Можно ли использовать Монте-Карло на основе Throughput, если Lead Time с жирными хвостами?
Разбор по мотивам обсуждения из чатика "Kanban Talks".
И так, исходим из предположения, что в моделировании используется только Throughput.
При этом используем допущение, что все задачи попадающие в процесс завершаются (не выбрасываются).
Можно ли использовать данные по Throughput для моделирования Монте-Карло, в случае наличия жирных хвостов (есть задачи которые залёживаються в процессе)?
Ответ:
Мы, вполне, получим прогоз с достаточной точностью, если определим конечный набор входящих в процесс задач.
Система получается закрытой, а процесс сходящимся.
Причём так как мы используем конкретный набор задач, и с достаточной стабильным WIP, прогноз будет вполне точным.
И даже простая экстраполяция графика касательных к CFD диаграмме по завершением задачам может дать примерные сроки завершения.
Эта максима, от которой дальше можно двигаться в рассуждения.
Но, как же так?
Ведь есть долгие задачи?
Да, но в система стабильна относительно пропускной способности, и эти долгие задачи это лишь признак их типовой обособленности.
Это просто другой тип задач.
Даже если используем моделирование на основании ограничения WIP, и Lead Time, мы так же получим сходящийся результат в конкретные сроки, при правильном подборе WIP, примерно в те же, что и с чисто Throughput.
Идея в том, что моделирование будет строиться от объёма который надо выполнить и характеристики либо пропускной способности либо WIP и Lead Time, отвечая на вопрос: а когда выполним этот объем данных?
А вот если мы задаёмся вопросом — когда конкретная задача будет выполнена?
То тут как раз нас ожидают проблемы.
Очевидный ответ будет — во всем диапазоне сроков по распределению Lead Time. Увы. И то, если в LT достаточно данных для такого ответа.
Ок, а что если наша система не замкнутая, а объем меняется?
Или, у нас есть процесс по удалению задач из процесса?
Тогда, для точности прогноза с методом Монте-Карло станет действительно интереснее, нам нужно будет внести функции оценки сходимости процесса, и понять как определить функции дополнения новых задач и удаления из процесса во времени для прогнозирования.
Итог:
— Если система стабильна по пропускной способности и объем задач конечен, то прогноз будет хорошим, для оценки сроков по завершению совокупности объёма
— Для оценки сроков по конкретной задаче, мы действительно будем испытывать трудности
Дополнительно:
В случае изменения входящего объёма и изменения объёма который дропаеться, для точности оценки нужно вносить функцию оценки сходимости, которая будет отвечать на вопрос: "при какой динамике добавления и удаления из процесса задач, мы можем успеть к сроку".
Однако, и её можно свести к вопросу о "получения диапозона дат завершеия всего объема", если задать вероятности появления/дропа новых задач и какого объёма, как вам уже знакомая работа с рисками. И ответ вполне может быть (бесконечность, для расходящегося процесса).
Значит чтобы делать оценку о сроках, нам в общем надо понимать сходимость процесса. А эта сходимость определяется отношением скорости поступающих задач к исходящим.
В случае если вы наблюдайте динамику роста рисков (или в общем объёма повышения задач относительно завершения) вот точно надо принимать меры, по сдерживанию динамики и приведению её в порядок – сведению к динамике решаемых задач.
Либо увеличению динамики решаемых задач, так чтобы она покрывала и риски.
Сейчас, наверное посмотрите на свое CFD, и скорее всего сядите подумать, чего делать с эти растущим бэклогом?
- что от туда дропать?
- нанимать ли ещё людей?
- автоматизировать ли что-то?
- отказаться ли от какого-то функционала фокусируясь на важном в рамках объёма возможностей?
- а что в этом всем важное?
- можете ли себе позволить отказаться, если рыночек требует?
P.S. в не замкнутом процессе, где добавляються задачи даже с той же или большей скоростью, что и завершаются, вполне возможен случай с появлением бесконечной задачи. Если не видить их и не принимать решения о их завершении или дропе.
