Previsibilidade na gestão de fluxo kanban

1. Métricas & Forecasting
Não perca (seu raro e precioso) tempo fazendo estimativas!

2. Não estime
• Ao invés de produzir algo de valor, você
está desperdiçando seu tempo
• Apesar de tudo, não existe razão ou fato
lógico-matemático que nos leve a crer
que, se a história A é mais complexa do
que a história B então certamente a
história A tomará mais tempo para
terminar do que a história B.
https://rodrigoalmeidadeoliveira.wordpress.com/2018/09/18/estimar-ou-nao-estimar/

5. E não apenas um pouco errado.
Muito errado

6. Vejamos

7. Saiba quantos dados precisamos prever

8. Amostragem
Uma maneira de usar os dados que temos
para fazer predições e previsões
Ela ajuda a descobrir a faixa de valores
possíveis de forma rápida e confiável

9. Com que rapidez descobrimos um intervalo de valores
por amostragem?
Por quê? Qual a velocidade que obtemos a contagem
de estórias, o tamanho da história, a velocidade, o
rendimento, o tempo de ciclo, e que nos deixa
confiantes de estarmos com as estimativas corretas?

10. Menor
amostra até
agora
Máximo atual
Minimo atual
Maior amostra
até agora
Q. Em média, qual é a chance da 4ª
amostra estar entre a faixa vista após 3
amostras aleatórias?
(sem duplicatas, distribuição uniforme)?
A. ?1
2
3
4

11. Menor amostra
até agora
Máximo atual
Minimo atual
Maior amostra
até agora
Q. Em média, qual é a chance da 4ª
amostra estar entre a faixa vista após 3
amostras aleatórias? (sem duplicatas,
distribuição uniforme)
A. ?1
2
3
4
25%
25%
25% de chance de ser maior
que a anterior mais alta
25% de chance de ser menor
que a anterior mais baixa

12. Menor
amostra até
agora
Máximo atual
Minimo atual
Maior amostra
até agora
Q. Em média, qual é a chance da 4ª
amostra estar entre a faixa vista após 3
amostras aleatórias? (sem duplicatas,
distribuição uniforme)
A. ?1
2
3
4
25%
25%
25% de chance de ser maior
que a anterior mais alta
25% de chance de ser menor
que a anterior mais baixa
A. 50%
% = (n – 1)/(n+1)
% = (3-1)/(3+1)
% = 2/4 = 1/2
% = 0.5

13. 13
Máximo atual
Minimo atual
8,5% de chance de ser
maior que a anterior mais
alta
8,5% de chance de ser
menor que a anterior
mais baixa
Maior amostra
até agora
Menor amostra
até agora
Q. Em média, qual é a chance da 12ª
amostra estar entre o intervalo visto
após 11 amostras aleatórias?
(sem duplicatas, distribuição uniforme)
A. 83%
% = (n-1)/(n+1)
% = (11-1)/(11+1)
% = 0.833
1
2
3
4
5
6
7
8
9
10
11
12

14. Intervalos de Previsão
• "N" = número de amostras anteriores
• % chance da próxima amostra no intervalo
anterior para contagem de amostra anterior
n (n-1)/(n+1) n (n-1)/(n+1)
2 33% 16 88%
3 50% 17 89%
4 60% 18 89%
5 67% 19 90%
6 71% 20 90%
7 75% 21 91%
8 78% 22 91%
9 80% 23 92%
10 82% 24 92%
11 83% 25 92%
12 85% 26 93%
13 86% 27 93%
14 87% 28 93%
15 88% 29 93%
30 94%
0,0%
20,0%
40,0%
60,0%
80,0%
100,0%
120,0%
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97
Limite de amostras
(1 - (1 / n – 1)) (n-1)/(n+1)

15. Quanto tempo você
leva para chegar ao
trabalho de manhã?

16. depende...

