QMB - Qualitätsmanagementbeauftragter Logo
    • Startseite
    • QM Toolbox (AI)
      • ISO 9001:2026 Toolbox (AI)
    • Lexikon
      • QMB: Aufgaben & Rolle
    • Blog
    • Methoden
    • Seminare & Ausbildungen
    • Kontakt
    • Impressum
QMB - Qualitätsmanagementbeauftragter LogoQMB - QualitätsmanagementbeauftragterWissen · Methoden · Praxis
Lexikon/DORA-Metriken
Lexikon · Wissen · Anwendung

DORA-Metriken

  • KPI
  • Agilität
DORA-Metriken

Inhaltsverzeichnis

  1. Kurz erklärt
  2. Definition
  3. Bedeutung im Fachkontext
  4. Input, Verarbeitung, Output, Outcome, Impact
  5. Schritte der Methode in Übersicht
  6. Beschreibung der Einzelschritte mit Ziel & Vorgehen
  7. Anwendung und Vorgehen
  8. Anwendungsgebiete
  9. Typische Fehler und Missverständnisse
  10. Abgrenzung und Grenzen
  11. Thema + KI-Unterstützung
  12. Beispiele im AI Tool
  13. Seminare zum Thema
  14. Häufige Fragen

Kurz erklärt

DORA-Metriken sind ein wissenschaftlich fundiertes Kennzahlensystem des DevOps Research and Assessment Programms zur Messung der Leistungsfähigkeit von Softwarebereitstellungsprozessen. Sie umfassen vier (inzwischen fünf) zentrale Indikatoren für Durchsatz und Stabilität, die objektive Aussagen über den Reifegrad und die operative Exzellenz von IT-Organisationen ermöglichen. Ziel ist die datengestützte Identifikation von Engpässen in digitalen Wertströmen.

DORA-Metriken · Kurz erklärt
DORA-Metriken · Kurz erklärt01AUSGANGSLAGEVersionskontroll-Logs,Deployment-Historie.02DIE METHODEDefinition der Datenquellen →Datenkonsolidierung →Kontextbezogene Analyse →Prozessverbesserung03DAS ERGEBNISPriorisierter Backlog fürProzessverbesserungen.Die Methodik wird in den folgenden Abschnitten Schritt für Schritt erläutert.

Definition

Die DORA-Metriken bilden einen standardisierten Rahmen, um Softwarebereitstellung als industriellen Prozess messbar zu machen. Sie unterteilen sich in Metriken für Durchsatz – namentlich Deployment Frequency (Häufigkeit der Bereitstellung) und Change Lead Time (Dauer vom Commit bis Produktion) – sowie Metriken für Stabilität wie Change Fail Rate und Failed Deployment Recovery Time. Diese diagnostischen Indikatoren dienen als Frühwarnsystem und Rückschauinstrument, um Continuous Delivery (CD) systematisch zu optimieren. Der wissenschaftliche Anspruch der DORA-Forschung besteht darin, eine evidenzbasierte Korrelation zwischen technischer Bereitstellungspraxis und organisatorischer Performance (wie Marktanteil und Rentabilität) nachzuweisen.

Bedeutung im Fachkontext

Im Kontext moderner Softwareentwicklung sind DORA-Metriken das Bindeglied zwischen technischer Performance und strategischer Geschäftsfähigkeit. Sie adressieren die Notwendigkeit, agile IT-Systeme transparent zu steuern. Durch die Quantifizierung der Pipeline-Leistung können Management und Entwicklungsteam Engpässe identifizieren, die zuvor im diffusen Tagesgeschäft verborgen blieben. Im Prozessmanagement dienen sie dazu, Investitionen in Automatisierung (z.B. Test-Automatisierung oder Infrastructure-as-Code) zu legitimieren, da sie den direkten Einfluss auf die Stabilität und den Durchsatz aufzeigen.

