Lean Forecasting - Einführung

355 Aufrufe

Veröffentlicht am

Folien zum Workshop "Lean Forecasting / Beyond Estimations" bei der Agile User Group Bremen am 13.01.2016

Veröffentlicht in: Leadership & Management
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
355
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
16
Aktionen
Geteilt
0
Downloads
3
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Lean Forecasting - Einführung

  1. 1. Lean Forecasting, Beyond Estimation @ Agile User Group Bremen, 13. Januar 2016 Susanne Bartel http://flow.hamburg
  2. 2. Inhalt • Teil 1 • Warum das große Interesse am Thema? • Was ist Lean Forecasting / Beyond Estimation? • Kleine Statistik-Auffrischung :) • Teil 2 • Lego Flow Game (und kurze Pause) • Teil 3 • Konkrete Fragestellungen - Theorie und Praxis 1. Wie lange dauert die Umsetzung von Anforderungen? 2. Wann ist das erwartete Projektende? 3. Weiterführende Fragen • Zu guter letzt…
  3. 3. WARUM?
  4. 4. Häufig schwache Korrelation zwischen Story Points und Aufwand oder Durchlaufzeit Hohe Aufwände für Schätzungen und Planungen Vielfach durch Studien belegt, wie schlecht wir im Schätzen in der Software- Industrie sind.
  5. 5. 0,00# 5,00# 10,00# 15,00# 20,00# 25,00# 30,00# 35,00# 40,00# 0# 1# 2# 3# 4# 5# 6# Story&Points&zu&Lead&1me&[d]& Lead#.me#[d]# Faktor: 0,3 1,0$ 10,0$ 100,0$ 1000,0$ 10000,0$ 0$ 2$ 4$ 6$ 8$ 10$ 12$ 14$ 16$ Aufwand$(Stunden)$ Linear$(Aufwand$(Stunden))$ Linear$(Aufwand$(Stunden))$ Faktor:0,36 Beispiel-Korrelationen 0" 20" 40" 60" 80" 100" 120" 0" 1" 2" 3" 4" 5" 6" Story&Punkte&zu&Aufwand& Faktor:0,2
  6. 6. LEAN FORECASTING
  7. 7. Lean / „Probabilistic“ Forecasting Projektion historischer Daten in die Zukunft zur Beantwortung planerischer Fragen Unter Beachtung von Wahrscheinlichkeiten Unter Nutzung von Modellen „Klassische“ Planung: Schätzen zukünftiger Ereignisse
  8. 8. Vorteile • Wahrscheinlichkeitsbasierte Prognosen: • Schnell • Billig • Zuverlässig • Entlasten die „echt“ wertschöpfenden Mitglieder im Team
  9. 9. Beyond Estimation #NoEstimation Lean Forecasting zur Prognose von Durchlaufzeiten und Durchsätzen Macht die Verwendung von Story Points überflüssig Angewendete Praktik besonders in reifen agilen
 Teams
  10. 10. STATISTIK VORWEG
  11. 11. Aufwärmen Teil 1 Würfelt mit einem 6er-Würfel. Sagt eure Ergebnisse laut an!
  12. 12. Aufwärmen Teil 2 Würfelt mit zwei 6er-Würfeln. Sagt die Summen beider Würfel laut an!
  13. 13. Monte Carlo Simuation Ein stochastisches Verfahren Sehr häufig durchgeführte Zufallsexperimente Häufig genutzt zur Nachbildung komplexer Prozesse
  14. 14. Übung „Bereiche“ Teilt euch in 3 Gruppen auf. Bestimmt einen Würfler, dieser darf die Würfel den anderen nicht zeigen.
  15. 15. Die Situation Ihr nehmt Stichproben, um einen Bereich zu ermitteln. D.h. wir suchen die MIN und MAX Werte
  16. 16. Schritt 1 Würfelt 3 mal und schreibt die Summen beider Würfel untereinander
  17. 17. Schritt 2 Sortiert die Zahlen nach ihrer Größe. Mit welcher % liegt die vierte Zahl in diesem Bereich?
