Larry Maccherone: Na kiedy to chcesz?

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.

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

  1. Mierzenie jako narzędzie nacisku i manipulacji innymi ludźmi
  2. Niezbalansowane metryki
  3. Metryki zastępują myślenie
  4. Skomplikowane i drogie w pozyskaniu
  5. Są, ale nie wnoszące nic do tematu
  6. Zła analiza metryk
  7. Płytkie prognozy bez dyskusji o ryzyku i prawdopodobieństwie

Źródła:

—————————————————————————————————————————-

Larry Maccherone: Kwantyfikowany Agile i jego wpływ na projekty: odkrywanie tajemnic.

Larry posiada dostęp do ogromnej ilości danych zespołów pracujących w jego firmie i na tej podstawie tworzyli i sprawdzali kilka aspektów ich pracy aby wyciągnąć z nich generalne wnioski dotyczące prowadzenia projektów.

  • Korelacja nie oznacza związku przyczynowego
  • Nie ma idealnej praktyki – są dobre praktyki, które sprawdzają się w danym kontekście
  • Ilość odrzuconych opcji wskazuje na jakość podejmowanych decyzji

SDPI – Software Development Performance Index:

  • przewidywalność (miara: stabilność throughput)
  • produktywność (miara: throughput)
  • jakość (miara: zagęszczenie defektów)
  • responsywność (miara: czas w procesie)

Ogólne wnioski wynikające z przeprowadzonych badań:

  • Istnieją korelacje i zależności pomiędzy poszczególnymi wartościami i trzeba patrzeć na nie całościowo ponieważ zmiana jednej oddziaływuje na pozostałe.
  • Zespoły używające 2 tygodniowych iteracji miały najlepiej zbalansowane działanie.
  • Dłuższy czas iteracji jest skorelowany z wyższym poziomem jakości.
  • Krótszy czas iteracji jest skorelowany z wyższą produktywnością i szybszą responsywnością.
  • Jeżeli za nisko ustawisz limit Pracy w Toku odbije się to negatywnie na produktywności.
  • Więcej testerów w zespole powoduje zwiększenie jakości, jednak zmniejsza się produktywność. Co ciekawe zespoły bez dedykowanego testera miały najlepszą produktywność, równie wysoki poziom jakości ale dużo większy zakres zmienności w tym obszarze.
  • Zespoły, które bardzo mocno obniżają Limit Pracy w Toku mają o 50% mniejszy czas w procesie ale mają o około 30% niższą produktywność.
  • Motywacja członków zespołu ma mały ale widoczny wpływ na działania zespołu.
  • Stałe zespoły mają: 60% lepszą produktywność, 40% lepszą przewidywalność, 60% lepszą responsywność
  • Zespoły składające z ludzi, którzy pracują tylko w tym 1 zespole mają dwa razy większą produktywność
  • Małe zespoły mają większą produktywność, podczas gdy duże zespoły mają lepszą jakość.

Źródła:

Dodaj komentarz

Twój adres email nie zostanie opublikowany.