17. AQUI TEM UMA
VAGA!

18. AQUI TEM UMA
VAGA!

19. Métricas nas Práticas Kanban
1.Visualize
2.Limit WIP
3.Gerencie o fluxo
4.Torne as políticas explicitas
5.Implementar loops de feedback
6. Melhorar Colaborativamente, Evoluir
Experimentalmente
(usando modelos / método científico)

20. Métricas nas Práticas Kanban
1.Visualize
2.Limit WIP
3.Gerencie o fluxo
4.Torne as políticas explicitas
5.Implementar loops de feedback
6. Melhorar Colaborativamente, Evoluir
Experimentalmente
(usando modelos / método científico)

21. As métricas podem ajudar você a
entender melhor sua demanda e
capacidade

23. 50º percentil:
20 dias ou menos

24. 70º percentil:
35 dias ou menos

25. 85º percentil:
62 dias ou menos

26. 95º percentil:
104 dias ou menos
Powered by

27. Percentis e intervalo de confiança
• Faixa de valores possíveis para a magnitude (risco relativo) real do efeito.
• Temos X% de chance do intervalo conter o verdadeiro valor da média populacional.
• Em vez de estimar o parâmetro por um único valor, é dado um intervalo de
estimativas prováveis.

28. https://connected-knowledge.com/page/4/
Não ignore as caudas longas

29. https://connected-knowledge.com/page/4/
Alexy Zheglov
@az1Eu

30. 85º dos itens gastam até 62 dias ou
menos para serem finalizados
Powered by

31. Lead time
WIPPowered by

33. CFD – Cumulative Flow Diagram
Meça e Gerencie o Fluxo
http://leanguru.pro/the-cumulative-flow-chart-cfd-in-a-nutshell/.
Gráfico que exibe o progresso de um
processo
Nunca decresce
Evidencia problemas
Ajuda a buscar a estabilidade de fluxo
Mostra gargalos
Deixa claro onde estamos com sobrecarga
de trabalho e onde temos restrições

34. Simulação de Monte Carlo

35. Simulação de Monte Carlo
Um primeiro exemplo...
Determinando o valor de 𝜋 a partir de simulações estatísticas.
–Imagine um alvo (de raio 1) inscrito em um quadro (de lado 2).
–A ideia é atirar, aleatoriamente, um grande número de dardos e contabilizar quantos
caem dentro do alvo.
–O valor de 𝜋 pode ser aproximado pela razão entre as áreas das figuras ou, de forma
equivalente, pelo número de dardos que caem em uma ou outra região.
–Quanto maior o número de pontos, melhor a aproximação.

36. Simulação de Monte Carlo
Integração numérica
Determinando o valor de 𝜋 a partir de simulações estatísticas.
Na verdade, o método pode ser aplicado para qualquer problema de
integração numérica...
– Seja 𝐴 a área do retângulo que envolve a região de integração de interesse:

38. Simulação de Monte Carlo

39. Simulação de Monte Carlo

40. Simulação de Monte Carlo

41. Simulação de Monte Carlo

42. Simulação de Monte Carlo

43. Quando este processo é realizado com uma grande
massa de dados e por milhares de vezes, os valores
obtidos guardam uma estreita semelhança com os valores
reais no que se refere a variáveis randômicas.
Método de Monte Carlo

44. Teoria das Filas
“O número médio de itens de trabalho em um sistema estável é
igual à taxa de conclusão média, multiplicada pelo tempo médio
no sistema.”
John Little, 1961

45. Lead time =
𝑊𝐼𝑃
𝑇ℎ𝑟𝑜𝑢𝑔ℎ𝑝𝑢𝑡
45
Teoria das Filas

46. • Wait Time + Touch Time = Lead Time
• WIP = Lead Time x Throughput
• Lead Time = WIP / Throughput
• Throughput = WIP / Lead Time
Teoria das Filas

47. Teoria das Restrições
A Meta (Eliyahu Goldratt)
O processo tem a velocidade do seus
gargalos.

48. Teoria das Restrições
A Meta (Eliyahu Goldratt)

49. Métricas e Forecasting
Lei de Little
Teoria das Restrições
Método de Monte Carlo

50. Métricas suportam mudanças

51. Fitness Criteria
"Critérios de adequação são métricas que medem o valor do cliente
ao selecionar um serviço várias vezes."
- Tempo de entrega
- Qualidade
- Previsibilidade
- Segurança (conformidade com
requisitos regulamentares)
David J. Anderson
@lki_djaEu

52. Fique atento:
• Nunca use uma média para comunicar uma previsão.
• Nunca utilize o resultado mais provável para comunicar uma previsão; o
resultado mais provável não é muito provável. Seus dados de tempo de ciclo
não são normalmente distribuídos por isso não assuma isso ao fazer
previsões.
• Estimativa e planejamento geralmente servem para tornar seu processo
menos previsível e não mais previsível.
• Não há quase nenhuma correlação entre uma estimativa de ponto de história
e o tempo decorrido que leva para que um item seja concluído.
• Não há necessidade de itens do mesmo tamanho para a previsão. Muito, se
não a maioria da imprevisibilidade, em seu processo é devido às políticas
frágeis que estão implementadas no seu sistema puxado.
• Implementado incorretamente, as políticas de sistema puxado do seu
processo serão tão bem-sucedidas quanto o Titanic.