  18. 18. Schritt 3 Würfelt noch 8 mal und notiert eure Ergebnisse. Was ist MIN und MAX?
  19. 19. Schritt 4 Vergleicht euer MIN und MAX mit den tatsächlichen Werten anhand der Würfel. Beobachtungen?
  20. 20. Vorhersagewahr- scheinlichkeit abhängig von Probenzahl (Keine Duplikate, gleich verteilt, zufällige Proben) Anzahl vorhandener Proben Wahrscheinlichkeit, dass nächste Probe innerhalb des Bereichs liegt 3 50 % 4 67 % 5 75 % 6 80 % 7 83 % 8 86 % 9 88 % 10 89 % 11 90 % 12 91 % 13 92 % 14 92 % 15 93 % 16 93 % 17 94 % 18 94 % 19 94 % 20 95 % Die benötigte Stichprobengröße ist deutlich kleiner als wir denken Wahrscheinlichkeit = 1- 1 k −1 ⎛ ⎝⎜ ⎞ ⎠⎟ * 100
  21. 21. –Troy Magennis „Wenn ein Messwert sich über die Zeit ändert oder bei jeder Messung anders ist, ist es eine Verteilung.“ VERTEILUNG (DISTRIBUTION)
  22. 22. Histogramm = 
 visualisierte Verteilung
  23. 23. nach Karl Scotland, http://availagility.co.uk/lego-flow-game/ LEGO FLOW GAME
  24. 24. Euer Ziel • Setzt so viele Lego-Figuren wie möglich anhand der Anleitung zusammen und liefert sie! • In der Reihenfolge von 1 bis 24 • Arbeitet als Team zusammen
  25. 25. Workflow • Analysieren • Beschaffen • Bauen • Prüfen • Geliefert
  26. 26. Analysieren 1. Finde die richtige Tür. 2. Nimm eine Karteikarte. 3. Schreibe die Nummer der Tür auf die Karte. 4. Lege die Tür auf die Karte, Instruktionen oben.
  27. 27. Analysieren 10 Zahl Tür auf Karte
  28. 28. Beschaffen 1. Notiere die Zeit. 2. Finde das Beutelchen mit den passenden Teilen. 3. Hefte es mit der Büroklammer an die Tür.
  29. 29. Beschaffen 10 Tüte auf Karte 1:201:20 Zeitstempel
  30. 30. Bauen Baue die Lego-Figur entsprechend der Anleitung auf der Tür.
  31. 31. Bauen Bau es :)
  32. 32. Prüfen 1. Überprüfe dass die Figur • GENAU dem Bild entspricht • ROBUST ist 2. Wenn ja, dann akzeptiere • Notiere die Zeit! • LIEFERE zum Marktplatz! 3. Wenn nicht, zurück an die entsprechende Station
  33. 33. Prüfen ? 10 1:20 3:50 Zweiter Zeit- Stempel
  34. 34. Manager 1. Auf die Zeit achten 2. Auf die Prozesseinhaltung achten 3. Daten sammeln • Wie viele Figuren je Status • Zählen und alle 30s aufschreiben
  35. 35. Manager   00:30 01:00 01:30 2:00 2:30 3:00 3:30 4:00 4:30 5:00 5:30 6:00 Analysis 2 1                  Supply 3 2                  Build 5 6                  Accept 1 2                  Done 2  4                  Alle 30s zählen je Arbeitsstation „Done“ sollte niemals weniger werden, muss ansteigen
  36. 36. Flussbasierte Arbeit • Besprecht euch als Team. • Markiert eure Arbeitsstationen • Ihr arbeitet kontinuierlich, wir unterbrechen gelegentlich für Systemverbesserungen (Inspect & Adapt) • Start! 5 min Timebox
  37. 37. Debrief Lego Flow • Beobachtungen? Überraschungen? • Seid ihr „in den Fluss“ gekommen? Wann? • Begriffe: • Durchlaufzeit (lead time) • WIP (Work In Progress) • Durchsatz (throughput)
  38. 38. Little’s Law & Cumulative Flow Avg. Lead Time Avg. Delivery RateWIP Pool
 of ideas Ready to deliver Delivery Rate
 (from the kanban system) System Lead Time WIP = Durchlaufzeit (Lead time) = WIP Durchsatz
  39. 39. „Anforderung“ benutzt als Epic / User Story / Feature / MMF die „Abarbeitungseinheit“ im System
  40. 40. –Troy Magennis „Prognosen sind Antworten auf Fragen zu Ereignissen, die noch nicht eingetreten sind.“ PROGNOSE (Forecast)
  41. 41. Frage 1: Wie lange dauert die Umsetzung von Anforderungen?