Input, Verarbeitung, Output, Outcome, Impact

DORA-Metriken · Gesamtwirkpfad der Methode
DORA-Metriken · Von Input bis Impact01INPUTRohdaten ausVersionskontrollsystemen (Git),CI/CD-Pipelines undIncident-Management-Daten sowie dieDefinitionfachlicherMesspunkte.02VERARBEITUNGAggregation derDatenströme durchautomatisierteTools undSegmentierung nachTeams oderService-Architekturen zurKontextualisierung.03OUTPUTObjektive,dokumentierteDashboards mitKennzahlen(Durchsatzraten,Fehlerraten,Wiederherstellungszeiten).04OUTCOME1. SystematischeProzessverbesserungdurchidentifizierteEngpässe; 2.Etablierung einerdatengestütztenLernkultur zurFehlervermeidung inFolgeprojekten.05IMPACTErhöhung derLieferfähigkeit,Senkung derQualitätskostendurch höhereStabilität undSteigerung derunternehmerischenWettbewerbsfähigkeit durch schnellereTime-to-Market.Input schafft die Voraussetzungen, Output dokumentiert das Ergebnis.Outcome und Impact entstehen erst durch Umsetzung und nachweisbare Wirkung.
Wirkungspfade und Beiträge zu Unternehmenszielen im Detail

Outcome

1. Systematische Prozessverbesserung durch identifizierte Engpässe; 2. Etablierung einer datengestützten Lernkultur zur Fehlervermeidung in Folgeprojekten.

Impact

Erhöhung der Lieferfähigkeit, Senkung der Qualitätskosten durch höhere Stabilität und Steigerung der unternehmerischen Wettbewerbsfähigkeit durch schnellere Time-to-Market.

Schritte der Methode in Übersicht

Die methodische Anwendung gliedert sich in vier Phasen: 1. Definition der Datenquellen, 2. Datenkonsolidierung, 3. Kontextbezogene Analyse, 4. Prozessverbesserung. Jeder dieser Schritte ist auf die kontinuierliche Validierung der Prozessleistung ausgerichtet, um Fehlinterpretationen zu vermeiden.

DORA-Metriken · Methodenschritte im Überblick
DORA-Metriken · Methodenschritte im Überblick01Definition derDatenquellenSicherstellung einerkonsistenten Datenbasisfür die Messung.02DatenkonsolidierungAutomatisierteZusammenführung derMesswerte.03Kontextbezogene AnalyseVermeidung vonFehlinterpretation durchfalsche Aggregation.04ProzessverbesserungAbleitung und Steuerungvon Optimierungsmaßnahmen.Ausführliche Ziele, Vorgehensweisen und Qualitätskriterien folgen im Methodenabschnitt.
Schritt 01 / 4

Definition der Datenquellen

Sicherstellung einer konsistenten Datenbasis für die Messung.

Schritt 02 / 4

Datenkonsolidierung

Automatisierte Zusammenführung der Messwerte.

Schritt 03 / 4

Kontextbezogene Analyse

Vermeidung von Fehlinterpretation durch falsche Aggregation.

Schritt 04 / 4

Prozessverbesserung

Ableitung und Steuerung von Optimierungsmaßnahmen.

Beschreibung der Einzelschritte mit Ziel & Vorgehen

METHODENSCHRITT01/04

QUALITY LXP · SCHRITTLOGIK

Definition der Datenquellen

ZielSicherstellung einer konsistenten Datenbasis für die Messung.
01Eingaben

Versionskontroll-Logs, Deployment-Historie.

02Konkretes Vorgehen

Eindeutige Festlegung der Zeitstempel für Commit- bis Deployment-Ereignisse.

03Ergebnis / Output

Standardisierte Datenbasis für alle fünf Metriken.

04Anwendungshinweis

Ein Commit wird beim Mergen in den Main-Branch als Startpunkt definiert.

05Qualitätskriterium

Eindeutigkeit der Start- und End-Events.

Von der Methode zur praktischen AnwendungNächster Schritt → Datenkonsolidierung
METHODENSCHRITT02/04

QUALITY LXP · SCHRITTLOGIK

Datenkonsolidierung

ZielAutomatisierte Zusammenführung der Messwerte.
01Eingaben

Raw-Daten aus CI/CD und Incident-Systemen.

02Konkretes Vorgehen

Integration von IT-Systemen in ein zentrales Dashboard-Tool.

03Ergebnis / Output

Echtzeit-Metrik-Dashboard.

