Портал №1 по управлению цифровыми
и информационными технологиями

Сколько данных вам нужно для надежного прогнозирования доставки?

Есть несколько вопросов, которые мне задают практически каждый день. Сколько данных нам нужно для надежного прогнозирования доставки? Что делать, если у нас нет исторических данных? Что если у нас много данных, но мы им не доверяем? Как выбрать “скользящее окно” данных для прогнозирования доставки?

Тот факт, что вероятностные прогнозы основаны на ваших прошлых результатах, не означает, что вам нужна тонна данных для составления надежных прогнозов доставки. Независимо от того, собирали ли вы данные с самого начала создания совета директоров или только начинаете работу с новыми командами, это не имеет значения.

 

Сколько данных вам нужно для точного прогнозирования ?

 

Главным условием составления надежных прогнозов является поддержание стабильной системы доставки. Стабильные системы – это системы доставки, оптимизированные для предсказуемости. Если ваша система доставки оптимизирована для предсказуемости, то для получения точных результатов вам потребуется не более 20 или 30 выполненных элементов. Дело не в количестве – все дело в том, чтобы взять под контроль свои методы управления и обеспечить последовательное получение результатов.

Точность ваших прогнозов сильно зависит от стабильности вашей системы. На самом деле, если вы не поддерживаете стабильную систему, ничто не будет работать. Ни один подход не сможет дать вам надежный прогноз.

Учитывая это (предполагая, что у вас есть стабильная система), для составления надежных прогнозов вам необходимо использовать релевантные данные. Как же отличить релевантные данные от нерелевантных?

 

Как отличить релевантные данные от нерелевантных?

 

Если вы недавно изменили свой рабочий процесс, ввели новые политики процесса, если к команде присоединились или покинули ее новые члены, то вам необходимо проследить, как эти изменения повлияли на форму распределения времени цикла и частоты, чтобы отделить релевантные данные от нерелевантных.

Вот здесь-то и пригодится гистограмма времени цикла, а точнее, виджет “Средние тенденции времени цикла”. Используя этот инструмент, вы можете заметить любые изменения в конструкции вашей системы или рабочей практике, отслеживая, как средние тенденции развивались с течением времени.

 

Если есть разрывы, обычно связанные с изменением дизайна системы (надеемся, с намерением улучшить предсказуемость системы доставки), то следует использовать данные только до того момента, когда среднее время цикла остается неизменным.

Другими словами, мы хотим получить гистограмму времени цикла, отражающую текущие условия и возможности команды, незагрязненную старыми данными, которые уже не актуальны.

Анализируя приведенный выше пример, мы хотим использовать данные только с начала августа и далее. Именно в это время команда внедрила простую стратегию вытягивания, которая значительно улучшила предсказуемость рабочего процесса доставки.

Данные до августа 2021 года больше не актуальны. Они не отражают текущий дизайн системы этой команды, и поэтому их не следует использовать в качестве основы для прогнозирования доставки.

 

Что делать, если у вас нет данных, отражающих будущие условия?

 

Допустим, вам нужно спрогнозировать дату сдачи проекта, который выполняется в декабре, когда все уходят на заслуженные каникулы, но у вас нет данных, которые учитывали бы эту ситуацию. Вероятно, возвращаться в прошлое и использовать данные за декабрь предыдущего года нецелесообразно – скорее всего, с тех пор ваша текущая конфигурация значительно изменилась.

В таком случае лучшее, что вы можете сделать, это соответствующим образом уменьшить данные о производительности. Допустим, вы знаете, что в последнюю неделю месяца все будут отдыхать. Тогда вы можете предположить, что снижение уровня доставки за месяц на 30% будет разумным.

Именно здесь вступает в игру фактор масштаба в Монте-Карло.

Relevant forecasting data - Monte Carlo - Scale Factor

 

Коэффициент масштаба используется для сценариев с высокой неопределенностью, когда вы ожидаете резких изменений в пропускной способности системы, но у вас нет данных о прошлой производительности, чтобы учесть это (государственные праздники, кто-то собирается уйти/присоединиться к команде и т.д.).

Шкала 0,5 будет означать, что вы ожидаете, что пропускная способность будет вдвое ниже, 2,0 означает вдвое более высокую пропускную способность. В приведенном выше примере мы ожидаем, что пропускная способность снизится на 30%, поэтому мы установили коэффициент масштабирования на 0,7. Теперь моделирование говорит нам, что если у нас есть объем из 10 задач, и мы начинаем проект 1 декабря, то вероятность того, что проект будет выполнен 7 января, составляет 85%.

Здесь следует сказать несколько слов предостережения! Используйте масштабный коэффициент в крайнем случае и только тогда, когда у вас нет данных для разработки сценария. Если у вас есть данные, и они отражают вашу текущую ситуацию, то, конечно, используйте эти данные.

Если вы не поддерживаете стабильную систему доставки и не контролируете свои методы управления, то даже сбор данных с самого начала создания доски не позволит вам сделать надежные прогнозы доставки.

Если ваша система нестабильна, то разрывы между вашими процентилями будут огромными. Если вы скажете, что вероятность сдачи проекта к 10 декабря составляет 50%, а вероятность сдачи к 30 марта – 85%, никто не купится на такой прогноз.

Итак, вот мой лучший совет. Не стоит слишком сильно беспокоиться о количестве данных, которые необходимо собрать для составления вероятностного прогноза. Вместо этого сосредоточьтесь на стабилизации вашей системы доставки. Чем стабильнее ваша система, тем более предсказуемой она становится.

Подумайте, как работает рабочий процесс, который генерирует эти данные? Дело в том, что если ваша система доставки нестабильна, независимо от используемого метода, ваши прогнозы будут ненадежными. И даже имея в своем распоряжении больше данных, вы не сможете составить точное обязательство по доставке.

И последнее, но, безусловно, не менее важное (на самом деле, я бы сказал, вероятно, наиболее важное), не забывайте регулярно пересматривать свой прогноз, используя данные, отражающие текущие условия.

Постоянное прогнозирование необходимо для того, чтобы убедиться, что вы не отстаете от графика и можете достичь поставленных целей. Регулярная переоценка прогноза позволит вам соответствующим образом скорректировать свой курс и укрепить репутацию надежного поставщика услуг!

Оригинал статьи

 

Flow Metrics: управление потоковым производством на основе данных

 

В октябре мы запустили новый учебный курс «Flow Metrics: управление потоковым производством на основе данных». Новый курс дистанционный, для самостоятельного изучения. Его можно пройти часов за 8-10, хотя доступ мы даём на полгода.

Мы подготовили более 70 паттернов для 7 ключевых метрик потока, чтобы можно было не столько читать теорию, сколько тренироваться на практике, на графиках и диаграммах, а их на курсе больше 170.

Поэтому если вы неравнодушны к словам «поток создания ценности» и «измеримые показатели», то приглашаем вас посмотреть на наш новый курс.

По запросу мы предоставляем демонстрационный доступ к первым разделам курса.

«Kanban Flow Metrics: управление потоковым производством на основе данных»
Тренажёр про метрики на реальных примерах

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

DevOps
Kanban
ITSM
ITIL
PRINCE2
Agile
Lean
TOGAF
ITAM