O documento discute técnicas estatísticas como amostragem, simulação de Monte Carlo e métricas para previsão e planejamento. Ele argumenta que estimativas tradicionais são altamente imprecisas e que abordagens probabilísticas baseadas em dados fornecem previsões mais confiáveis.
1. Pare de estimar e comece a previsibilizar!
https://app.flowpace.com/
2. Não estime
• Ao invés de produzir algo de valor, você
está desperdiçando seu tempo
• Apesar de tudo, não existe razão ou fato
lógico-matemático que nos leve a crer
que, se a história A é mais complexa do
que a história B então certamente a
história A tomará mais tempo para
terminar do que a história B.
https://rodrigoalmeidadeoliveira.wordpress.com/2018/09/18/estimar-ou-nao-estimar/
8. Amostragem
Uma maneira de usar os dados que temos
para fazer predições e previsões
Ela ajuda a descobrir a faixa de valores
possíveis de forma rápida e confiável
9. Com que rapidez descobrimos um intervalo de valores
por amostragem?
Por quê? Qual a velocidade que obtemos a contagem
de estórias, o tamanho da história, a velocidade, o
rendimento, o tempo de ciclo, e que nos deixa
confiantes de estarmos com as estimativas corretas?
10. Menor
amostra até
agora
Máximo atual
Minimo atual
Maior amostra
até agora
Q. Em média, qual é a chance da 4ª
amostra estar entre a faixa vista após 3
amostras aleatórias?
(sem duplicatas, distribuição uniforme)?
A. ?1
2
3
4
11. Menor amostra
até agora
Máximo atual
Minimo atual
Maior amostra
até agora
Q. Em média, qual é a chance da 4ª
amostra estar entre a faixa vista após 3
amostras aleatórias? (sem duplicatas,
distribuição uniforme)
A. ?1
2
3
4
25%
25%
25% de chance de ser maior
que a anterior mais alta
25% de chance de ser menor
que a anterior mais baixa
12. Menor
amostra até
agora
Máximo atual
Minimo atual
Maior amostra
até agora
Q. Em média, qual é a chance da 4ª
amostra estar entre a faixa vista após 3
amostras aleatórias? (sem duplicatas,
distribuição uniforme)
A. ?1
2
3
4
25%
25%
25% de chance de ser maior
que a anterior mais alta
25% de chance de ser menor
que a anterior mais baixa
A. 50%
% = (n – 1)/(n+1)
% = (3-1)/(3+1)
% = 2/4 = 1/2
% = 0.5
13. 13
Máximo atual
Minimo atual
8,5% de chance de ser
maior que a anterior mais
alta
8,5% de chance de ser
menor que a anterior
mais baixa
Maior amostra
até agora
Menor amostra
até agora
Q. Em média, qual é a chance da 12ª
amostra estar entre o intervalo visto
após 11 amostras aleatórias?
(sem duplicatas, distribuição uniforme)
A. 83%
% = (n-1)/(n+1)
% = (11-1)/(11+1)
% = 0.833
1
2
3
4
5
6
7
8
9
10
11
12
19. Métricas nas Práticas Kanban
1.Visualize
2.Limit WIP
3.Gerencie o fluxo
4.Torne as políticas explicitas
5.Implementar loops de feedback
6. Melhorar Colaborativamente, Evoluir
Experimentalmente
(usando modelos / método científico)
20. Métricas nas Práticas Kanban
1.Visualize
2.Limit WIP
3.Gerencie o fluxo
4.Torne as políticas explicitas
5.Implementar loops de feedback
6. Melhorar Colaborativamente, Evoluir
Experimentalmente
(usando modelos / método científico)
21. As métricas podem ajudar você a
entender melhor sua demanda e
capacidade
22. “Quando uma medida se torna um alvo,
ela deixa de ser uma boa medida.”
Lei de Goodhart
https://www.slideshare.net/azheglov/lead-time-what-we-know-about-it
28. Percentis e intervalo de confiança
• Faixa de valores possíveis para a magnitude (risco relativo) real do efeito.
• Temos X% de chance do intervalo conter o verdadeiro valor da média populacional.
• Em vez de estimar o parâmetro por um único valor, é dado um intervalo de
estimativas prováveis.
32. Lean, poucas dependências
• Maior contagem de itens de trabalho
• Itens de trabalho mais granulares
• Menor WIP
• Equipe Auto-Suficiente
• Impedimentos Internos
• Faça: automação
• Faça: Eficiência de Tarefa
Sprint, muitas dependências
• Menor contagem de itens de trabalho
• Itens de trabalho mais pesados
• Maior WIP
• Dependências Externas
• Impedimentos Externos
• Faça: colapso de equipes
• Faça: análise de impedimento
33. 85º dos itens gastam até 28 dias ou
menos para serem finalizados
Powered by
34. A medição do tempo de entrega não pode ser
separada da compreensão do ponto de
compromisso
Lei de Goodhart
Corolário
https://www.slideshare.net/azheglov/lead-time-what-we-know-about-it
36. Simulação de Monte Carlo
Um primeiro exemplo...