  42. 42. Durchlaufzeit, „Lead Time“ • In Kanban: Die Zeitdauer, in der eine Anforderung von der ersten limitierten Spalte („Zusagepunkt“) bis zur letzten Spalte „wandert“ • Lego Flow: Beginn „Liefern“ bis zur erfolgreichen Abnahme • Differenz zwischen 2 Zeitstempeln • In Software-Entwicklungs-Teams typischerweise Start der Implementierung bis „Done“ oder Release • i.d.R. OHNE Analyse / Konzipierung
  43. 43. Beispiel: Durchlaufzeiten- Verteilung in Lego Flow Game Beobachtungen? 00:30:00$ 01:00:00$ 01:30:00$ 02:00:00$ 02:30:00$ 03:00:00$ 03:30:00$ 04:00:00$ 04:30:00$ 05:00:00$ 03:40:00$ 00:00:00$ 00:30:00$ 01:00:00$ 01:30:00$ 02:00:00$ 02:30:00$ 03:00:00$ 03:30:00$ 04:00:00$ 04:30:00$ 05:00:00$ SUMME$ 1$ 5$ 5$ 4$ 8$ 5$ 2$ 3$ 1$ 1$ 0$ 0$ 1$ 2$ 3$ 4$ 5$ 6$ 7$ 8$ 9$ Lego%Flow%Lead%Times%Histogramm%
  44. 44. Durchschnitt 50% der
 möglichen
 Ergebnisse 50% der
 möglichen
 Ergebnisse 50%
  45. 45. Beware of this animal! Durchschnitt, Mittelwert Average, Mean
  46. 46. Frage • Wie sieht eine typische Verteilung von Durchlaufzeiten in Software- Entwicklungsprojekten aus? • Und wie bei IT Operations Teams?
  47. 47. Gleichbleibende Verteilung, nicht gleich groß!
  48. 48. Weibull 
 Lead Time Verteilungen Typische Verteilungen in SW-Projekten (Magennis) siehe auch Lead Time Forecasting Cards von Alexei Zheglov
  49. 49. Mode: an was sich Leute gut erinnern 
 (Achtung!
 üblicherweise nur 18-28% Wahrscheinlichkeit!) Median: zur kontinuierlichen
 Überprüfung des
 Vorhersage-Modells Control Limit: für SLA’s 80% percentile: 4 von 5 Items dauern max. so lange -> Planung Durchschnitt: üblicherweise über dem Median (bis zu 50% kleiner
 in Operations) Weibull 
 Lead Time Verteilungen Typische Verteilungen in SW-Projekten (Magennis) siehe auch Lead Time Forecasting Cards von Alexei Zheglov
  50. 50. Voraussetzungen • Stabiles System: • System ist „eingeschwungen“ - Linien im CFD weitestgehend parallel • Wir glauben die Verteilung der Anforderungen bleibt in etwa stabil • In der Verteilung gibt es nur eine „Spitze“ (Modus, engl. mode)
  51. 51. Praktische Tipps Durchlaufzeit = Differenz zweier Zeitstempel Auf physischen Boards: Datumsstempel benutzen Excel: Histogramme über den Umweg von Klassen bauen: Intervalle bilden, ZÄHLENWENN()
  52. 52. Wert Percen(le 10 % 1:19 20 % 1:46 30 % 2:03 40 % 2:12 50 % 2:25 60 % 2:44 70 % 2:57 80 % 3:24 90 % 3:52 100 % 4:51 1. Werte sortieren 1:22 2:21 3:05 4:51 3:45 2:29 1:12 3:38 1:55 2:58 2:56 0:57 1:12 1:22 1:41 1:55 2:03 2:11 2:13 2:21 2:29 2:41 2:56 2:58 3:05 3:38 3:45 4:10 4:51 Berechnung von „Percentile“ (Perzentil, Quantil) =QUANTIL(Bereich;%Wert)
