TDC2018SP | Trilha Kanban - Visualizando o lead time de multiplos times

Trilha - Kanban e Lean
Daniel Araújo Domingues
desenvolvedor e curioso

Agenda
● Analisando o leadtime de múltiplos times
■ Cenário
■ Inspirações
■ Gráfico de um time
■ Gráfico de múltiplos times
○ RawGraphs
○ Conclusão

Analisando o leadtime de
múltiplos times
Uma visualização objetiva para uma tomada de ações assertiva
v1.1 (completa com os slides de observação) palavras-chave: gestão, equipes, estatística, métricas, leadtime, kanban, visualização, gráficos, r, data science

antes de prosseguir…
Aviso sobre o cenário e a massa de dados utilizada
O cenário foi baseado em:
● experiência própria
● entrevista informal com desenvolvedores e gerentes de
empresas públicas e privadas
● relatos explícitos feitos em eventos e artigos
A massa foi:
● extraída de base real
● descaracterizada
● em alguns casos levemente manipulada para destacar
visualmente algumas situações
!

A grande questão:
Como posso?
Como consigo?

Resposta padrão:
Controle e Burocracia

Toda informação:
● tem um custo para a sua obtenção e
sua manutenção
● pode ter um preço mais alto do que o
benefício proporcionado
Você sabe o custo-benefício da
informação desejada?

Como o Demolidor, só que não:
Bate sem ver, acerta todo mundo
e o que resolver é lucro!

“Não faça de
sua falta de
gestão o meu
desespero…”
membro de um time
pressionado injustamente

Cenário observado pelo gestor ou PMO
Fato:
● várias equipes
● produtos, negócio e clientes
diferentes
● impossibilidade de
planejamento mínimo
● clientes e equipes
sinalizando possíveis
problemas
● cenário de um time é
diferente do outro
Como posso ajudar os times e a empresa?
● como está a variabilidade?
● há situações atípicas?
● e os papéis fundamentais?
○ pessoas com perfil certo? pessoas capacitadas?
● onde atuar?
○ dentro do time? fatores externos ao time?
● falta de apoio?
○ mea culpa?
● como deve ser minha ação?
○ padronizada a todos? específica em um time?

O objetivo de uma visualização ampla não é
duplicar a carga com burocracia nas equipes
ou fomentar disputas entre elas.
O objetivo é fornecer informação útil à gestão
para que essa possa atuar e ajudar
efetivamente as equipes mantendo-as mais
focadas em seus trabalhos.

Ministério da Saúde adverte:
O aumento de pressão e de controle no time de forma
indiscriminada, sem análise do problema e com soluções
aleatórias, pode diminuir drasticamente a motivação das
pessoas e a produtividade das equipes.
O uso das métricas deve ser de forma consciente.
Se persistirem os “não-saber-o-que-fazeres”,
o especialista ou o coach deve ser consultado.

Cuidado 1: O uso errado das métricas
infelizmente…
muitas vezes são usadas para cobrar e bater
quando mal utilizadas, geram conflitos
não necessariamente promovem melhorias

Cuidado 2: O uso errado da média
usá-la pura e simplesmente não é legal...
não informa a variação / margem
não informa a concentração e amplitude
precisa de uma boa ajuda para ser mais útil em cenários complexos

Primeiros passos: Estatística básica
(e não sair muito disso senão complica!)
dispersão e concentração:
média truncada → Média desprezando os extremos
assimetria → Diferença entre média e mediana média - mediana
distribuição → histograma, quartil, decil ou percentil
variação → Desvio padrão e coeficiente de variação média / desvio padrão
visualmente identificar:
exceções → Atípicos ou outliers
tendência → Crescendo ou decrescendo?

Inspirações 1 (distribuição)
https://medium.com/hip%C3%B3tese-nula/tia-precisamos-falar-sobre-a-m%C3%A9dia-f6c5031bfb6e

https://pt.wikipedia.org/wiki/Amplitude_interquartil http://visualoop.com/blog/32470/a-look-at-box-plots

média < mediana < moda
maior concentração de
valores maiores
média menor
moda < mediana < média
maior concentração de
valores menores
média maior
http://soniavieira.blogspot.com/2017/01/meus-dados-sao-normais.html
Cauda puxa a média
(ou a média puxa a cauda?)
Maior concentração no
lado oposto da cauda

Inspirações 2 (lead time distribution)
http://blog.plataformatec.com.br/2017/08/metricas-ageis-o-que-lead-time-fala-sobre-seu-projeto/ (Rafael Albino)
margem do palpite seguro

Gráfico de lead time como um time (de um ou todos os times juntos)
boxplot(df$Leadtime) stripchart(df$Leadtime,method = "jitter", jitter = 1)

