1.
Metriche
Kanban
in pratica
@ Sky UK
GOOD
CRAP
AWESOME!
@BattistonMattia

2.
About me
● ~2 anni @ Sky Network Services, Londra
● software dev & continuous improvement
● Kanban “helper”
Mattia Battiston
@BattistonMattia
mattia.battiston@gmail.com
Ciao!

3.
Perché siamo qui?
ESPERIENZA
PERCHÉ
COME
MIGLIORAMENTO
LEZIONI
IMPARATE
FORECASTING

4.
Kan...ché?
conoscenza di base di Kanban aiuta
(WIP limits, lead time, batches, etc.)

5.
Metriche - Perché?
#1: miglioramento continuo #2: prevedere il futuro

6.
Ma le metriche non erano cattive?
Problemi tipici:
- si imbroglia
- disfunzioni

7.
Buone vs Cattive Metriche
● migliorare il sistema ● premiare/punire individui
“95% performance attribuibile al
sistema, 5% alle persone”
W. Edwards Deming
● feedback ● obiettivi
● leading (guardano al presente) ● lagging (guardano al passato)
● tutte devono migliorare ● ottimizzazioni locali

8.
Il nostro sistema
Iteration-Based
On-demand
Direct

9.
Come raccogliamo i dati?

10.
Spreadsheet
Input: dettagli della storia; inizio & durata di ogni stato;

11.
(Poca) Matematica
● Min, Max
Normal: data is distributed
around a central value
e.g. height of UK population
Skewed: data has a long tail
on one side (positive or
negative)
e.g. income of UK population
(positive skew)
Lead time of stories follows
skewed distribution
● Media
avg(1,2,2,2,3,14) = (1+2+2+2+3+14)/6 = 4
● Mediana: separa metà alta e metà bassa. Meno influenzata da outlier
median(1,2,2,2,3,14) = 2
● Moda: valore più frequente
mode(1,2,2,2,3,14) = 2
● Standard Deviation: misura la dispersione dalla media. Quando è alta, i valori
oscillano in un largo intervallo.
stdev(1,2,2,2,3,14) = 4.5; stdev(1,2,2,2,3,5) = 1.2;
● Percentile: percentuale di elementi che cadono in un intervallo
50% perc(1,2,2,3,7,8,14) = 3; 80% perc(1,2,2,3,7,8,14) = 7.8;
● Normal Distribution vs Skewed Distribution:

12.
Cumulative Flow Diagram
Descrizione: Per ogni giorno mostra quante storie sono in ogni stato
no.storie
giorni

13.
Cumulative Flow Diagram
● Obiettivo: retrospettiva (con un buon facilitatore)
● Obiettivo: dimostra l’efficacia dei cambiamenti
cambio WIP limit in DEV: da 3 a 2

14.
Cumulative Flow Diagram
● Obiettivo: decidere su cosa lavorare oggi
● Obiettivo: forecasting. Approssimazione per lead time, wip, delivery date (ma è più
facile se sono raccolti separatamente)
WIP
LEAD TIME

15.
CFD Patterns
(fonte: CFD article by Pawel Brodzinski)
growing lines: indicate large WIP + context switching.
action: use WIP limits
stairs: indicates large batches and timeboxes
action: move towards flow (lower WIP,
more releases, cross-functional people)
flat lines: nothing’s moving on the board
action: investigate blockers, focus on finishing, split in
smaller stories
single flat line: testing bottleneck
action: investigate blockers, pair with testers,
automate more
typical timeboxed iterationdropping lines: items going back
action: improve policies

16.
metriche per
Delivery
Time

17.
Control Chart
Descrizione: Mostra la durata di ogni storia. Usa un limite superiore e inferiore; le storie
che cadono fuori dai limiti sono storie interessanti (insolite), le analizziamo per migliorare
storie
cycletime(gg)

18.
Cycle/Lead Time stats + History
Descrizione: Statistiche per conoscere il tuo cycle time. Aiuta a predire “quanto
impiegherà probabilmente la prossima storia?”. Visualizza trend di miglioramento

19.
Lead Time distribution
50%
85%
cycle time (gg)
no.storie
Descrizione: Per ogni lead time (n. giorni), quante storie hanno impiegato così a lungo.
Utile mostrarlo in percentuale per conoscere la probabilità.

