Uma abordagem pragmática das trincheiras para guiar efetivamente as empresas na jornada da Transformação Digital. Falamos sobre squads autônomas, cultura DevOps/Site Reliability, Gestão Analítica de Produtos e Formação de Cultura Data-Driven.
6. Scrum - Primeiras mudanças
• Times multidisciplinares, auto-gerenciados
• Gerentes de Projeto e PMOs deixam de existir, pois o foco é em
times de Produto
• Ciclos curtos de inspeção e adaptação, com timebox definido
• Normalmente usado por times de Produto/Desenvolvimento
7. Kanban
• Fluxo de trabalho visível, limitando Work in Progress para reduzir
Lead Time
• Fluxo contínuo, sistema “puxado" em vez de "empurrado"
• Melhoria contínua, em vez de projeto com início, meio e fim
• Muito usado por times de Plataforma e Operações
10. • Sair da cultura Comando e Controle p/ Times Autônomos
• Como organizar Squads multidisciplinares quebrando estrutura
hierárquica anterior
• Sair de estruturas Monolíticas e Projetos para um modelo de
Microserviços e Produtos
• Criar um ambiente favorável para Experimentos e Inovação
Principais dificuldades das empresas no Passo 1
12. DevOps numa casca de noz
Práticas DevOps permitem que gerenciemos a infraestrutura
como gado em vez de bichos de estimação
• Foco em Pessoas e Cultura
• Colaboração intensa entre Desenvolvimento e Operações
• Automação construindo uma infraestrutura altamente Dinâmica e
Programável
13. É possível ser Ágil sem DevOps?
Resumindo: Não! :)
• É possível ser ágil com Deploys manuais?
• É possível ter código saudável sem testes automatizados?
• Podemos ter Produtos de sucesso sem pensar em escalabilidade e
tolerância a falhas?
• É possível manter dezenas de micro-serviços sem automatizar o
ciclo de vida completo?
15. DevOps e os times ágeis
• DevOps dentro dos times
• Todos em contato com a infraestrutura
• Múltiplos deployments diários sem dor
16. Infraestrutura como código
• Possibilidade de construir
stacks inteiras:
balanceadores, máquinas
virtuais, serviços gerenciados,
bases de dados, entre outros.
• Configuração legível e
versionada de segurança,
monitoramento, propriedades
de cada ambiente.
18. Canary Releases
• Refinamento dos blue-green
deployments
• Múltiplas versões em
Produção simultaneamente
• Rollout progressivo de
tráfego entre as versões
• Interessante para reduzir
risco de deployments e
também para testes A/B
20. • Relação antagonista entre Desenvolvimento e Infraestrutura
• Ambientes de infraestrutura/aplicação rígidos e engessados
• Dificuldade de encontrar profissionais com Cultura DevOps e
automação
• Postmortens buscando culpados em vez de focar na solução
estrutural dos problemas
Principais dificuldades das empresas no Passo 2
22. Startups/Inovação
“Startups são organizações temporárias
projetadas para buscar um modelo de
negócios repetível e escalável”
Steve Blank
Premissa: se estamos inovando, ainda não conhecemos o
modelo de negócios que dará certo (e se dará)
23. Startups/Novos Produtos
Startup: sem garantia de longevidade e de modelo sustentável
Corporação: escalar e otimizar o modelo de negócios validado
24. Customer Development (Steve Blank)
Ciclos de Product Dev e Customer Dev ocorrem em paralelo
buscando validar o Product/Market fit
25. Lean Startup - Eric Ries
• Até que tenhamos aprendizado validado, tudo que temos são
Hipóteses de Negócio
• Experimentos são utilizados para validar as Hipóteses de
Negócio com o mínimo de esforço/investimento possível
• Construir MVPs ou artefatos que permitam o aprendizado.
Ciclos de Build, Measure, Learn
• Aprendizado validado ocorre com métricas e critérios
objetivos
27. Metrics for Pirates - Dave McClure
• Acquisition: clientes chegam ao seu produto através de
diferentes canais
• Activation: clientes gostam da 1a interação - experiência
feliz
• Retention: clientes voltam e usam seu produto várias vezes
• Referral: clientes gostam o suficiente do seu produto para
indicá-lo para outras pessoas
• Revenue: clientes te geram receita
Qual etapa do funil é mais crítica pro seu produto AGORA?
29. • Falta de autonomia para os Product Owners/Managers
• Cultura de tomada de decisões subjetivas inibe pensamento
analítico
• Dificuldade de obtenção de métricas confiáveis para guiar a análise
• Falta de profissionais experientes em Gestão Analítica de Produtos
Principais dificuldades das empresas no Passo 3
31. Data & Analytics - Definição e Objetivos
• Extração de conhecimento a partir dos dados
• Aplicação de análises estatísticas e aprendizado de máquina
para entender o histórico e prever comportamento futuro
• Comumente associado a Big Data, mas já conseguimos muitos
aprendizados valiosos com Small Data
• Abordagens de Big Data tipicamente necessárias dependendo
do volume e velocidade dos dados
32. Premissas para trabalhar com Data Science
• Problemas e objetivos bem definidos.
• Definição de objetivos e resultados em cima de métricas
acionáveis
• Capacidade de coletar dados analíticos sem comprometer a
experiência do usuário e funcionamento do produto
• Unir expertise matemática com propósito de negócio