Gráfico de lead time como um time (de um ou todos os times juntos)

Código em R → simples com boa informação
> describe(df)
df
3 Variables 697 Observations
----------------------------------------------------------------------------------------------------
Lotacao
n missing distinct
697 0 15
Value e01 e03 e04 e05 e06 e07 e09 e10 e11 e12 e15 e16 e17 e18 e20
Frequency 195 32 3 2 14 11 3 3 4 3 66 34 1 1 325
Proportion 0.280 0.046 0.004 0.003 0.020 0.016 0.004 0.004 0.006 0.004 0.095 0.049 0.001 0.001 0.466
----------------------------------------------------------------------------------------------------
Lote
n missing distinct Info Mean Gmd .05 .10 .25 .50 .75
697 0 697 1 1295928 87911 1160204 1194264 1256257 1290915 1359787
.90 .95
1394495 1414782
lowest : 1052363 1054107 1075736 1090835 1103900, highest: 1435311 1436350 1437055 1439391 1440184
----------------------------------------------------------------------------------------------------
Leadtime
n missing distinct Info Mean Gmd .05 .10 .25 .50 .75
697 0 117 0.974 34.13 46.86 1 1 1 11 39
.90 .95
109 172
lowest : 1 2 3 4 5, highest: 206 210 217 218 219
----------------------------------------------------------------------------------------------------
> df
Lotacao Lote Leadtime
1 e01 1197891 7
2 e01 1197893 23
3 e01 1251528 206
... ... ... ...
12 e01 1262178 182
13 e01 1262192 190
14 e01 1262237 176
...
> summary(df$Leadtime~df$Lotacao)
df$Leadtime N= 697
+----------+-----+---+-----------+
| | |N |df$Leadtime|
+----------+-----+---+-----------+
|df$Lotacao| e01|195|46.671795 |
| | e03| 32|53.593750 |
| | e04| 3|43.666667 |
| | e05| 2| 1.000000 |
| | e06| 14|23.000000 |
| | e07| 11|12.000000 |
| ... | ...| ..| ... |
| | e18| 1|77.000000 |
| | e20|325|28.135385 |
+----------+-----+---+-----------+
|Overall | |697|34.130560 |
+----------+-----+---+-----------+

Histograma do leadtime de vários times
histogram(~Leadtime | as.character(Lotacao), data = df, xlab="Leadtime em dias")
plot(data=df,Leadtime~Lote, ...)
abline(lm(df$Leadtime~df$Lote), col="red")
plot(density(df$Leadtime)

Gráfico de lead time de vários times
vermelha: média geral
azul: média truncada (80% central)

Código em R
setwd("~/Projects/statistcs/leadtime")
file <- "leadtime.csv"
mydata <- read.csv(file, sep="|") # read csv file
meant <- function(x) {mean(x,trim=0.1)}
library(ggplot2)
p <- ggplot(df, aes(x=Lotacao, y=Leadtime)) +
ggtitle("Leadtime", subtitle = "Leadtime por lotação do DESPO - 2017") +
geom_hline(yintercept=mean(df$Leadtime), color="red") +
geom_hline(yintercept=meant(df$Leadtime), color="blue") +
geom_jitter(shape=16, position=position_jitter(0)) +
geom_boxplot(outlier.colour="red", outlier.shape=15, outlier.size=2, outlier.alpha=0.9)
p + theme(axis.text = element_text(size = 8))
p + stat_summary(fun.y=mean, geom="point", shape=4, size=1, colour="red") +
stat_summary(fun.y=meant, geom="point", shape=3, size=1, colour="blue")

Gráfico de lead time de vários times com caixas
azul: média truncada (80% central)
pontos vermelhos: atípicos

Sobre o surgimento do Pirate Plot
Bons “plots” deveriam mostrar a RDI: dados brutos, estatística descritiva e
dados inferenciais. A maioria mostra um só deles; gráfico de violino e de feijão
melhoram a plotagem básica com barras e caixa, mas ainda não atende aos
três objetivos.
A good plot needs to show more than just a single summary statistic. Instead, it should have the trifecta of three attributes that I call RDI: Raw
data, Descriptive statistics, and Inferential data. Most plots that people use show just one of these attributes. Recent plot types like violin plots
and beanplots (Kampstra, 2008) are huge improvements over basic bar and box plots, but they still don’t hit on the full RDI trifecta.
https://www.r-bloggers.com/the-pirate-plot-an-r-pirates-favorite-plot/

Incrementos e possíveis melhorias → pirata
https://www.r-bloggers.com/the-pirate-plot-2-0-the-rdi-plotting-choice-of-r-pirates/ https://www.r-bloggers.com/the-yarrr-package-0-0-8-is-finally-on-cran/

