Дорогой дневник читатель!
📊 Сегодня покроем базу по метрикам (на примере с едой). Она супер-короткая.
Но для начала договоримся: метрики это инструмент. На самом-то деле мы хотим предсказуемости и прогнозов на его основе!
🧑🍳 Ситуация: ты менеджер в пиццерии.
Клиент спрашивает: “Когда будет готова моя пицца?”
Что отвечаешь?“Скоро” или всё-таки можешь дать конкретику?
🔮 Любой прогноз = диапазон + вероятность
“С вероятностью 85% ваша пицца будет готова через 20 минут” (про вероятности поговорим в следующих постах). Дословно про 85% говорить не нужно :)
А вот индикаторы разберём прямо сейчас. Я за минимализм — достаточно трёх показателей:
🍽️ Throughput (Пропускная способность)
Сколько блюд кухня выпускает за час. Это пульс ресторана:
- 25 блюд в обычный день
- 40 в пятницу вечером
⏰ Cycle Time (Время цикла)
От заказа до подачи (упрощенный пример):
- Паста — 15-20 минут
- Стейк — 20-30 минут
Важно: считаем только завершённые заказы!
🥞 Item Aging (Состаривание элемента)
Сколько времени текущие заказы уже готовятся (и еще недоготовились).
Если стейк готовится 25 минут, а средний Cycle Time — 20, это сигнал проверить кухню.
Это моя любимая метрика.
А теперь главный вопрос:
🤔 Ой, а разве это натягивается на айтишечку? - спросите вы.
💪 Да, да, и еще раз - да! При этом учитывает и всю вашу размерную вариативность задач, и время простоя, и все потери, которые можно оптимизировать!
Что будет дальше?
- В следующих постах — детальный разбор каждой метрики. Но у Саши Торгашева (Delivery Manager в Т-Банке) уже есть подобное: Throughput, Lead Time - если не терпится почитать.
- Поиграться с данными и понять как работают метрики можно в моём инструменте: predictable.team
-❓ А у тебя в команде какие показатели отслеживаете?
Мини-срачик в @AgileUfa — уже тебя ждет!
- А еще у нас будет митап по этим метрикам в середине августа.👍 Тык для регистрации
#metrics #throughput #cycletime #aging #predictability
📊 Сегодня покроем базу по метрикам (на примере с едой). Она супер-короткая.
Но для начала договоримся: метрики это инструмент. На самом-то деле мы хотим предсказуемости и прогнозов на его основе!
Клиент спрашивает: “Когда будет готова моя пицца?”
Что отвечаешь?
🔮 Любой прогноз = диапазон + вероятность
“С вероятностью 85% ваша пицца будет готова через 20 минут” (про вероятности поговорим в следующих постах). Дословно про 85% говорить не нужно :)
А вот индикаторы разберём прямо сейчас. Я за минимализм — достаточно трёх показателей:
🍽️ Throughput (Пропускная способность)
Сколько блюд кухня выпускает за час. Это пульс ресторана:
- 25 блюд в обычный день
- 40 в пятницу вечером
⏰ Cycle Time (Время цикла)
От заказа до подачи (упрощенный пример):
- Паста — 15-20 минут
- Стейк — 20-30 минут
Важно: считаем только завершённые заказы!
Сколько времени текущие заказы уже готовятся (и еще недоготовились).
Если стейк готовится 25 минут, а средний Cycle Time — 20, это сигнал проверить кухню.
Это моя любимая метрика.
А теперь главный вопрос:
Что будет дальше?
- В следующих постах — детальный разбор каждой метрики. Но у Саши Торгашева (Delivery Manager в Т-Банке) уже есть подобное: Throughput, Lead Time - если не терпится почитать.
- Поиграться с данными и понять как работают метрики можно в моём инструменте: predictable.team
-
Мини-срачик в @AgileUfa — уже тебя ждет!
- А еще у нас будет митап по этим метрикам в середине августа.
#metrics #throughput #cycletime #aging #predictability
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5👍2💯2
🍣 😊 Лайк, если тоже любите суши!
📈 Сегодня детальнее про Throughput (пропускная способность) на примере суши-ресторана — главную метрику для всех, кто не любит угадывать и предпочитает честно считать, сколько реально «блюд» выдает кухня. Мы уже проходили по верхам базовые метрики для предсказуемости в посте выше.
👨🔬 На Throughput можно смотреть
- на масштабе за период (неделя-месяц-квартал),
- исследовать в микро- или макро-режимах чтобы найти паттерны,
- смотреть срезы по типам и источниками.
Сегодня рассмотрим как читать метрику, делая zoom in / zoom out.
🎭 Занавес, пятничный вечер, полный зал вздесь-могла-бы-быть-реклама-Тануки , суши-мастера не успевают нарезать рыбу, официанты спасают от голода фанатов темаки и сашими.