04Anwendungshinweis

ETL-Pipeline von Pipeline-Logfiles zur Dashboard-Visualisierung.

05Qualitätskriterium

Vollständigkeit der aggregierten Daten.

Von der Methode zur praktischen AnwendungNächster Schritt → Kontextbezogene Analyse
METHODENSCHRITT03/04

QUALITY LXP · SCHRITTLOGIK

Kontextbezogene Analyse

ZielVermeidung von Fehlinterpretation durch falsche Aggregation.
01Eingaben

Aggregierte Metrik-Daten.

02Konkretes Vorgehen

Segmentierung der Daten nach Service-Einheit oder Anwendungskontext.

03Ergebnis / Output

Service-spezifische Performance-Berichte.

04Anwendungshinweis

Trennung von Legacy-Monolithen und Cloud-Native Microservices.

05Qualitätskriterium

Relevanz der Daten pro Team-Kontext.

Von der Methode zur praktischen AnwendungNächster Schritt → Prozessverbesserung
METHODENSCHRITT04/04

QUALITY LXP · SCHRITTLOGIK

Prozessverbesserung

ZielAbleitung und Steuerung von Optimierungsmaßnahmen.
01Eingaben

Performance-Berichte und Trends.

02Konkretes Vorgehen

Durchführung von Review-Meetings zur Engpass-Analyse.

03Ergebnis / Output

Priorisierter Backlog für Prozessverbesserungen.

04Anwendungshinweis

Automatisierung von Testläufen bei hoher Change Fail Rate.

05Qualitätskriterium

Messbarkeit des Fortschritts durch Metrik-Änderung.

Von der Methode zur praktischen AnwendungErgebnisse überprüfen & weiterentwickeln

Anwendung und Vorgehen

Die operative Implementierung der DORA-Metriken erfordert ein strukturiertes Vorgehen, das weit über die bloße Installation eines Dashboards hinausgeht. Der Prozess beginnt bei der Datenerfassung. Da DORA-Metriken auf den gesamten Bereitstellungslebenszyklus abzielen, müssen Datenquellen aus verschiedenen Silos harmonisiert werden. Ein „Commit“ sollte als definierter Zeitstempel im Versionskontrollsystem (z. B. Git) erfasst werden, während die „Deployment Frequency“ durch API-Hooks in CI/CD-Tools wie GitLab CI, Jenkins oder GitHub Actions automatisch dokumentiert wird.

Die Umsetzung sollte in einem agilen Framework stattfinden:

  1. Baseline-Erhebung: Ermittlung der aktuellen Status-Quo-Werte über einen Zeitraum von mindestens vier bis acht Wochen.
  2. Daten-Automatisierung: Implementierung von ETL-Pipelines (Extract, Transform, Load), die Rohdaten (Logs aus Deployments, Tickets aus Jira/ServiceNow) in eine Analyseplattform speisen.
  3. Team-Integration: Die Metriken müssen den Teams zugänglich gemacht werden. Transparenz ist hier die Voraussetzung für Akzeptanz.
  4. Iterative Optimierung: Anstatt individuelle Performance zu bewerten, fokussiert sich die monatliche Retrospektive auf die Frage: „Welche Prozesshürde hat uns daran gehindert, unsere Change Lead Time zu verkürzen?“

Anwendungsgebiete

DORA-Metriken sind universell einsetzbare diagnostische Werkzeuge für Organisationen, die Software aktiv entwickeln und betreiben.

  • Softwareentwicklung: Optimierung der CI/CD-Pipelines. Teams nutzen die Change Lead Time, um manuelle Prozessschritte (z. B. langwierige manuelle QA-Freigaben) zu identifizieren und durch Automatisierung zu ersetzen.
  • IT-Betrieb (SRE): Die Metrik Failed Deployment Recovery Time ist essenziell für Site Reliability Engineering. Sie deckt Schwachstellen in Monitoring-Systemen und Incident-Response-Prozessen auf.
  • Management: DORA-Metriken dienen als objektive Grundlage für strategische Investitionsentscheidungen. Wenn die Change Fail Rate konstant hoch ist, liefert dies ein belastbares Argument für Investitionen in Code-Qualität und Test-Infrastruktur statt in neue Features.
  • Qualitätssicherung: Monitoring der Release-Qualität. Durch das Zusammenspiel von Deployment Frequency und Change Fail Rate lässt sich messen, ob eine Erhöhung der Schlagzahl zulasten der Stabilität geht – oder ob automatisierte Tests diese Risiken wirksam abfangen.