Incrementos e possíveis melhorias → caixa + curva + violino ou feijão
http://gnuplot.sourceforge.net/demo/violinplot.htm http://www.gersonides.com/box/l

Código em R
getMin <- function(x) {quantile(x, probs=c(0.75))}
getMax <- function(x) {quantile(x, probs=c(0.95))}
p <- ggplot(df, aes(x=Lotacao, y=Leadtime)) +
ggtitle("Diagrama de violino com caixas", subtitle = "Leadtime por lotação") +
geom_hline(yintercept=mean(df$Leadtime), color="red") +
geom_hline(yintercept=meant(df$Leadtime), color="blue") +
geom_hline(yintercept=getMin(df$Leadtime), color="black") +
geom_hline(yintercept=getMax(df$Leadtime), color="black") +
geom_jitter(shape=16, position=position_jitter(0)) +
geom_violin(scale="width", aes(fill=Lotacao, color=Lotacao)) +
geom_boxplot(outlier.colour="gray", outlier.shape=20,
outlier.size=2, outlier.alpha=0.9, width=0.1)
p + theme(axis.text = element_text(size = 8))
p + stat_summary(fun.y=mean, geom="point", shape=4, size=2, colour="red") +
stat_summary(fun.y=meant, geom="point", shape=3, size=2, colour="blue") +
stat_summary(fun.y=getMin, geom="point", shape=17, size=3, colour="black") +
stat_summary(fun.y=getMax, geom="point", shape=15, size=3, colour="black")

Gráfico de lead time de vários times completo (será?)

tendência por time usando
regressão linear
V ou ⬇
tendência de diminuição do
leadtime
(coeficiente negativo)
/ ou ⬆
tendência de aumento do
leadtime
(coeficiente positivo)

Código em R
pirateplot(
formula = Leadtime ~ as.character(Lotacao),
data = df,
main = "Leadtime por Lotação",
xlab = "Lotação",
ylab = "Leadtime",
theme = 2,
cap.beans = TRUE,
back.col = transparent("blue", .95),
gl.col = "gray", gl.lwd = c(.75, 0),
inf.f.o = .5, inf.disp = "bean",
bean.b.o = .3, bean.f.o = 0.5,
quant = c(.75, .9), quant.length = 0.2,
quant.col = "black", quant.lwd = 2
)
abline(h = mean(df$Leadtime), lty = 2, col = rgb(1,0,0,0.3))
abline(h = median(df$Leadtime), lty = 2, col = rgb(0,0,1,0.3))
abline(h = quantile(df$Leadtime, probs = c(75,90)/100), lty = 2, col = rgb(0,0,0,0.3))

atípicos por time e geral (pontos acima das marcas)
estimativa de segurança para entrega por time e geral (q=75..95)
tendência central e densidade por time (média com desvio padrão)
contorno com a densidade
concentração de entregas por time e geral
azul: média interna/truncada (95% centrais)
verde: mediana

Identificar possíveis problemas, gargalos e pontos fracos
para melhorar o trabalho dos times, estimativas e o planejamento.

Gráfico de lead time de vários times → melhorias
★ dar destaque ao
que é usualmente
mais relevante
★ ajustar as cores
★ melhorar a exibição
de tendência
★ melhorar a exibição
da medidas centrais
individuais e do todo
★ adicionar novas
informações sem
prejudicar a
visualização das
demais
foco no desenvolvimento e
entregas sustentáveis

RAWGraphs
para visualização ad hoc

RAWGraphs → https://rawgraphs.io

Uma análise visual com os dados
agrupados permite identificar situações
indesejadas no grupo de ocorrência.
A partir dessa análise, o gestor ou o
escritório podem priorizar quais pontos
são mais importantes para a estratégia de
empresa, respeitando sua capacidade e a
capacidade dos times.

informação com
qualidade e
postura proativa
para a melhoria
conjunta

Qualidade:
● informação certa
● momento certo
● público certo
● formato certo
● a um custo adequado

A informação com
qualidade é essencial
para uma boa gestão
ou para uma boa
governança exercer
sua função e servir e
apoiar as equipes.

Obrigado!
/danielaraujodomingues
@dadomingues

TDC2018SP | Trilha Kanban - Visualizando o lead time de multiplos times

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a TDC2018SP | Trilha Kanban - Visualizando o lead time de multiplos times

Semelhante a TDC2018SP | Trilha Kanban - Visualizando o lead time de multiplos times (20)

Mais de tdc-globalcode

Mais de tdc-globalcode (20)

Último

Último (20)

TDC2018SP | Trilha Kanban - Visualizando o lead time de multiplos times