Вышел мой не типичный доклад с beetech. Где я рассказываю историю становления Тимлида без обучения через пример личного опыта.

В этой истории начинающему Тимлиду повезло с тем, что у него появился нужный руководитель который помог состоятся в нужное направление и перестать быть "красным" управленцем

Ссылка на атипичное выступление:
https://youtu.be/EgdZtZJDaUo?si=MvXpb53TYl09sIN-

#доклады

Вы знаете, я все еще публикую обновления jira-helper хотя совершенно нет времени на его развитие.

Сегодня сделал публикацию новой версии, в которой добавили возможность сделать условие "ИЛИ" для WIP-лимитов по значению полей.

Спасибо за обновку Сергею.

А после посмотрел статистику использвоания плагина

И тут возник вопрос, с чем можно связывать поведение графика?

Как вы считаете, какие ваши гипотезы?

#проинструменты

В комментариях в кодкасту от Skyeng где с ребятами душевно поговорили про проблемы метрик, их восприятие, зачем они нужны, справедливо заметили, что конкретики с каких метрик начать все таки не дали тему.

А так как тут уже опытные есть.

А так же есть не опытные, давайте соберём список метрик для начинающего

С пометкой, зачем нужно ее использовать.

Творим добро

#артефакт
#подкаст

Сложная это работа - масштабировать культуру метрик.
Создавая упрощения невольно приводим к тому, что возникают "адепты своего дела", которые под слоганом "Избавится от карго-культа" порождают свой "культ" не менее "карго".

Самое грустное в этом, это уныние которое поглощает с головой когда слушаешь таких "адептов своего дела", о том как они борются с "плохими практиками" и "карго-культом" предлагая использовать методики оценки из книги Майка Кона, и верят, что правильный "скрам" это про продуктовую разработку, а "правильный" это та модель организации в которой есть наказание за то, что команда не успела создать инкремент за спринт. Но, спросить с команды "какого х*я (почему) они не успели" - это не наказание, это дисциплина.

Возможно я упускаю важную часть процессов в компании и мало уделяю внимания найму. Но, так хочется рассуждать о действительно полезных инструментах которые помогают командам в достижении своих целей, а не в том как создать синтетическую метрику для пыташной.

Хорошо, что таких меньшинство, плохо то, что они кричат громче.
Хорошо, что их логика легко ломается о факты.
Плохо, что в их убеждения есть верующие.

Пройдет какое-то время, и о введенной культуре метрик будут говорить тоже самое…

#мысливслух

Всех программистов с праздником.

Именно сегодня 2^8 день в году!

#забавное

Делаю сборник всех Канбан-Метрик с описанием того когда имеет смысл их использовать и для чего.

Изначально материал взят с KU, но я его дорабатываю, и перерабатываю.

Я конечно, еще не закончил эту работу, но постепенно иду к завершению.

Думаю что если кто-то в сообществе будет готов присоединится, это сильно поможет быстрее собрать такой материал!

Сам материал тут: https://unidraw.io/board/b05a2ae081007f362709

Финальная цель — понятно разъяснить какие метрики когда имеет смысл употреблять.

Если кто-то хочет присоединится к работе, напишите в треде
"Добавь меня в редакторы"

#артефакты

Завершил добовление описания метрик.

Теперь необходимо, чтобы все, кто заявился помочь, провели ревью, отметив красными стикерами места, которые стоит дополнить.

https://unidraw.io/board/b05a2ae081007f362709

#артефакты

Уже на конфе FrontendConf 2024

Выступил на конференции FrontendConf 2024.

Удивительно, но ко мне в аудиторию пришло много человек, я ожидал куда меньше.

Все таки это конференция frontend разработчиков

Как и было много вопросов.
Мой доклад назывался "как обосновать наим и сроки используя метрики"

Где рассказал и про Lead Time, и затронули тему со Story Points, и Монте-Карло.

Очевидно, что не все о чем говорили было понятно аудитории, но вопросов и кулуарных обсуждений после было достаточно.

Спасибо организаторам за приглашение.

#благодарности

Что такое “Парадокс Симпсона”?

Парадокс Симпсона — это явление в статистике, при котором тенденция, наблюдаемая в нескольких группах данных, меняется или даже обращается вспять, когда эти группы объединяются.

Причины парадокса:

— Неоднородность данных: группы могут быть несбалансированными по скрытым переменным. Например: в вашем трекере под одним типом задач скрываются другие.

— Влияние “мешающих факторов”: Эти переменные искажают общую картину. Например, в трекере в котором изменяете позицию задач в вашей команде забывают перемещать эти задачи, нарушая статистку, так что это фактически влияет на результаты измерений.

Как избежать:

— Анализировать данные с учетом стратификации, что значит разделения на подгруппы.