53. Estimativas x Lead Time.
É possível ser previsível com o que este gráfico nos mostra?

54. Diversas são as fontes de variabilidade que impactam diretamente nas estimativas criadas.
Quantas, além destas, você pode identificar?
• WIP alto ou sem limite
• Tecnologia / domínio / produto
• Composição de time
• Usuário, cliente e representante do cliente
• Multitarefa / falta de foco
• Mercado e concorrentes
• Dependências do sistema
• Dependências de equipe
• Especialização
• Aguardando disponibilidade
• Retrabalho
• Etapas / handoffs (50% * 50% * 50% …)
• Estágios no desenvolvimento da equipe (Tuckman)
• Política de seleção
• Complicação essencial (quão difícil é problema é por si só)

55. O que você pode fazer sobre a variação?
• WIP baixo e limitado
• ConWIP / WIP Sistema (em todo o sistema, ao invés de ser somente
por coluna)
• Cinco etapas de foco para eliminar restrições (TOC)
• Agrupamento de bloqueadores
• Reduza os estágios do fluxo de trabalho
• Políticas explícitas
• Custo de programação, sequenciamento e seleção de atrasos
• Design simples e desacoplado; fatias finas e verticais; emparelhamento
• Identifique / faça dependências visíveis / meça
• Colaborar / Compartilhar o trabalho (Dimitar Bakardzhiev)
• Pico e estabilização (Dan North)
• Reduza a complexidade acidental (Liz Keogh)

56. #NoEstimates e o Negócio
• Determinar quais ações seriam diferentes com base na estimativa
• Critérios de adequação baseados no cliente
• Orçamento: taxa de execução da equipe
• Concentre a conversação no valor, não no custo
• MVP e propriedade do produto
• Criar previsão probabilística o mais rápido possível (assim que você
tiver dados) – juntos!
• Revisões de Serviço-entrega (Cadências do Kanban)
• Equipes: Mantenha as equipes juntas, dedicadas (reduz a mudança
de contexto, estágios de Tuckman)
• Tenha um fluxo unificado.
• Liberte-se do time box!!!!

57. Manifesto #NoEstimates
… Nós passamos a valorizar:
Probabilístico sobre Determinístico
Tempo de entrega sobre o tempo de
desenvolvimento
Escopo do MVP sobre o escopo total
Dados sobre intuição sobre Reduzir as fontes de
variação ao melhorar as estimativas
Ou seja, enquanto houver valor nos itens à direita,
valorizamos mais os itens à esquerda.
https://www.slideshare.net/AgileEnSeine/the-noestimates-game-by-matthew-philip-thoughtworks

58. Currículo:
• Prof. Rodrigo Oliveira
• Mais de 20 anos de trabalho em T.I.
• Mais de 10 anos de experiência em gestão, em melhoria de processos de desenvolvimento e
qualidade de software
• Certified Kanban Coach
• Approved Kanban Professional
• Accredited Training Partner – Lean Kanban
• Project Management Professional (PMP)
• Mestre em Engenharia e Gestão de Sistemas e Processos, com ênfase em melhoria e otimização de
processos de desenvolvimento e qualidade de software utilizando metodologias ágeis
• Professor de Pós Graduação e Especialização do IETEC-MG, PUC-MG, UNA e Pitágoras

59. • Contatos:
• Email: rodrigoalmeidadeoliveira@gmail.com
• Site:https://rodrigoalmeidadeoliveira.wordpress.com/
• LinkedIn: https://www.linkedin.com/in/raoliveira
• Slideshare: https://www.slideshare.net/raoliveira

60. Quer saber mais?
Ou melhor. Praticar mais!

61. Fundamentals
(8hrs)
Intermediate
(16 hrs)
Advanced
(16 hrs)
Formação Gestão Lean-Kanban (módulos 1 e 2)
Kanban (módulo 1)

62. Forecasting + Métricas
(8hrs)
Lean + Qualidade (8hrs)
Formação Gestão Lean-Kanban (módulos 1 e 2)
Lean - Métricas (módulo 2)

