O documento discute como implementar métricas orientadas a dados e engenharia orientada a dados para melhorar a produtividade, qualidade e escalabilidade de times ágeis. Ele identifica problemas comuns como falta de autonomia, propriedade e compartilhamento de conhecimento entre desenvolvedores e sugere coletar métricas sobre entregas, retrabalho, code reviews e desempenho individual para guiar a melhoria contínua. A engenharia orientada a dados pode fornecer visibilidade sobre o trabalho de cada desenvolvedor para apoiar a gestão

1. Data-driven & métricas
Escalando ágil com mais produtividade e
qualidade
Por Paulo Boccaletti

2. Roteiro do nosso passeio
 Contexto
 Problemas identificados
 Problemas não identificados (a cultura nos cega)
 Readequação das métricas
 Data-driven engineering
 Benefícios não esperados com a adoção do paradigma

3. Contexto

4. O problema
Sprint 1 Sprint 2 Sprint 3 Sprint 4 Sprint 5
Program Increment (PI)

5. O problema

6. O problema

7. De Chapter backend para Scrum Master
• Disfunções ágeis
• Falta de auto gestão
• Falta de Ownership

8. Onde está o problema?
O que precisa ser corrigido?
Qual a prioridade?

9. Oportunidades de melhorias na
atuação dos DEVs
• Desenvolvimento centralizado em DEV específico com pouco compartilhamento de conhecimento
• Dev Frontend só pega tasks de Front e Dev Backend só pega tasks de Back
• GAPs de design de software com soluções de alto acoplamento
• Entregas com Pull Requests arriscados estocando grande quantidade de commits
• Merges complexos com mapeamento “incompleto” de impacto acompanhado com GAPs de
cobertura de testes

10. Senioridade vs Comportamento
• Em alguns casos senioridade do cargo não está refletindo nas entregas
• Problemas velhos se repetem a todo momento
• Conhecer muito do produto ou regra de negócio não significa ter
senioridade

11. Perguntas a serem respondidas
OutputInput

12. Perguntas a serem respondidas
 Como entender o nível de entrega de cada DEV?
 Como avaliar se a produtividade de um time ou DEV está melhorando ou
caindo?
 Quanto do que o time entregou foi retrabalho?
 Retrabalho foi associado com alterações de PO?
 Decisões de produtos causaram desperdícios?
 DEV X ou Y entregou algum código dia A ou dia B?
 Atualizações realizadas por Y possuem riscos?
 Novo DEV esta com boa velocidade de redução de curva?
 Code Reviews estão sendo efetivos com colaboração?

13. História e futuro de
Analytics no
desenvolvimento de
software

14. Data Driven
Engineering
Eventos Commits e
Pull Request
Como funciona

15. Entregas Técnicas de um Time

16. Visão Individual das Entregas

17. Visão Individual das Entregas

18. Alto retrabalho e Refactoring

19. Entrega com maior eficiência

20. Visão geral do time

21. Visão detalhada de produção
realizada

22. Visão detalhada de produção
realizada

23. Maturidade de code review

24. Maturidade de code review

25. Benefícios
• Realização de gestão técnica evolutiva dos DEVs de forma assertiva
• Aumentar produtividade e geração de valor ao Negócio
• Reduzir riscos de turnovers
• Formação de DEVs “in house” com mentoria reduzindo curva de aprendizado
• Auxiliar a definição de níveis de senioridade dentro da empresa

26. Fontes de
pesquisa
 https://waydev.co/the-future-of-dev-analytics-
waydev-gitprime-codeclimate/
 https://medium.com/guma-rs/leadtime-vs-
storypoints-60c98da8f19

27. Paulo Boccaletti
linkedin.com/in/paulo-boccaletti/
pboccaletti@gmail.com
Skype: pboccaletti