— Искать скрытые факторы, которые могут влиять на результат.

Ссылки на видео:
- Видео об этом на VK Video
- Видео об этом на Youtube

#интересное

Добавил пример показывающий разницу восприятия времени решения задач в разного уровня организаций, с приведением примера как может рассчитываться Lead Time

Возможно этот пример даст больше понимания между в чем соль в этих Lead TIme-ах на разных уровнях организаций

И о том, что когда говорят о Lead Time общающийся могут иметь ввиду совершенно разное.

Пример тут

#артефакты

Интересно, кто-либо когда-либо использовал визуализацию падения проектов в АД?

https://unidraw.io/board/6940c724b4255f6c81e2

Я несколько раз встречал такое наглядное представление, которое позволяет быстро обсудить проблемы по движению проектов к завершению.

Однако, видимо имплементация по синхронизации с современными инструментами трекинга и других инструментов введения проектов не позволяет сделать такую достаточно информативную визуализацию.

Но все же, может быть был у кого-то такой опыт

#артефакты

Представьте что вы владелец среднего/крупного бизнеса в индустрии интеллектуального турда.

У вас в подчинении есть мидл-менеджмент

Каким образом вы бы оценили компетентность вашего менеджмента?

По какой системе вы бы оценивали мидл-менеджмент?

По какой системе вы бы оценили линейный менеджмент?

Если мы знаем, что
- хотим получать результат
- менеджеры тоже люди, и они ошибаются
- советы 45 татуировок менеджера, хорошо работают в области откуда они появились - продажи

Давайте рассмотрим ваши предложения в комментариях

#мысливслух
#задачки

Накинул еще досочку с "Жизненные циклы получения ценности"

Выдернул мысль из Triage Table.

Думаю, что можно сделать хороший контент рядом, с объяснением из "Triage Table" по тому как строится выбор "а что брать первым".

Пока совсем концепт

#артефакты

Похоже, что первая итерация правок по "Kanban метрикам" прошла удачно.

Явно есть над чем поработать.
— Улучшить визуализацию в общей схеме - есть предложение по добавлению свимлайнов
— сново сделать вычитку текста и поправить, возмоэно не плохо если будут ссылки на отдельные элементы с объяснением разных абвиатур (в отжельном блоке расскруть лучше)
— расскрыть понятие метрик из F4P, которое пересикается с тем, что есть в описании метрик

Особая благодарность за добавленные новые типы визуализаций соавторам которые присоеденились к ревью.

Давайте сделаем еще одну итерацию.
Прошу обратить внимание на понятность текстов.

Будет хорошо, елси отметим стикерами слова "очередь" где об этом аписано вместо "поток".

#артефакты

Давеча общался с коллегой из Сбер @den_sokolov про, то что собираемых метриках, а частности "Lead Time" есть граничные условия, в рамках которых данные из этих распределений могут давать слабое представление о фактической картине.

Какие эти граничные условия могут быть?
- мало данных
- очень длинные хвосты
- грязные данные

Денис проводит исследование на масштабе своей компании, пробуя ответить на вопрос: "А можно ли доверять данным, которые собираются для этой команды?"

И вопрос сам по себе очень крутой, потому, как исследуя данные на большом масштабе, нам надо понять и ответ - а какому проценту данных мы можем доверять?

Если мы можем создать критерий оценки для выявления такой проблемы, тогда мы можем создать и действие для улучшения процесса. Так можно принять за правило утверждение — если у вас плохо собираются данные, значит у вас плохо с процессами.

Ну, ок, Павел, вы мне скажете, а как можно вообще увидеть о какой проблеме ты говоришь?

Вот вам визуальных примеров чтобы понять о чем идет речь, на примере данных одной команды.

Что же делать когда данных не хватает?
1. Постараться настроить так, чтобы данные все же собирались
2. Для прогнозирования методом Монте-Карло попробовать воспользоваться интерполяцией закона Вэйбула к тем данным которые у вас есть.

А как увидеть это в масштабе?
Я бы это сделал так - привел бы интерполяцию по Вэйбулу, а дальше выбрал бы спектр процентилей от 85% по 98% и смотрел бы на сколько это отклонение данных существует.
Денис же предложил иной способ.

Буду надеяться, что Денис скоро поделится результатами своих исследований, а мы с ним как-нибудь устроим в этом канале голосовой подкастик. Где обсудим всякое про метрики.

P.S. Вспомним ли про “Парадокс Симпсона.”

#интересное
#артефакты

Вышло видео с CodeFest моего доклада
Я думаю, что есть и спорные моменты в моем докладе
https://www.youtube.com/watch?v=KDP3IOpzgrM

#доклады
#артефакты