Estatística básica nas entregas de projetos agile — Moda, mediana e percentil
Cada uma das metodologias de gestão de projetos tem suas próprias características de funcionamento e essência. Mas todas elas tentam responder uma grande pergunta que virou clichê faz milhares de anos: quando o projeto será entregue?
A graça das metodologias ágeis é que você trabalha em cima de transparência, incluindo o usuário e os stakeholders no processo, permitindo mudanças de planos no meio do caminho, apressando as falhas e tentando entregar incrementos de valor ao final de cada ciclo. Tudo isso serve para gerenciar as expectativas e fazer as informações do projeto fluirem. Aproximando os stakeholders e os clientes, eles ganham visibilidade do status do projeto, diminuindo a ansiedade sobre quando o projeto vai ser entregue. Mesmo que as expectativas estejam bem gerenciadas, saber o dia de entrega do projeto é importante para o planejamento do produto, é uma questão estratégica para a empresa.
Para ajudar nessa tarefa, existem uma série de métricas já bem conhecidas que monitoram a saúde do processo de desenvolvimento. Alguns deles você já conhece como o CFD, Lead Time, Cycle Time etc. Contudo, essas métricas por si só, mostram o cenário presente do projeto. Elas são importantes, porque mostram se você está no caminho certo ou errado. Mas não basta apenas saber que estamos no caminho correto, é muito mais inteligente enxergarmos parte do caminho que iremos trilhar afim de prevermos nossas entregas e consequentemente termos um vislumbre de quando o projeto irá de fato terminar.
A ideia desse artigo não é abordar as previsões probabilísticas de projetos (que é um assunto muito mais profissa), mas é dar alguma ideia básica para você que pode estar querendo fazer um pouco mais do que só olhar o CFD do seu time.
Consistência e tamanho das histórias
O primeiro segredo para prever o futuro das entregas em um projeto é ter consistência. O time precisa ter uma frequência de entrega consistente. Isso não é algo fácil de se conseguir, pois o processo de desenvolvimento não é linear, pelo contrário: imprevistos acontecem, pessoas ficam doentes, o caso do bus factor, ambientes de desenvolvimento quebram, o mercado muda… Tudo isso faz com que o desenvolvimento de software seja um lugar complexo de se trabalhar. Para tentar diminuir as incertezas, nós precisamos entregar tarefas sempre do mesmo tamanho e você sabe que isso é algo difícil de se fazer. Não quero falar aqui sobre metodologias de estimativa, porque não importa qual metodologia você usa, o que importa é que no final você e seu time tenham histórias do mesmo tamanho e que sejam claras para todo mundo.
Essa coisa de histórias pequenas, médias e grandes não existe. Você precisa que todas as histórias tenham de preferência, o menor tamanho possível, mas que continuem entregando valor para o usuário. A ideia é que seu backlog seja recheado de tarefas mais ou menos do mesmo tamanho, possibilitando sua entrega dentro do ciclo (sprint ou semana). Como você vai saber qual o tamanho ideal das tarefas do seu time? Experimentando. Aqui não tem segredo nenhum, é só medir e comparar com o passado. Pegue os outliers (tarefas que demoraram muito mais tempo para fazer do que as outras) e descubra o que aconteceu e tente se certificar de que isso não aconteça mais. Existem cerimônias para facilitar o processo como o Incepction, Refinement, Plannings etc…
Uma das maneiras de validar que a frequencia de entrega do seu time é consistente, você pode usar o Throughput. O Throughput tem uma série de definições por aí, principalmente no mundo Agile, mas para mim e para algumas empresas de tecnologia throughput é a quantidade de histórias (user story) entregues na semana. Se seu time consegue quebrar bem as histórias, de forma que elas entreguem valor e sejam pequenas o bastante para serem entregues sem ultrapassar o ciclo, vocês conseguiram dar o primeiro passo para prever o futuro. Veja um exemplo:
Esse é o gráfico de um time de produto real. Os valores são das últimas semanas de 2016. Veja que a partir da semana 39 até a semana 47 as entregas eram realmente desproporcionais. Depois de uma ou duas reuniões, descobrimos que um dos motivos era que estávamos quebrando muito mau as histórias. A partir da semana 48 até a 52, quando começamos a tentar quebrar as histórias no menor tamanho possível (mas ainda entregando valor para o cliente), retirando as incertezas nos Refinamentos e Plannings, percebemos uma melhora gigante nas entregas. Perceba que mesmo assim há uma diferença da quantidade de entregas nas últimas semanas (48 à 52), mas nós já tínhamos certeza de que o motivo não era o tamanho das tarefas, mas com problemas de infraestrutura, feriados etc.
Se seu time consegue quebrar bem as histórias, de forma que elas entreguem valor e sejam pequenas o bastante para serem entregues sem ultrapassar o ciclo, vocês conseguiram dar o primeiro passo para prever o futuro
Conheça o Throughput do seu time. Marque a quantidade de entregas numa planilha e faça um gráfico. Perceba no gráfico que a média de entregas são 9 histórias por semana. Embora a média seja 9, na semana 41 o time entregou 14 histórias… Mas na semana seguinte, eles entregaram apenas 1. Isso não é consistência. A partir da semana 48 a coisa toda começou a melhorar e nós podíamos ter um pouco mais de certeza do número de entrega que iríamos executar. Mesmo assim, há um problema nesse gráfico: a média. É aí que entra a estatística básica.
