Agile и Kanban являются идейными наследниками Lean и многих других концепций прошлого. Например, ограничение одновременно выполняемой работы в виде WIP-лимитов в Канбане или фиксированного бэклога спринта в Скрам.
Один из инструментов, используемых бережливыми компаниями, носит японское название heijunka (хэйдзунка), что означает «выравнивание, сглаживание». В Канбане это явно выражено в стремлении к плавному, предсказуемому потоку.
Если у вас в команду на вход попадают огромные эпики, маленькие запросы на изменения, user story от бизнес заказчика, таски от команды поддержки и технический долг, то вам сложно на основании данных прогнозировать разброс времени выполнения задач.
Следуя принципу «снижения неопределенности хэйдзунка» в таком случае нам нужно:
1. Разделить эти потоки. Как визуально(например, свимлейны), так и в собираемых метриках. Данные по времени выполнения задач в целом не имеют смысла, а вот по типам вполне себе показательны и(при определенных условиях, о которых дальше) помогут строить прогнозы по выполнению.
2. Выравнивание потока путём декомпозиции на фичи/истории примерно одинакового размера. Если к вам на вход поступают задачи очень разного размера и есть возможность для декомпозиции, то приведение задач к более однородному масштабу позволит вам лучше настроить вашу систему для их выполнения и снизить вариабельность. И ваш поток станет более плавным и предсказуемым.
Один из инструментов, используемых бережливыми компаниями, носит японское название heijunka (хэйдзунка), что означает «выравнивание, сглаживание». В Канбане это явно выражено в стремлении к плавному, предсказуемому потоку.
Если у вас в команду на вход попадают огромные эпики, маленькие запросы на изменения, user story от бизнес заказчика, таски от команды поддержки и технический долг, то вам сложно на основании данных прогнозировать разброс времени выполнения задач.
Следуя принципу «снижения неопределенности хэйдзунка» в таком случае нам нужно:
1. Разделить эти потоки. Как визуально(например, свимлейны), так и в собираемых метриках. Данные по времени выполнения задач в целом не имеют смысла, а вот по типам вполне себе показательны и(при определенных условиях, о которых дальше) помогут строить прогнозы по выполнению.
2. Выравнивание потока путём декомпозиции на фичи/истории примерно одинакового размера. Если к вам на вход поступают задачи очень разного размера и есть возможность для декомпозиции, то приведение задач к более однородному масштабу позволит вам лучше настроить вашу систему для их выполнения и снизить вариабельность. И ваш поток станет более плавным и предсказуемым.