  53. 53. Beispiele 0" 1" 2" 3" 4" 5" 6" 7" 8" 2" 4" 6" 8" 10" 12" 14" 16" 18" 20" 22" 24" 26" 28" 30" 32" 200" 0" 2" 4" 6" 8" 10" 12" 14" 16" 18" 20" 22" 24" 26" 28" 30" 32" Bugs%&%Stories%(addi0v)% Bugs" Durchlaufzeit (Tage von/bis) AnzahlVorkommen
  54. 54. 0" 1" 2" 3" 4" 5" 6" 7" 8" 2" 4" 6" 8" 10" 12" 14" 16" 18" 20" 22" 24" 26" 28" 30" 32" 200" 0" 2" 4" 6" 8" 10" 12" 14" 16" 18" 20" 22" 24" 26" 28" 30" 32" Bugs%&%Stories%(addi0v)% Bugs" Durchlaufzeit (Tage Anzahl Beispiele 0" 1" 2" 3" 4" 5" 6" 7" 2" 4" 6" 8" 10" 12" 14" 16" 18" 20" 22" 24" 26" 28" 30" 32" 200" 0" 2" 4" 6" 8" 10" 12" 14" 16" 18" 20" 22" 24" 26" 28" 30" 32" Anzahl'Vorkommen' Lead'Time'in'Tagen' Bugs' Bu 0" 1" 2" 3" 4" 5" 6" 2" 4" 6" 8" 10" 12" 14" 16" 18" 20" 22" 24" 26" 28" 30" 32" 200" 0" 2" 4" 6" 8" 10" 12" 14" 16" 18" 20" 22" 24" 26" 28" 30" 32" Anzahl'Vorkommen' Lead'0me'in'Tagen' Stories'
  55. 55. Recap: Durchlaufzeiten-Prognose • Erlaubt die Prognose auf z.B. Story- oder Task-Ebene • Vorteile: • Leicht zu sammelnde Messwerte • Nutzt historische Daten (komplett oder Stichproben) • Folgt bekannten Verteilungsmustern • Nutzen: Zusagen für einzelne Anforderungen. Termingerechter Start der Implementierung. Analyse (z.B. Ausreißer etc.). Basis für weitere Berechnungen.
  56. 56. Frage 2: Wann ist das erwartete Projektende? Einfach!
  57. 57. Beispiel: Projektdauer Projektdauer= Anzahl der Anforderungen(*) Durchsatz Wir haben Daten über den Durchsatz unseres Teams „P“:
 7, 8, 2, 11, 7, 12 Anforderungen pro Woche. Wann werden die verbleibenden 100 Anforderungen umgesetzt sein? Projektdauer = 100 Anforderungen 7 Anforderungen / Woche Projektdauer = 100 Wochen / 7 Projektdauer = 15 Wochen 16,70 % 12 33,40 % 11 50,10 % 8 66,80 % 7 83,50 % 7 100,20 % 2 Achtung! Umgekehrte Reihenfolge (*) Batch Size
  58. 58. Durchsatz-Prognose mit Monte Carlo Simulation basierend auf den Daten der vorherigen Folie
  59. 59. Praktische Tipps Trick: Durchsatz aus z.B. Jira: =KALENDERWOCHE(DateClosed) dann pivotieren oder Zählenwenn() Troy Magennis’ Sheet für Monte Carlo Throughput Forecasting: http://focusedobjective.com/free- tools-resources/
  60. 60. Phase im Projekt beachten -> S-Curve
  61. 61. S-Curve Quelle: Project Planning using Little's Law (Dimitar Bakardzhiev)
  62. 62. Ausblick Weiterführende Fragen
  63. 63. Wieviel Kapazität für welchen 
 Arbeitstyp? Wie hoch ist der Durchsatz? Auswirkungen von Verbesserungen der Durchlaufzeit Wie viele Teams brauchen wir?