20.
Story Health
50-80% >90%80-90%0-50%
Descrizione: Indica se una storia è in buona salute o se dobbiamo preoccuparci. Basato su
lead time distribution
0-6gg 6-10gg 10-14gg 14+gg

21.
Cycle Time vs Release Prep. Time
storie
giorni
Descrizione: Per ogni storia mostra quanto ha speso nell’iterazione e in release
preparation. Usato per discutere il costo di rilasci poco frequenti

22.
metriche per
Prevedibilità

23.
Iteration Throughput
iterazione
no.storiecompletate
Descrizione: Numero di storie completate in una iterazione

24.
WIP
iterazione
media(WIPgiornaliero)
Descrizione: Per ogni iterazione, la media del WIP giornaliero

25.
Little’s Law
more
visible here
Descrizione: Lead Time = WIP / Throughput
Dimostra che quando WIP scende, il Lead Time diminuisce e il Throughput cresce

26.
Points vs Cycle Time
cycletime(gg)
story points
Descrizione: Mostra scarsa correlazione tra punti stimati e cycle time reale

27.
Disney Stations
Descrizione: Come in coda a Disneyland. “Quanto tempo qui? Quanto tempo da qui?”

28.
Task Time
Descrizione: Mostra quanto impiega ogni task. Dà indicazione di quanto una storia
impiegherà in base al n. di task

29.
metriche per
Qualità

30.
Bugs percentage
Descrizione: Percentuale di bug per storia. Espresso come “1 bug ogni X storie”

31.
metriche per
Miglioramento
Continuo

32.
Flow Efficiency
Descrizione: Mostra quanto tempo le storie spendono in code - nessuno ci stava
lavorando. Mostra quanto si può migliorare eliminando i tempi di attesa.

33.
Time in status
tempoinstato(gg)
storie
Descrizione: Per ogni storia mostra quanto ha speso in ogni stato (tempo assoluto e
percentuale). Mostra trend di dove le storie spendono più tempo
tempoinstato(%)

34.
Stats per Status
Descrizione: control chart, cycle time distribution e stats per ogni stato. Utile per
simulazioni (forecast); dà indicazione di dove dobbiamo migliorare

35.
Retrospettiva

36.
Risorse
Libri
Presentazioni
● Troy Magennis LKUK13 LKCE13 Agile 2014
● David Anderson Kanban's 3 Agendas LKUK13
● Hakan Forss The Red Brick Cancer
Articoli
● Cycle-time Analysis and Monte Carlo Simulation Results (Troy Magennis)
● The Seven Deadly Sins of Agile Measurement (Larry Maccherone)
● A Tool for tracking Kanban projects (Emily Webber)
● FocusedObjective@Github
● Lean Forecasting Tutorial by Troy Magennis
● Cumulative Flow Diagram (Pawel Brodzinski)
● worldofchris@github (Chris Young)
Case Studies
Siemens Health Services Sandvik IT Ericsson SAP Lean Kanban Case Studies series
● Dan Brown Flow Like Ketchup (LLKD14)
● Dimitar Bakardzhiev LKUK14 webinar
● Larry Maccherone LKUK14
● Analyzing Lead Time Distribution Chart (Alexei Zheglov)
● Inside a Lead Time Distribution (Alexei Zheglov)
● Forecasting Your Oranges (Dan Brown)
● On Story Points and Distributions (Agile Pirate)

37.
Grazie!
@BattistonMattia
mattia.battiston@gmail.com
molto, molto apprezzato! Aiutami a
migliorare