Estatística descritiva básica
A média é interessante, mas não pode ser usada sozinha para dar a resposta de quanto o time entrega semanalmente. Isso não quer dizer que você vai deixar de usar médias nos seus cálculos, pelo contrário. Mas então o que podemos fazer para ter uma resposta melhor? Vamos usar algumas técnicas básicas da estatística descritiva. A estatística descritiva é a parte da estatística responsável por apontar tendências de comportamento e descrever conjuntos de dados. Fazem parte da estatística descritiva as medidas de tendência central ou medidas de posição como a média aritmética, moda, mediana e percentil. Há também as medidas de dispersão, que envolvem o desvio padrão, variância e outros… que também são úteis para descobrir insights sobre as entregas do seu time, mas não vamos ver isso nesse artigo.
Moda
A moda é o número que aparece mais vezes em uma distribuição de dados. Imagine os dados de entrega de um time fictício:
O número que aparece mais vezes na coluna de entregas é o um. Isso quer dizer que na maior parte das semanas esse time entregava apenas uma tarefa. Terrível. Quanto maior esse número, melhor. Se a "moda" do seu time aumentar, quer dizer que frequentemente ele tem entregue uma mesma quantidade de tarefas. Mas isso ainda não diz que o número de entregas são constantes.
Quero deixar apenas uma observação: a distribuição de dados que eu estou usando é bastante pequena, mas vai servir para o nosso exemplo. Quanto mais dados históricos você tiver, melhor. Contudo, se houver alguma mudança drástica no modo com que seu time entrega as tarefas, por exemplo, começar a fazer o deploy das tarefas de forma automatizada, você deve levar em consideração essa mudança nas suas análises.
Mediana
A mediana é a irmã mais sensata da média. Ela não é influenciada pelos valores extremos e por isso pode trazer uma resposta muito mais consistente sobre uma distribuição de valores: a mediana é o número que divide uma distribuição de dados exatamente no meio.
Imagine que durante 10 semanas, seu time teve os seguintes throughputs semanais: 2, 2, 4, 2, 5, 3, 3, 5, 4. Se você somar todos esses números de entregas (dá 30) e dividir pela quantidade de semanas (que é 10) a média de entregas do time será de 3.3 tarefas por semana. Mas imagine que em uma semana atípica, o time entregou 30 tarefas porque você deu RedBull pra todo mundo. A média, nesse caso, seria puxada para cima, virando 6 entregas por semana. E aqui está o problema: por causa de uma única semana, você obteve um cenário totalmente falso sobre a capacidade de entregas do seu time.
A mediana, por sua vez, não seria influenciada por essa semana atípica. A mediana nesse caso é 3.5, um valor muito próximo da média sem contar com as entregas da semana atípica. No nosso exemplo a média sem a semana atípico era de 3.3 e a nossa mediana é de 3.5, o que nos leva à conclusão que para distribuições sem valores extremos, a média e a mediana são sempre semelhantes.
Usar média não é errado e só usar a mediana não quer dizer que você está sempre certo. O segredo é saber qual medida do meio usar em cada situação. Eu sugiro que você evite usar apenas uma das medidas do meio. Eu sempre deixo à mão nas minhas planilhas as duas medidas.
Percentis
Como disse, a mediana define o meio de uma distribuição. Logo, podemos dividir uma distribuição de dados em quatro partes iguais, chamados de quartis. O primeiro quartil consiste em 25% das distribuições inferiores. O segundo quartil consiste nos 25% seguintes da distribuição e assim por diante. Nós podemos dividir a distribuição em centésimos ou como é comumente chamada de percentis, onde cada percentil representa 1% da distribuição. A vantagem do percentil é que ele mostra onde uma observação particular pode se encontrar em comparação à todo o restante.
Não se preocupe com as fórmulas. Você pode confiar nas fórmulas do Google Sheets ou do Excel. Eu confirmei os números desse artigo Google Sheets. Logo, é só ter uma distribuição em qualquer programa de planilha do seu gosto, escrever =percentil(intervalo_de_celulas, porcentagem), fica algo assim: =percentil(A1:A30, 25%) para descobrir o primeiro quarto do percentil, que é o que ocorre em 75% do tempo do seu time.
Dado a tabela acima, que mostra as distribuições das entregas do time fictício, conseguimos separar os percentis. Ficou algo assim:
- Percentil de 25% é igual a 3.8: o que significa que em 75% do tempo o nosso time entrega 3.8 (4, se for arredondar) tarefas por semana ou menos;
- Percentil 50% é igual a 6.5: significando que em 50% das semanas, o time entrega 6.5 histórias ou menos;
- Percentil dos 75% é 12: que significa que em 25% das semanas, o time entrega 12 histórias ou mais e que em 75% das semanas, o time entrega menos do que 12 histórias.
Concluindo
Trabalhar com Agile quer dizer que você precisa aprender com o passado. Todo aquela história Empirical Process que as metodologias ágeis pregam (principalmente o Scrum), só fizeram sentido pra mim quando eu vi as mudanças se refletindo nos números.
Os números ajudam o time a alcançar a frequência consistente de entregas, que é o segredo para iniciar a previsibilidade de entrega do seu projeto.
Geralmente eu uso Jira para recolher esses dados, mas não importa a ferramenta que você utiliza, desde que você consiga extrair os dados necessários para conseguir essas respostas.
É claro que esses dados não garantem que o seu usuário estará recebendo valor de verdade e que as features priorizadas estão realmente fazendo a diferença para o produto e para o negócio. O trabalho de análise desses dados só fazem sentido se você tiver feito as lições de casa antes com seu time, trabalhando para que o produto tenha uma visão clara e que os objetivos do negócio estejam realmente alinhados com as expectativas de todos.
Para se aprofundar e ler mais: