Pular para o conteúdo

Como ter previsibilidade no método Kanban

 

Neste post falaremos um pouco sobre previsibilidade do método Kanban, uma forma alternativa às estimativas.

Por RICARDO AUGUSTO SHIKOTA

Quando tratamos de estimativas, seja ela em pontos ou horas, buscamos entender o esforço de uma determinada tarefa para poder colocar na linha do tempo (capacidade) e com isso, saber uma data aproximada para entrega.

Ao realizarmos a relação entre esforço e capacidade, levamos em conta que capacidade possui pouca variabilidade, ou seja, se considerarmos 8 horas/dia teremos 40 horas semanais e, se por exemplo, uma tarefa possuir um esforço de 40 horas, bingo! Em 1 semana ela estará pronta. Hum.. ok ok… Não devemos considerar 8 horas/dia, pois bem, vamos assumir 6 horas/dia (30 horas semanais). Logo, em aproximadamente 7 dias, teremos a tarefa pronta.

Sabemos que geralmente não é isso o que acontece, certo? Capacidade possui alta variabilidade, afinal, no trabalho do conhecimento, o que está em jogo são pessoas!

Neste ponto, falamos apenas sobre capacidade, mas ao estimar esforço, geralmente não consideramos o tempo das filas. Sim, tarefas ficam paradas em filas, seja por prioridade, aguardando definições, testes e auditorias, sem falar nos bloqueios que possam acontecer.

Convido-os então para o pare de estimar e comece a “previsibilizar”.

Para isso utilizaremos as métricas de Throughput e Lead Time que você pode conhecer melhor nesse

post.

Método de Monte Carlo

Segundo wikipédia, “Designa-se por método de Monte Carlo (MMC) qualquer método de uma classe de métodos estatísticos que se baseiam em amostragens aleatórias massivas para obter resultados numéricos, isto é, repetindo sucessivas simulações um elevado número de vezes, para calcular probabilidades heuristicamente, tal como se, de fato, se registrassem os resultados reais em jogos de cassino (daí o nome)”.

Previsibilidade

No método Kanban podemos dizer quando uma determinada tarefa será entregue fazendo uso das métricas de Throughput + MMC e Lead Time, lembrando que Lead Time possui os percentuais de confiança, bem como a separação por classes de serviço. Neste caso, a previsibilidade se dá pelo comportamento observado do fluxo, ou seja, considera o histórico das inúmeras situações ocorridas no processo.

Disponibilizamos uma planilha que facilita a utilização do MMC junto ao método Kanban. Ela realiza simulações considerando amostras aleatórias de Throughput para determinar a probabilidade das tarefas (representação para uma funcionalidade testável) finalizarem em um dado momento. Vale ressaltar, que pelo fato do alto volume de cenários gerados através das simulações (recomenda-se 5.000), o resultado seja próximo do real de um fluxo. Esse resultado é exibido através da quantidade de semanas solicitadas para a realização da simulação, na qual podemos analisar mediante a probabilidade de entrega e decidirmos qual o percentual de risco assumimos.

Simulando MMC

Total de Tarefas: 15

Quantidade de semanas: 3

Quantidade de simulações: 5

Throughput: 5, 3, 7, 4, 6

1ª semana: Realiza-se 5 simulações considerando 1 amostra aleatória de Throughput, conforme exemplo:

Simulação 1: 3

Simulação 2: 5

Simulação 3: 7

Simulação 4: 5

Simulação 5: 4

Probabilidade de entrega de 15 tarefas: 0%

2a semana: Realiza-se 5 simulações considerando 2 amostras aleatórias de Throughput, ou seja, somando o valor das amostras de 2 semanas conforme exemplo:

Simulação 1: 3 e 5 (8)

Simulação 2: 5 e 7 (12)

Simulação 3: 7 e 4 (11)

Simulação 4: 5 e 6 (11)

Simulação 5: 4 e 4 (8)

Probabilidade de entrega de 15 tarefas: 0%

3a semana: Realiza-se 5 simulações considerando 3 amostras aleatórias de Throughput, ou seja, somando o valor das amostras de 3 semanas conforme exemplo:

Simulação 1: 3, 5 e 4 (12)

Simulação 2: 5, 7 e 3 (15)

Simulação 3: 7, 4 e 3 (14)

Simulação 4: 5, 6 e 5 (16)

Simulação 5: 4, 4 e 6 (14)

Probabilidade de entrega de 15 tarefas: 40% (sendo que foram 2 ocorrências das 5 simulações em que o total de tarefas entregue será maior ou igual a 15).

Usando MMC para obter previsibilidade

Vamos abordar 2 cenários do cotidiano para ilustrar a utilização do MMC para obter previsibilidade com base em um time “x”, fluxo com demandas de valor e falhas.

A) Para o cenário de 1 item, utilizamos o Lead Time do percentual de confiança com risco aceitável (Ex: 85%) para informar a data de entrega.

B) Para um projeto com 15 tarefas, utilizamos Throughput + MMC conforme abaixo.

Throughput (considerando a classe de serviço): 5, 3, 7, 4, 6

Capturar_5

Logo: Temos 97,68% de probabilidade de entrega entre os dias 11/03 e 15/03.

Nesse post vimos que, estimativas no trabalho do conhecimento são incoerentes pelo fato da existência de variabilidades (capacidade), filas (eficiência do fluxo), políticas dentre outros fatores. Agora que você já viu uma outra forma para obter previsibilidade através da utilização do Método de Monte Carlo, bora exercitar nos projetos que você possui em andamento? Clique

aqui

para receber a planilha e assim, realizar simulações e “confrontar” com suas datas de entrega.