Larry Maccherone: Na kiedy to będzie?
Uprzedzenia zjadają dobre decyzje na śniadanie. Ucząc się prognozowania statystycznego uczymy się pokonywać uprzedzenia.
Każda decyzja jest prognozą – zakładamy, że wybrana przez nas opcja będzie miała lepszy rezultat od innych rozważanych opcji.
Gdy spytasz kogoś dlaczego podjął taką decyzję – zapewne usłyszysz wyjaśnienia. Ciekawsze może być kolejne pytanie: jakie inne alternatywy miałeś?
Jak dużo ryzyka jesteśmy skłonni zaakceptować w możliwych wynikach? Porozmawiajmy o tym i poszukajmy balansu pomiędzy zyskami a kosztami naszych decyzji.
Jakość decyzji zależy od:
- rozważanych opcji
- modelu użytego do prognozowania
Alternatywna decyzja = prawdopodobieństwo dobrego wyniku x korzyści z tego wyniku
Rozpatrujemy 3 scenariusze: zły, średni i dobry aby poznać całkowitą sumę korzyści z projektu.
Mamy tu jeszcze do czynienia z emocjami: ciężko przejść obojętnie obok myśli o stracie 1 miliona dolarów lub zysku 8 milionów. Użycie prognozowania statystycznego niweluje wpływ emocji na podejmowaną decyzję.
Podejmowanie decyzji z użyciem prognozowania statystycznego koncentruje się na tym co jest lepszym rozwiązaniem.
Rozmowa o opiniach, nie poparta danymi jest rozmową o tym kto ma rację.
Możemy poprawić, wytrenować naszą zdolność do szacowania danych potrzebnych jako dane wejściowe do prognozowania statystycznego.
Na kiedy to będzie?
Wykonanie prognozowania statystycznego Monte Carlo pozwala na określenie przedziału możliwych wyników (czasów dostarczenia) przy założonym prawdopodobieństwie. Dzięki temu zmienia się sposób i poziom rozmowy pomiędzy biznesem i IT.
Biznes: „Na kiedy to będzie?”
Zespół: „Nie wiemy, jeżeli wiesz to nam powiedz.”
Biznes: „Teraz jesteśmy Agile, więc to zespoły mówią kiedy coś dostarczą.”
Zespół: ” Jaki poziom ryzyka możesz zaakceptować.”
Biznes: „Zero, nie chcę ryzyka.”
Zespół: ” W takim razie z wysokim prawdopodobieństwem (a małym ryzykiem) będzie to data bardzo po prawej stronie wykresu”
Chcemy aby ryzyka były identyfikowane i aby im zapobiegano. Dzięki ciągłej analizie wraz z nowo dostarczanymi danymi możemy być coraz bardziej dokładni. Generalnie chcemy by rozkład możliwych wyników stawał się coraz bardziej wąski i przesuwał się w lewą stronę wykresu. Używaj rozsądnego zakresu danych.
7 grzechów głównych metryk
- Mierzenie jako narzędzie nacisku i manipulacji innymi ludźmi
- Niezbalansowane metryki
- Metryki zastępują myślenie
- Skomplikowane i drogie w pozyskaniu
- Są, ale nie wnoszące nic do tematu
- Zła analiza metryk
- Płytkie prognozy bez dyskusji o ryzyku i prawdopodobieństwie
Przeczytaj również opracowanie: Daniel Vacanti: Twój projekt jest jak huragan – przewiduj go właśnie tak.
Źródło oryginalnej prezentacji https://youtu.be/0nx5d3WnTYY