Determinando o valor de 𝜋 a partir de simulações estatísticas.
–Imagine um alvo (de raio 1) inscrito em um quadro (de lado 2).
–A ideia é atirar, aleatoriamente, um grande número de dardos e contabilizar quantos
caem dentro do alvo.
–O valor de 𝜋 pode ser aproximado pela razão entre as áreas das figuras ou, de forma
equivalente, pelo número de dardos que caem em uma ou outra região.
–Quanto maior o número de pontos, melhor a aproximação.
37. Simulação de Monte Carlo
Integração numérica
Determinando o valor de 𝜋 a partir de simulações estatísticas.
Na verdade, o método pode ser aplicado para qualquer problema de
integração numérica...
– Seja 𝐴 a área do retângulo que envolve a região de integração de interesse:
40. Quando este processo é realizado com uma grande
massa de dados e por milhares de vezes, os valores
obtidos guardam uma estreita semelhança com os valores
reais no que se refere a variáveis randômicas.
Método de Monte Carlo
41. Teoria das Filas
“O número médio de itens de trabalho em um sistema estável é
igual à taxa de conclusão média, multiplicada pelo tempo médio
no sistema.”
John Little, 1961
47. Fique atento:
• Nunca use uma média para comunicar uma previsão.
• Nunca utilize o resultado mais provável para comunicar uma previsão; o
resultado mais provável não é muito provável. Seus dados de tempo de ciclo
não são normalmente distribuídos por isso não assuma isso ao fazer
previsões.
• Estimativa e planejamento geralmente servem para tornar seu processo
menos previsível e não mais previsível.
• Não há quase nenhuma correlação entre uma estimativa de ponto de história
e o tempo decorrido que leva para que um item seja concluído.
• Não há necessidade de itens do mesmo tamanho para a previsão. Muito, se
não a maioria da imprevisibilidade, em seu processo é devido às políticas
frágeis que estão implementadas no seu sistema puxado.
• Implementado incorretamente, as políticas de sistema puxado do seu
processo serão tão bem-sucedidas quanto o Titanic.
48. Estimativas x Lead Time.
É possível ser previsível com o que este gráfico nos mostra?
49. • WIP alto ou sem limite
• Tecnologia / domínio / produto
• Composição de time
• Usuário, cliente e representante do
cliente
• Multitarefa / falta de foco
• Mercado e concorrentes
• Dependências do sistema
• Dependências de equipe
• Especialização
• Aguardando disponibilidade
• Retrabalho
• Etapas / handoffs (50% * 50% * 50% …)
• Estágios no desenvolvimento da equipe
(Tuckman)
• Política de seleção
• Complicação essencial (quão difícil é problema é
por si só)
Diversas são as fontes de variabilidade que impactam diretamente nas
estimativas criadas.
Quantas, além destas, você pode identificar?
50. • ConWIP / WIP Sistema (em
todo o sistema, ao invés de ser
somente por coluna)
• Cinco etapas de foco para
eliminar restrições (TOC)
• Agrupamento de bloqueadores
• Reduza os estágios do fluxo de
trabalho
• Políticas explícitas
• Custo de programação,
sequenciamento e seleção de
atrasos
O que você pode fazer sobre a variação?
• WIP baixo e limitado
• Design simples e desacoplado
• Fatias finas e verticais;
• Emparelhamento
• Identifique / faça dependências
visíveis
• Colaborar / Compartilhar o trabalho
(Dimitar Bakardzhiev)
• Pico e estabilização (Dan North)
• Reduza a complexidade acidental
(Liz Keogh)
51. • Determinar quais ações
seriam diferentes com base
na estimativa
• Critérios de adequação
baseados no cliente
• Orçamento: taxa de
execução da equipe
• Concentre a conversação no
valor, não no custo
• MVP e propriedade do
produto
#NoEstimates e o Negócio
• Criar previsão probabilística o
mais rápido possível (assim que
você tiver dados) – juntos!
• Revisões de Serviço-entrega
(Cadências do Kanban)
• Equipes: Mantenha as equipes
juntas, dedicadas (reduz a
mudança de contexto, estágios
de Tuckman)
• Tenha um fluxo unificado.
• Liberte-se do time box!!!!
52. Manifesto #NoEstimates
… Nós passamos a valorizar:
1) Probabilístico sobre Determinístico
2) Tempo de entrega sobre o tempo de desenvolvimento
3) Escopo do MVP sobre o escopo total
4) Dados sobre intuição sobre Reduzir as fontes de variação ao melhorar as
estimativas
Ou seja, enquanto houver valor nos itens à direita,
valorizamos mais os itens à esquerda.