Typische Fehler und Missverständnisse

Die größte Gefahr besteht in der Perversion der Metriken als Leistungsbeurteilungsinstrument. Wenn Mitarbeiter individuell nach DORA-Werten bewertet werden, führt dies zu „Gaming the System“: Entwickler könnten Commits unnötig aufteilen, um eine höhere Frequenz vorzutäuschen, oder Incident-Tickets verzögert schließen, um die Recovery Time künstlich zu schönen.

Ein weiteres verbreitetes Missverständnis ist die Überbewertung der Geschwindigkeit. Eine hohe Deployment Frequency ist wertlos, wenn die Software instabil ist. Die Metriken müssen immer im Verbund betrachtet werden. Zudem ist der Vergleich zwischen Äpfeln und Birnen ein kritischer Fehler: Ein Team, das eine monolithische Legacy-Anwendung pflegt, wird in der Deployment Frequency niemals die Werte eines Teams erreichen, das einen isolierten Microservice in der Cloud betreibt. Eine unternehmensweite Aggregation ohne Segmentierung nach Kontext zerstört die Aussagekraft und führt zu Frustration in komplexen Architekturbereichen.

Abgrenzung und Grenzen

DORA-Metriken sind keine „Silver Bullet“. Sie erfassen primär den operativen Bereitstellungsprozess (CI/CD), bilden jedoch keine Aussagen über:

  • Strategische Architektur: Sie zeigen nicht, ob das System technisch verschuldet ist oder ob die Microservice-Struktur die Geschäftsanforderungen tatsächlich skaliert.
  • Business-Value: Die Metriken messen, wie schnell wir liefern, aber nicht, was wir liefern. Ein Team kann mit hoher Frequenz Features deployen, die keinen Kundenwert stiften.
  • Kulturelle Komponente: Die Metriken sind das Ergebnis einer funktionierenden DevOps-Kultur, aber sie können diese Kultur nicht erzwingen. In einem hierarchischen Umfeld, das Schuldzuweisungen bei Fehlern präferiert, werden die Daten meist verfälscht oder verschwiegen.

Die Grenzen liegen zudem dort, wo manuelle, nicht-digitale Prozesse dominieren. DORA setzt eine gewisse Reife der Prozessautomatisierung voraus. Wo keine Deployment-Pipeline existiert, ist die Erhebung der Metriken methodisch nicht sinnvoll.

Häufige Fragen

Sind DORA-Metriken nur für große IT-Abteilungen relevant?+

Nein, die Metriken sind für jedes Team skalierbar. Auch kleine Startups profitieren von der Transparenz, da sie frühzeitig erkennen können, ob ihre Entwicklungsprozesse mit dem Wachstum des Produkts Schritt halten oder ob die operative Last (Fehlerbehebung) die Produktivität erstickt.

Was mache ich, wenn meine Datenqualität schlecht ist?+

Die Datenqualität ist oft selbst ein Indikator. Wenn Sie Incidents nicht zuverlässig erfassen oder Commits nicht mit Deployments verknüpfen können, ist das die erste Baustelle. Starten Sie mit der manuellen Erfassung einer Baseline, um den Wert der Daten zu demonstrieren, bevor Sie in komplexe automatisierte Dashboards investieren.

Dürfen Teams unterschiedliche Ziele bei den Metriken haben?+

Ja, unbedingt. Die „Elite-Performance“-Werte der DORA-Studie sind Orientierungspunkte, keine starren Vorgaben. Ein Team, das an einer kritischen Banken-Infrastruktur arbeitet, wird andere Toleranzgrenzen bei der Change Fail Rate haben als ein Team, das an einem internen Prototypen arbeitet.