#интересное
#throughput
#МонтеКарло
Разбор по мотивам обсуждения из чатика "Kanban Talks".
И так, исходим из предположения, что в моделировании используется только Throughput.
При этом используем допущение, что все задачи попадающие в процесс завершаются (не выбрасываются).
Можно ли использовать данные по Throughput для моделирования Монте-Карло, в случае наличия жирных хвостов (есть задачи которые залёживаються в процессе)?
Ответ:
Мы, вполне, получим прогоз с достаточной точностью, если определим конечный набор входящих в процесс задач.
Система получается закрытой, а процесс сходящимся.
Причём так как мы используем конкретный набор задач, и с достаточной стабильным WIP, прогноз будет вполне точным.
И даже простая экстраполяция графика касательных к CFD диаграмме по завершением задачам может дать примерные сроки завершения.
Эта максима, от которой дальше можно двигаться в рассуждения.
Но, как же так?
Ведь есть долгие задачи?
Да, но в система стабильна относительно пропускной способности, и эти долгие задачи это лишь признак их типовой обособленности.
Это просто другой тип задач.
Даже если используем моделирование на основании ограничения WIP, и Lead Time, мы так же получим сходящийся результат в конкретные сроки, при правильном подборе WIP, примерно в те же, что и с чисто Throughput.
Идея в том, что моделирование будет строиться от объёма который надо выполнить и характеристики либо пропускной способности либо WIP и Lead Time, отвечая на вопрос: а когда выполним этот объем данных?
А вот если мы задаёмся вопросом — когда конкретная задача будет выполнена?
То тут как раз нас ожидают проблемы.
Очевидный ответ будет — во всем диапазоне сроков по распределению Lead Time. Увы. И то, если в LT достаточно данных для такого ответа.
Ок, а что если наша система не замкнутая, а объем меняется?
Или, у нас есть процесс по удалению задач из процесса?
Тогда, для точности прогноза с методом Монте-Карло станет действительно интереснее, нам нужно будет внести функции оценки сходимости процесса, и понять как определить функции дополнения новых задач и удаления из процесса во времени для прогнозирования.
Итог:
— Если система стабильна по пропускной способности и объем задач конечен, то прогноз будет хорошим, для оценки сроков по завершению совокупности объёма
— Для оценки сроков по конкретной задаче, мы действительно будем испытывать трудности
Дополнительно:
В случае изменения входящего объёма и изменения объёма который дропаеться, для точности оценки нужно вносить функцию оценки сходимости, которая будет отвечать на вопрос: "при какой динамике добавления и удаления из процесса задач, мы можем успеть к сроку".
Однако, и её можно свести к вопросу о "получения диапозона дат завершеия всего объема", если задать вероятности появления/дропа новых задач и какого объёма, как вам уже знакомая работа с рисками. И ответ вполне может быть (бесконечность, для расходящегося процесса).
Значит чтобы делать оценку о сроках, нам в общем надо понимать сходимость процесса. А эта сходимость определяется отношением скорости поступающих задач к исходящим.
В случае если вы наблюдайте динамику роста рисков (или в общем объёма повышения задач относительно завершения) вот точно надо принимать меры, по сдерживанию динамики и приведению её в порядок – сведению к динамике решаемых задач.
Либо увеличению динамики решаемых задач, так чтобы она покрывала и риски.
Сейчас, наверное посмотрите на свое CFD, и скорее всего сядите подумать, чего делать с эти растущим бэклогом?
- что от туда дропать?
- нанимать ли ещё людей?
- автоматизировать ли что-то?
- отказаться ли от какого-то функционала фокусируясь на важном в рамках объёма возможностей?
- а что в этом всем важное?
- можете ли себе позволить отказаться, если рыночек требует?
P.S. в не замкнутом процессе, где добавляються задачи даже с той же или большей скоростью, что и завершаются, вполне возможен случай с появлением бесконечной задачи. Если не видить их и не принимать решения о их завершении или дропе.
#интересное
#throughput
#МонтеКарло
👍7