Metriche Kanban in pratica a Sky UK [ITA]

MetricheKanban

in pratica @ Sky UK

GOOD

CRAP

AWESOME!

@BattistonMattia

About me

● ~2 anni @ Sky Network Services, Londra

● software dev & continuous improvement

● Kanban “helper”

Mattia Battiston

@BattistonMattia

mattia.battiston@gmail.com

Ciao!

Perché siamo qui?

ESPERIENZA

PERCHÉ

COME

MIGLIORAMENTO

LEZIONIIMPARATE

FORECASTING

Kan...ché?

conoscenza di base di Kanban aiuta(WIP limits, lead time, batches, etc.)

Metriche - Perché?

#1: miglioramento continuo #2: prevedere il futuro

Ma le metriche non erano cattive?

Problemi tipici:- si imbroglia- disfunzioni

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

Il nostro sistema

Iteration-Based

On-demand

Direct

Come raccogliamo i dati?

SpreadsheetInput: dettagli della storia; inizio & durata di ogni stato;

(Poca) Matematica● Min, Max

Normal: data is distributed around a central valuee.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

● Mediaavg(1,2,2,2,3,14) = (1+2+2+2+3+14)/6 = 4

● Mediana: separa metà alta e metà bassa. Meno influenzata da outliermedian(1,2,2,2,3,14) = 2

● Moda: valore più frequentemode(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:

Cumulative Flow DiagramDescrizione: Per ogni giorno mostra quante storie sono in ogni stato

no. s

torie

giorni

Cumulative Flow Diagram● Obiettivo: retrospettiva (con un buon facilitatore)

● Obiettivo: dimostra l’efficacia dei cambiamenti

cambio WIP limit in DEV: da 3 a 2

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

DELIVERY

DATE

CFD Patterns

(fonte: CFD article by Pawel Brodzinski)

growing lines: indicate large WIP + context switching. action: use WIP limits

stairs: indicates large batches and timeboxesaction: move towards flow (lower WIP,

more releases, cross-functional people)

flat lines: nothing’s moving on the boardaction: investigate blockers, focus on finishing, split in

smaller stories

single flat line: testing bottleneckaction: investigate blockers, pair with testers,

automate more

typical timeboxed iterationdropping lines: items going backaction: improve policies

metriche perDelivery

Time

Control ChartDescrizione: 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

cycl

e tim

e (g

g)

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

Lead Time distribution

WEIBULL DISTRIBUTION

50%

85%

cycle time (gg)

no. s

torie

Descrizione: Per ogni lead time (n. giorni), quante storie hanno impiegato così a lungo.Utile mostrarlo in percentuale per conoscere la probabilità.

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

Cycle Time vs Release Prep. Time

storie

gior

ni

Descrizione: Per ogni storia mostra quanto ha speso nell’iterazione e in release preparation. Usato per discutere il costo di rilasci poco frequenti

metriche perPrevedibilità

Iteration Throughput

iterazione

no. s

torie

com

plet

ate

Descrizione: Numero di storie completate in una iterazione

WIP

iterazione

med

ia(W

IP g

iorn

alie

ro)

Descrizione: Per ogni iterazione, la media del WIP giornaliero

Little’s Law

more visible here

Descrizione: Lead Time = WIP / ThroughputDimostra che quando WIP scende, il Lead Time diminuisce e il Throughput cresce

Points vs Cycle Timecy

cle

time

(gg)

story points

Descrizione: Mostra scarsa correlazione tra punti stimati e cycle time reale

Disney StationsDescrizione: Come in coda a Disneyland. “Quanto tempo qui? Quanto tempo da qui?”

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

metriche perQualità

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

metriche perMiglioramento

Continuo

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

Time in status

tem

po in

sta

to (

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

tem

po in

sta

to (

%)

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

Retrospettiva

RisorseLibri

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 StudiesSiemens 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)

Grazie!

@BattistonMattia

mattia.battiston@gmail.com

molto, molto apprezzato! Aiutami a migliorare