58. Planilha com métricas e simulação de monte carlo
https://bit.ly/2NwgI8C
0
32
187
235
182
117
100
62
36
21
11 6 5 2 1 3
0.00%
20.00%
40.00%
60.00%
80.00%
100.00%
120.00%
0
50
100
150
200
250
0 a 1 1 a 2 2 a 3 3 a 4 4 a 5 5 a 6 6 a 7 7 a 8 8 a 9 9 a 10 10 a
11
11 a
12
12 a
13
13 a
14
14 a
15
15 a
16
Histograma de Entregas - Simulação de Monte Carlo
Frequências % acumulado
59. REFERÊNCIASGRAEML, Alexandre Reis; PEINADO Jurandir. Administração da produção: operações industriais e de serviços. Curitiba: UnicenP, 2007.
DATALYSER. Série – As Sete Ferramentas do Controle da Qualidade – 7FCQ. Disponível em:
<http://www.datalyzer.com.br/site/suporte/administrador/info/arquivos/info44/44.html;. Acesso em Novembro de 2018.
FARIAS, Ana Maria Lima de; LAURENCEL, L. C. Fundamentos de Estatística Aplicada: Módulo I: Estatística Descritiva. Rio de Janeiro/RJ:
Universidade Federal Fluminense, 2000.
http://www.prd.usp.br/disciplinas/docs/pro2712-2005-Alberto_Gregorio/1Ferbasq.pdf
Statistical Methods for Quality Improvement: AOTS, Japão, 1988.
OHNO, T. (1997) - O sistema Toyota de produção além da produção em larga escala. Trad. Cristina Schumacher. Artes Médicas. Porto Alegre.
ROTHER, M. & SHOOK, J. (1999) - Aprendendo a enxergar: mapeando o fluxo de valor para agregar valor e eliminar o desperdício. The Lean
Institute Brasil. São Paulo. STANDARD, C. & DAVIS, D. (1999) - Running today’s factory: a proven strategy for lean manufacturing. Hanser
Gardner Publications. Cincinnati. WARNECKE, H. & HÜSER, M. (1995) - Lean production. International Journal of Production Economics.
Vol.41, p.37-43. WOMACK, J.P.; JONES, D.T. & ROOS, D. (1992) - A máquina que mudou o mundo. Campus. Rio de Janeiro.
MAGENNIS, Troy. The Economic Impact of Software Development Process Choice--Cycle-Time Analysis and Monte Carlo Simulation Results.
In: System Sciences (HICSS), 2015 48th Hawaii International Conference on. IEEE, 2015. p. 5055-5064.
Imagem: http://broadleaf.com.au/resource-material/cost-and-schedule-risk-assessment-risk-factor-modelling
"Moneyball for Software Projects: Agile Metrics for the Metrically Challenged";Troy Magennis goo.gl/VbAEEZ
"High-Level Project Planning using Monte Carlo simulation"; Dimitar Bakardzhiev goo.gl/KkC74b “
#NoEstimates Project Planning using Monte Carlo simulation"; Dimitar Bakardzhiev goo.gl/SDHJYP
"Little's law and predictability"; Daniel Vacanti goo.gl/ETDzg9
"Kanban Metrics in practice at Sky Network Services"; Mattia Battiston goo.gl/tQXqwN
"By the power of metrics";Wolfgang Wiedenroth goo.gl/ebGU3h
"Project planning using Little’s Law"; Dimitar Bakardzhiev goo.gl/rw1X5T
Little, J. D. C., S. C. Graves. 2008. Little’s Law. D. Chhajed, T. J. Lowe,eds. Building Intuition: Insights from Basic Operations Management
Models and Principles. Springer Science + Business Media LLC,New York. J. D. C. Little. Little's law as viewed on its 50th anniversary. Oper.
Res. 59 (2011) 536{539. http://learningagileandlean.wordpress.com/2013/08/01/on-the-practically-useful-properties-of-theweibull-
distribution/
DE FREITAS FILHO, Paulo José. Introdução à modelagem e simulação de sistemas: com aplicações em Arena. Visual Books 2ª edição, 2008.
https://rodrigoalmeidadeoliveira.wordpress.com/2018/08/01/metricas-lean-e-gerenciamento-de-fluxo/
61. Perfil
• Mais de 20 anos de trabalho em T.I.
• Mais de 10 anos de experiência em gestão, em melhoria de
processos de desenvolvimento e qualidade de software
• Kanban Management Professional
• Certified Kanban Coach
• Approved Kanban Professional
• Accredited Training Partner – Lean Kanban
• Project Management Professional (PMP)
• Mestrado em Engenharia e Gestão de Sistemas e Processos, com
ênfase em melhoria e otimização de processos de desenvolvimento e
qualidade de software utilizando metodologias ágeis
• Professor de Pós Graduação e Especialização do IETEC-MG, PUC-MG,
UNA e Faculdade Pitágoras