Ersetzen DORA-Metriken traditionelle Projekt-KPIs?+

Nein, sie ergänzen diese. Traditionelle KPIs (z. B. Budgeteinhaltung, Zeitplan) fokussieren auf den Input und den Zeitplan, während DORA-Metriken die Prozessqualität messen. Es ist wichtig, den Fokus von „haben wir das Budget eingehalten?“ hin zu „wie effizient konnten wir das Ziel erreichen?“ zu verschieben.

Wie gehe ich mit Widerstand im Team um?+

Widerstand entsteht meist aus der Angst vor Kontrolle. Kommunizieren Sie klar, dass die Metriken zur Verbesserung des Arbeitsalltags dienen (z. B. weniger Stress bei Deployments, weniger nächtliche Hotfixes), und nicht zur Bestrafung. Geben Sie den Teams die Hoheit über ihre Daten und die daraus abgeleiteten Verbesserungsmaßnahmen.

Quellen und fachliche Grundlagen

    Alle Verknüpfungen sind sichtbar. Zum Öffnen der Starter-Inhalte bitte einloggen.

    Einloggen

    Passende Tools & Methodenwissen

    3
    Beispiele anzeigen

    Gemeinsame Themen: KPI

    Methode verstehen
    Beispiele anzeigen

    Gemeinsame Themen: Agilität

    Methode verstehen
    Beispiele anzeigen

    Gemeinsame Themen: Agilität

    Methode verstehen

    Projektbeispiele zu diesen Methoden

    10
    StrategiemanagementBalanced Scorecard / Strategy Map AI

    Balanced Scorecard / Strategy Map – Balanced Scorecard 2027 – Gründung einer Müsli-Manufaktur

    Praxisbeispiel

    Unternehmens-BSC mit Strategy Map

    Global freigegeben
    Beispiel ansehen
    StrategiemanagementBalanced Scorecard / Strategy Map AI

    Balanced Scorecard · Kunststoff-Spritzguss entwickelt Eigenprodukte

    Praxisbeispiel

    Transformation vom Auftragsfertiger zum Produktanbieter

    Global freigegeben
    Beispiel ansehen
    ProjektmanagementKanban AI

    HELION · CAPA mit Wirksamkeitsgate

    Praxisbeispiel

    ISO 9001: 10.2 / 10.3. Verantwortung, Termine, WIP und gesonderte Wirksamkeitsprüfung; kein Erledigt ohne Beleg. Fiktives Industrie-Lernbeispiel. Alle Zahlen, Rollen und Belege sind simuliert; keine reale Freigabe, Kundenvalidierung oder Wirksamkeitsbestätigung.

    Global freigegeben
    Beispiel ansehen
    ProjektmanagementKanban AI

    HELION · CAPA mit Wirksamkeitsgate

    Praxisbeispiel

    ISO 9001: 10.2 / 10.3. Verantwortung, Termine, WIP und gesonderte Wirksamkeitsprüfung; kein Erledigt ohne Beleg. Fiktives Industrie-Lernbeispiel. Alle Zahlen, Rollen und Belege sind simuliert; keine reale Freigabe, Kundenvalidierung oder Wirksamkeitsbestätigung.

    Referenzbeispiel
    Beispiel ansehen
    VUCAOODA-Loop AI

    OODA-Loop – OODA Loop · Mechanical Engineering under demand fluctuations and talent shortages

    Praxisbeispiel

    Wie kann ein Maschinenbauunternehmen bei Auftragsschwankungen, Talentengpässen und Technologieverschiebungen schneller als der Wettbewerb entscheiden und handeln?

    Global freigegeben
    Beispiel ansehen
    VUCAOODA-Loop AI

    OODA-Loop · Lebensmittelhersteller unter Rückruf- und Qualitätsdruck

    Praxisbeispiel

    Wie kann ein Lebensmittelhersteller bei Qualitätsvorfällen, Rückrufaktionen und Handelspartnerkonflikten schneller als der Wettbewerb entscheiden und handeln?

    Global freigegeben
    Beispiel ansehen
    VUCAOODA-Loop AI

    OODA-Loop · New Technology Startup unter Skalierungs- und Wettbewerbsdruck

    Praxisbeispiel

    Wie kann ein New-Technology-Startup bei schnellen Technologieverschiebungen, Skalierungsdruck und Investorenerwartungen schneller als der Wettbewerb entscheiden und handeln?