63. Planilha com métricas e simulação de monte carlo
https://goo.gl/dDpUKk
0
32
187
235
182
117
100
62
36
21
11 6 5 2 1 3
0,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
0
50
100
150
200
250
0 a 1 1 a 2 2 a 3 3 a 4 4 a 5 5 a 6 6 a 7 7 a 8 8 a 9 9 a 10 10 a
11
11 a
12
12 a
13
13 a
14
14 a
15
15 a
16
Histograma de Entregas - Simulação de Monte Carlo
Frequências % acumulado

64. REFERÊNCIASGRAEML, Alexandre Reis; PEINADO Jurandir. Administração da produção: operações industriais e de serviços. Curitiba: UnicenP, 2007.
DATALYSER. Série – As Sete Ferramentas do Controle da Qualidade – 7FCQ. Disponível em:
<http://www.datalyzer.com.br/site/suporte/administrador/info/arquivos/info44/44.html;. Acesso em Novembro de 2018.
FARIAS, Ana Maria Lima de; LAURENCEL, L. C. Fundamentos de Estatística Aplicada: Módulo I: Estatística Descritiva. Rio de Janeiro/RJ:
Universidade Federal Fluminense, 2000.
http://www.prd.usp.br/disciplinas/docs/pro2712-2005-Alberto_Gregorio/1Ferbasq.pdf
Statistical Methods for Quality Improvement: AOTS, Japão, 1988.
OHNO, T. (1997) - O sistema Toyota de produção além da produção em larga escala. Trad. Cristina Schumacher. Artes Médicas. Porto Alegre.
ROTHER, M. & SHOOK, J. (1999) - Aprendendo a enxergar: mapeando o fluxo de valor para agregar valor e eliminar o desperdício. The Lean
Institute Brasil. São Paulo. STANDARD, C. & DAVIS, D. (1999) - Running today’s factory: a proven strategy for lean manufacturing. Hanser
Gardner Publications. Cincinnati. WARNECKE, H. & HÜSER, M. (1995) - Lean production. International Journal of Production Economics.
Vol.41, p.37-43. WOMACK, J.P.; JONES, D.T. & ROOS, D. (1992) - A máquina que mudou o mundo. Campus. Rio de Janeiro.
MAGENNIS, Troy. The Economic Impact of Software Development Process Choice--Cycle-Time Analysis and Monte Carlo Simulation Results.
In: System Sciences (HICSS), 2015 48th Hawaii International Conference on. IEEE, 2015. p. 5055-5064.
Imagem: http://broadleaf.com.au/resource-material/cost-and-schedule-risk-assessment-risk-factor-modelling
"Moneyball for Software Projects: Agile Metrics for the Metrically Challenged";Troy Magennis goo.gl/VbAEEZ
"High-Level Project Planning using Monte Carlo simulation"; Dimitar Bakardzhiev goo.gl/KkC74b “
#NoEstimates Project Planning using Monte Carlo simulation"; Dimitar Bakardzhiev goo.gl/SDHJYP
"Little's law and predictability"; Daniel Vacanti goo.gl/ETDzg9
"Kanban Metrics in practice at Sky Network Services"; Mattia Battiston goo.gl/tQXqwN
"By the power of metrics";Wolfgang Wiedenroth goo.gl/ebGU3h
"Project planning using Little’s Law"; Dimitar Bakardzhiev goo.gl/rw1X5T
Little, J. D. C., S. C. Graves. 2008. Little’s Law. D. Chhajed, T. J. Lowe,eds. Building Intuition: Insights from Basic Operations Management
Models and Principles. Springer Science + Business Media LLC,New York. J. D. C. Little. Little's law as viewed on its 50th anniversary. Oper.
Res. 59 (2011) 536{539. http://learningagileandlean.wordpress.com/2013/08/01/on-the-practically-useful-properties-of-theweibull-
distribution/
DE FREITAS FILHO, Paulo José. Introdução à modelagem e simulação de sistemas: com aplicações em Arena. Visual Books 2ª edição, 2008.
https://rodrigoalmeidadeoliveira.wordpress.com/2018/08/01/metricas-lean-e-gerenciamento-de-fluxo/

65. REFERÊNCIAS

66. Muito
obrigado!

67. Métricas & Forecasting
Não perca (seu raro e precioso) tempo fazendo estimativas!