  64. 64. Was wir benötigen 1. Lead Time Verteilung: • Ist bekannt • Single Mode - in Klassen unterteilt (s.u.) • Wir glauben die Verteilung bleibt stabil 2. Anforderungen sind identifiziert und klassifiziert
  65. 65. • längerfristig stabile Durchschnittswerte! • Voraussetzungen: • Durchschnittliche Output-Rate = durchschnittliche Input-Rate • Alle angefangene Arbeit wird schließlich beendet und verlässt das System • Die Menge angefangener Arbeit sollte zu Beginn und Ende des gewählten Zeitintervalls etwa gleich sein • Die durchschnittliche Menge angefangener Arbeit (WIP) ist stabil • In der Berechnung müssen konsistente Einheiten genutzt werden • siehe auch „Little’s Flaw“ (Dave Vacanti) Little’s Law Lieferrate = WIP Durchlaufzeit throughput = WIP lead time
  66. 66. Mit auf den Weg….
  67. 67. Brauche ich dazu ein Kanban-System? • Nein, all diese Techniken können auch von agilen oder „klassischen“ Teams angewendet werden. • Aber: Ein Kanban-System hilft, die Vorhersagegenauigkeit (predictability) zu verbessern: • Verschiedene Arbeitstypen / Serviceklassen, um mehrere Modes zu vermeiden • Ist Hilfsmittel für kontinuierliche Verbesserung (Zuverlässigkeit, Durchsatz, etc.)
  68. 68. –George E. P. Box „Essentially, all models are wrong, but some are useful“
  69. 69. Kontinuierliche Anpassung, aktives Steuern Prognose erstellen Modell aufstellen / anpassen Kontinuierliche Überprüfung der Gültigkeit des Modells mit Anpassung der Vorhersage— ermöglicht aktives Steuern! Überprüfung der Hypothesen historische
 Daten
  70. 70. Danke für eure Aufmerksamkeit! • Susanne Bartel
 Susanne@flow.hamburg • Twitter @projectzone • http://flow.hamburg
  71. 71. Credits und Referenzen • Basiert auf der Arbeit von Troy Magennis, David J. Anderson, Alexei Zheglov, and Dan Brown in diesem Bereich. Siehe auch deren Blogs. • German Tanks: http://www.spiegel.de/wissenschaft/mensch/rechentrick- der-alliierten-wie-seriennummern-die-nazi-industrie-verrieten-a-728211.html • Für mehr: • Twitter: #noestimates • noestimatesbook.com • Blogs of the above • Limited WIP Society
  72. 72. Bilder • Würfel: https://www.flickr.com/photos/dskley/6196133034 • fliegende Würfel: https://www.flickr.com/photos/dskley/6195620885 • Pause: <a href="https://www.flickr.com/photos/finklez/3059185823" title="Pause - ‫השהיה‬ by Eran Finkle, on Flickr"><img src="https:// farm4.staticflickr.com/3190/3059185823_ce8570bdd2_s.jpg" width="75" height="75" alt="Pause - ‫/<>“השהיה‬a> • Wall: https://www.flickr.com/photos/dg_pics/3937990893/ • Umbrella: https://www.flickr.com/photos/dskley/9666364180 • Fragezeichen: https://www.flickr.com/photos/eleaf/2536358399 • Mind the gap: https://www.flickr.com/photos/simone_brunozzi/2643200238/ • Easy: https://www.flickr.com/photos/catharticflux/2484317019/ • Monkey bento: https://www.flickr.com/photos/buzzymelibee/8598689804
  73. 73. Backup
  74. 74. Flusseffizienz Flusseffizienz = Arbeitszeit (Arbeitszeit +Wartezeit) Story&/&Feature&Incep0on& 5&Days& Wai0ng&in&Backlog& 25&days& System&Regression&Tes0ng&&&Staging&& 5&Days& Wai0ng&for&Release&Window& 5&Days& “Ac0ve&Development”& 30&days& Total&Cycle&Time& Pa.ern:&Total&Cycle&Time& In Software- Entwicklungs- Projekten liegt die Flusseffizienz in der Regel bei max. 15%-20%.

×