    Global freigegeben
    Beispiel ansehen
    VUCAOODA-Loop AI

    OODA-Loop · Automotive Tier-1 unter Chip- und Lieferkettenstress

    Praxisbeispiel

    Wie kann ein Automotive-Zulieferer bei Halbleiterengpässen, Modellwechseln und Wasserstoff-Strategiewechseln schneller als der Wettbewerb entscheiden und handeln?

    Global freigegeben
    Beispiel ansehen
    VUCAOODA-Loop AI

    OODA-Loop · Industrieller Mittelstand unter Energie- und Lieferschock

    Praxisbeispiel

    Wie kann ein mittelständischer Industriebetrieb bei drastischen Energiepreisanstiegen und Zuliefererausfällen schneller als der Wettbewerb entscheiden und handeln?

    Global freigegeben
    Beispiel ansehen
    VUCAOODA-Loop AI

    OODA · 10/10 Deep-Research Referenzanalyse

    Praxisbeispiel

    Vollständiges Referenzbeispiel mit allen Stammdaten, Analyseobjekten, Bewertungen, objektiven Nachweisen und ISO-9001-Maßnahmenplan.

    Referenzbeispiel
    Beispiel ansehen

    Weitere Tools & Wissen im Themengebiet

    Diese Kategorien ergänzen die konkreten Methodentreffer mit weiteren Werkzeugen, Anwendungswissen und Praxisbeispielen.

    Performance- & Kennzahlenmanagement8 fachlich zugeordnete Tools · Kategorie entdecken
    AK

    Geschrieben von

    André Kapust

    Fachredaktion Qualitätsmanagement

    Veröffentlicht am 28. Oktober 2026

    Diesen Artikel als PDF lesen

    DIN A4 mit Textumbruch, QMB - Qualitätsmanagementbeauftragter und der Quellen-URL qmb.wiki/lexikon/dora-metriken im Dokument.

    Lexikoneintrag teilen
    LinkedInFacebookXWhatsAppXingE-Mail
    QMB - Qualitätsmanagementbeauftragter · Persönlicher KontaktReaktionszeit < 24h

    Kontakt & Beratung

    Fragen zu unseren Tools, Schulungen oder einem konkreten Vorhaben? Wir beraten Sie persönlich und praxisnah.

    Vorwahl (+49) ist gewählt · Rufnummer ohne führende 0 eingeben. Keine Werbeanrufe.

    * Pflichtangaben

    Ihre Ansprechpartnerin

    Unsere Bewertungen

    Partner im Fokus

    Quality Services & Wissen GmbH Logo
    Quality Services & Wissen GmbH

    QUALITY stabilisiert: belastbare Qualitätssysteme, auditfähige Prozesse und sichtbare Qualitätskosten.

    Frankfurt am Main

    andre.kapust@enteso.comKontaktformular →

    Thema dieses Portals

    QMB - Qualitätsmanagementbeauftragter

    QMB - Qualitätsmanagementbeauftragter

      • Startseite
      • QM Toolbox (AI)
        • ISO 9001:2026 Toolbox (AI)
      • Lexikon
        • QMB: Aufgaben & Rolle
      • Blog
      • Methoden
      • Seminare & Ausbildungen
      • Kontakt
      • Impressum
    Seminare & AusbildungenKontakt aufnehmen
    © 2026 Quality Services & Wissen GmbH
    RSS-FeedImpressumUnsere FarbweltenDatenschutzSitemap

    Deine Privatsphäre. Deine Entscheidung.

    Notwendiger Speicher hält Anmeldung, Sicherheit und deine Auswahl bereit. Nur mit deiner Zustimmung messen wir Seitenaufrufe und Nutzung.

    Du entscheidest freiwillig. Videos und Inhalte bleiben bei jeder Auswahl verfügbar. Externe Medien können Daten an ihre Anbieter übertragen. Änderbar über „Cookie-Einstellungen“ im Seitenfuß.

    DatenschutzerklärungImpressum