В 19:00 кухня выдаёт 50 порций в час — круто! Но уже к 22:00 throughput падает, сеты тянутся, а посетители начинают задумываться, не пора ли просто перебиться эдамаме и кимчи вместо полноценных блюд.
🗺 Zoom out:
В среднем по неделе throughput — 32 порции в час. Но этого мало! Если смотреть шире — видны пятничные пики, субботние провалы, идеальная среда. Это база для любого серьёзного планирования: хотите запускать happy hour или готовить новые акции — смотрите сюда!
🔍 Zoom in:
Приближаем: с 20:00 до 20:40 в пятницу часть заказов застревает в производстве (помните пресловутые Lead Time, Aging). Может, узкое место именно на сборке сложных сетов? Или повара устают от наплыва темпуры и роллов с лососем?
В следующих постах мы с вами разложим throughput по полочкам — покажем, как разные масштабы анализа меняют взгляд на цифры, и почему суши-ресторан — лучшая лаборатория для таких экспериментов!
❓ 🎁 А на вашу команду на каком масштабе (час/день/месяц/квартал) лучше смотреть, чтобы прогнозировать работу? (потом на Agile Ufa или СДЭКом наградим самых активных)
#metrics #throughput
👨🔬 На Throughput можно смотреть
- на масштабе за период (неделя-месяц-квартал),
- исследовать в микро- или макро-режимах чтобы найти паттерны,
- смотреть срезы по типам и источниками.
Сегодня рассмотрим как читать метрику, делая zoom in / zoom out.
🎭 Занавес, пятничный вечер, полный зал в
В 19:00 кухня выдаёт 50 порций в час — круто! Но уже к 22:00 throughput падает, сеты тянутся, а посетители начинают задумываться, не пора ли просто перебиться эдамаме и кимчи вместо полноценных блюд.
В среднем по неделе throughput — 32 порции в час. Но этого мало! Если смотреть шире — видны пятничные пики, субботние провалы, идеальная среда. Это база для любого серьёзного планирования: хотите запускать happy hour или готовить новые акции — смотрите сюда!
🔍 Zoom in:
Приближаем: с 20:00 до 20:40 в пятницу часть заказов застревает в производстве (помните пресловутые Lead Time, Aging). Может, узкое место именно на сборке сложных сетов? Или повара устают от наплыва темпуры и роллов с лососем?
В следующих постах мы с вами разложим throughput по полочкам — покажем, как разные масштабы анализа меняют взгляд на цифры, и почему суши-ресторан — лучшая лаборатория для таких экспериментов!
#metrics #throughput
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥1
Мы уже увидели, как throughput в суши-баре меняется на разных масштабах — теперь время докопаться до сути: какие именно заказы 🍜🍣🍥 идут по ленте, и почему это так важно использовать в прогнозах!
🌙🍸 Воображаем тот же вечер пятницы: В зал набилось народу, кто-то тыкает в меню на классический маки с тунцом 😊 , за соседним столиком ждут сашими 😨 ,а компания заказывает авторский сет аж из 12 позиций.
📝 Типы заказов важны для throughput (и типы задач если приземлять на наши реалии) для диагностики, ведь часто у них разные Lead Time (время реализации):
- 5 простых маки — приготовят за 7 минут.
- 2 темаки с креветкой — требуют аж 12 минут.
- 4 сашими-сета — рыбу нарезать делов на 5 минут.
- 2 больших сета — отнимут 20 минут минимум и займут на линии двух мастеров.
Вот где собака🐽 зарыта: не все блюда и их количество одинаковы для потока. На масштабе частенько считать "по штукам" может быть ок, но при этом важно следить за динамикой наполнения этих "штук".
⌛Что еще влияет на ваш поток?
Выше я приложил картинку с источниками заказов, будь то Яндекс Еда, Bolt, Uber Eats, заказ на поесть внутри ресторана. Ведь заказы на месте и на доставку грузят разные этапы: упаковка задерживает даже быстрые блюда.
Иногда на кухне притормаживает один мастер — потому что только он умеет делать особо хитрые нигири.
Бывают внезапные всплески новых позиций в меню — и никто не знает, как их быстро собирать! (ого, да это ж работа с новой технологией!)
⚡ Почему throughput -грут крут:
Он автоматически учитывает реальный микс заказов: простых, сложных, эксклюзивных. Не надо гадать и “калибровать” — просто честно считать фактический выход.
В этом его выигрыш перед разными баллами и оценками «на глаз» — наши суши уже рассказывают достаточно информации о потоке.
🖥 А как в айтишечке видна динамика Throughput в этих срезах?
