BT

Disseminando conhecimento e inovação em desenvolvimento de software corporativo.

Contribuir

Tópicos

Escolha a região

Início Notícias Como a previsão estatística pode ajudar a confiar nos dados e impulsionar a agilidade comercial

Como a previsão estatística pode ajudar a confiar nos dados e impulsionar a agilidade comercial

Favoritos

Piotr Leszczynski palestrou na AgileByExample 2018, mostrando os benefícios do uso de métodos de previsão estatística para equipes de software. Leszczynski comentou sobre o benefício mais óbvio, que são melhores estimativas como resultado. O palestrante se concentrou nos benefícios menos óbvios, mas provavelmente mais significativos para a agilidade dos negócios, que incluem:

  • Colaboração e entendimento aprimorados entre as equipes de tecnologia e os stakeholders de produtos e negócios;
  • Melhor coleta de dados e conhecimento comercial do valor dos dados;
  • Processos de planejamento e priorização aprimorados;
  • Confiança dos dados aprimorada.

Leszczynski disse que um dos ganhos mais importantes da previsão estatística foi:

"[...] uma mudança de mentalidade no grupo de produtos, que passou de pessoas falando sobre regressão linear usando médias para criar estimativas, e passou para pessoas discutindo sobre eficiência de fluxo, percentis, distribuições, criando discussões sabendo do que estão falando, não apenas repetindo as palavras de um agile coach".

Muito foi dito sobre por que a previsão estatística supera a estimativa. O tópico #noestimates trouxe um debate e conscientização significativos ao assunto. Para entendermos melhor sobre #noestimates e demais assuntos, podemos ler o livro do Vasco Duarte. Duarte e outros líderes de pensamento como Woody Zuill começaram a questionar a eficácia e até o objetivo de usar estimativas para prever o custo e a linha do tempo de um projeto.

Leszczynski e outros, como Troy Magennis, enfatizam o benefício de usar a previsão estatística para obter melhores estimativas em vez de não fazer estimativas.

Leszczynski demonstra que a previsão probabilística usando o método de Monte Carlo é uma abordagem direta que pode ser aplicada em muitas circunstâncias. Leszczynski forneceu uma série de problemas comuns a serem observados no momento da preparação das previsões, como:

  • Viés de KPIs;
  • Pessoas esquecendo de inserir dados;
  • Taxas de divisão de itens;
  • Tamanho dos itens;
  • Substituição das equipes;
  • Tipos de itens na entrega;
  • Modificações do escopo;
  • Proporção de melhorias técnicas.

Leszczynski comentou:

"Aplicamos o método Monte Carlo ao nosso roadmap de produtos e obtivemos algumas respostas para um período de previsão de três anos. Precisávamos fazer suposições e decidir como validá-las, além de precisarmos ajustar nossos dados para que se se adequassem aos modelos que queríamos usar. Não estávamos satisfeitos com o que os dados nos diziam, mas decidimos confiar mais neles do que no nosso instinto otimista. Criamos uma série de experimentos que podem aproximar a realidade dos negócios as nossas expectativas de entrega. Estamos a quase um ano utilizando este método e algumas mudanças aconteceram. Aprendemos muito."

Se já estivermos desenvolvendo alguma forma de metodologia ágil, Leszczynski demonstra como seria simples adotar essa previsão. Se quisermos saber mais sobre esse assunto, existem muitos recursos no site do Troy Magennis, incluindo detalhes de várias formas de previsão probabilística e ferramentas para ajudar a montar esta visão rapidamente. Magennis disse que, "qualquer método de previsão proposto precisa ser melhor do que o estamos acostumados a fazer, ou pelo menos mais barato com um resultado semelhante".

Principais melhorias na agilidade comercial

Expandir a lista de benefícios, Leszczynski comenta como os benefícios são obtidos:

  • Melhoria na colaboração e entendimento entre equipes de tecnologia e partes interessadas
    A previsão estatística fornece um modelo rastreável que os stakeholders podem seguir (não é um palpite obscuro e difícil de entender). Isso aumenta a confiança no modelo, podendo ver quais variáveis melhoram as previsões, os stakeholders se envolvem mais com as equipes técnicas para melhorar o processo.
  • Melhorar a coleta dos dados e conhecimento comercial do valor do dado
    Uma vez que todos podem ver que a qualidade dos dados afeta diretamente a qualidade das previsões dos prazos de entrega e das vendas, cria-se uma motivação para fornecer dados melhores. A validação de suposições, como o número de melhorias técnicas e a taxa prevista de solicitações de clientes, torna-se importante.
  • Processos aprimorados de planejamento e priorização
    O uso dos modelos gerou clareza sobre os custos da priorização e a importância das previsões produzidas. Isso criou a necessidade de prestar muito mais atenção à priorização dos recursos, especialmente entre diferentes unidades de negócios.
  • Confiança aprimorada dos dados
    A equipe de Piotr fez questão de envolver os stakeholders na negociação de premissas que seriam incluídas no modelo de previsão. Isso permitiu que eles vissem como a equipe respondia às perguntas "Por quê leva tanto tempo?" e "Como reduzir o tempo para obter a minha solicitação?". A equipe técnica forneceu aos empresários orientação sobre como usar o modelo de simulação por conta própria e, como uma reavaliação da previsão era extremamente barata, removeram o medo e os receios em torno da estimativa. Agora tinham pessoas envolvidas na melhoria contínua em nível de negócios.

Avalie esse artigo

Relevância
Estilo/Redação

Conteúdo educacional

HTML é permitido: a,b,br,blockquote,i,li,pre,u,ul,p

HTML é permitido: a,b,br,blockquote,i,li,pre,u,ul,p

BT