- Начали больше выпускать работы, но в составе задач резко увеличились дефекты.
- Часто дефектов больше перед первым релизом продукта, а количество задач (в абсолютных значениях) увеличивается.
- Задачи с фиксированным дедлайном часто выполняются за другое количество времени, нежели стандартные задачи.
- Разброс времени выполнения спайков (исследовательских задач) может быть существенно больше, чем у стандартной работы.
❤️ А что нам важно-то?
- Стабильный Throughput - признак предсказуемости. На больших периодах не должен прыгать на +- 30% (можно использовать скользящее отклонение от среднего значения за последние 4-6 периодов)
- Рост / снижение это не плохо, а входная точка для диагностики вместе с другими метриками.
- Стабильность Throughput будет всегда скакать, если команда активно растет или продукт/сервис потихоньку декомиссится.
❕ Есть ли разрезы информации в Throughput (кроме типов работы (блюда), источников заказов с особенностью выполнения (на вынос или в рестике), временных периодов (zoom in / out)) - которые мы не учли?
#metrics #throughput
🌙
📝 Типы заказов важны для throughput (и типы задач если приземлять на наши реалии) для диагностики, ведь часто у них разные Lead Time (время реализации):
- 5 простых маки — приготовят за 7 минут.
- 2 темаки с креветкой — требуют аж 12 минут.
- 4 сашими-сета — рыбу нарезать делов на 5 минут.
- 2 больших сета — отнимут 20 минут минимум и займут на линии двух мастеров.
Вот где собака
⌛Что еще влияет на ваш поток?
Выше я приложил картинку с источниками заказов, будь то Яндекс Еда, Bolt, Uber Eats, заказ на поесть внутри ресторана. Ведь заказы на месте и на доставку грузят разные этапы: упаковка задерживает даже быстрые блюда.
Иногда на кухне притормаживает один мастер — потому что только он умеет делать особо хитрые нигири.
Бывают внезапные всплески новых позиций в меню — и никто не знает, как их быстро собирать! (ого, да это ж работа с новой технологией!)
⚡ Почему throughput -
Он автоматически учитывает реальный микс заказов: простых, сложных, эксклюзивных. Не надо гадать и “калибровать” — просто честно считать фактический выход.
В этом его выигрыш перед разными баллами и оценками «на глаз» — наши суши уже рассказывают достаточно информации о потоке.
- Начали больше выпускать работы, но в составе задач резко увеличились дефекты.
- Часто дефектов больше перед первым релизом продукта, а количество задач (в абсолютных значениях) увеличивается.
- Задачи с фиксированным дедлайном часто выполняются за другое количество времени, нежели стандартные задачи.
- Разброс времени выполнения спайков (исследовательских задач) может быть существенно больше, чем у стандартной работы.
❤️ А что нам важно-то?
- Стабильный Throughput - признак предсказуемости. На больших периодах не должен прыгать на +- 30% (можно использовать скользящее отклонение от среднего значения за последние 4-6 периодов)
- Рост / снижение это не плохо, а входная точка для диагностики вместе с другими метриками.
- Стабильность Throughput будет всегда скакать, если команда активно растет или продукт/сервис потихоньку декомиссится.
#metrics #throughput
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2
У меня тут вышел большой практический гайд на Хабре про Throughput (динамику и паттерны) и прогнозирование симуляцией 🎲 Монте-Карло.
🔍 Разбор Throughput со стороны
- Значимых периодов и частоты замеров
- Вариативности
- Кластеризации по типам работ
🤖 Алгоритм составления прогнозов через симуляцию Monte-Carlo на основе Throughput - Когда будут готовы следующие 50 элементов
+ Обзор инструментов визуализации и прогнозирования
+ Почему Throughput уже учитывают вариативность в работе команде
+ Почему Story Points менее эффективны для прогнозирования
https://habr.com/ru/articles/940882/
#mcs #montecarlo #throughput #forecasting
🔍 Разбор Throughput со стороны
- Значимых периодов и частоты замеров
- Вариативности
- Кластеризации по типам работ
🤖 Алгоритм составления прогнозов через симуляцию Monte-Carlo на основе Throughput - Когда будут готовы следующие 50 элементов
+ Обзор инструментов визуализации и прогнозирования
+ Почему Throughput уже учитывают вариативность в работе команде
+ Почему Story Points менее эффективны для прогнозирования
https://habr.com/ru/articles/940882/
#mcs #montecarlo #throughput #forecasting
Хабр
Throughput: как научиться перестать гадать сроки и начать их предсказывать через симуляцию Monte-Carlo
Как использовать метрику потока Throughput и реалистично прогнозировать на основе симуляции Монте-Карло. Разберем динамику Throughput (пропускной способности) за значимые периоды времени, насколько...
🔥4👍3