Keď som nastúpil do svojej prvej manažérskej roly, začínal som takmer od nuly v každom zmysle. Nový produkt, nový tím, noví ľudia, úplne iné procesy. Urobil som to, čo by urobil každý rozumný človek: hovoril som so všetkými. Ale samotné rozhovory nestačili. Potreboval som vidieť, čo sa skutočne deje.
Prečo som začal budovať dashboardy
K tým prvým týždňom som pristupoval na dvoch paralelných koľajach. Jedna bola ľudská: viesť neformálne rozhovory doslova so všetkými, pochopiť, čo ľudí zaujíma, čo ich frustruje, na čo sú hrdí. Druhá boli dáta: čítanie dashboardov, ktoré už existovali, a potom budovanie vlastných.
Budovanie vlastných sa ukázalo ako veľmi hodnotné cvičenie. Keď čítate cudzí dashboard, dostávate odpovede. Keď si budujete vlastný, dostávate otázky. Každá metrika, ktorú som sa pokúsil definovať, ma nútila pýtať sa: ako toto funguje? Prečo toto sledujeme? Čo robíme, ak nastane X alebo Y? Tento proces budovania mi dal oveľa lepšie pochopenie tímu ako akýkoľvek odovzdávací dokument.
Jednoduchý spôsob, ako si vysvetľujem, prečo sú dáta v manažmente dôležité: ako môžete riadiť niečo bez toho, aby ste videli, ako to reaguje? Je to ako šoférovať auto alebo pilotovať lietadlo bez znalosti rýchlosti, polohy, či zrýchľujete alebo spomaľujete. Niekam sa dostanete, ale letíte naslepo. Keď máte metriky, môžete sledovať, ako sa menia po rôznych rozhodnutiach či zmenách. Môžete si stanoviť cieľ a sledovať, či sa k nemu blížite. Môžete inžinierom ukázať presne to, čo vidíte a kam sa chcete dostať.
Čo dáta skutočne ukázali
Pomerne rýchlo som narazil na limity Jiry. Chcel som vidieť niečo konkrétne: zo všetkých ticketov, ktoré tím dokončí, koľko z nich sa dokončí v práve jednom sprinte? Koľko sa preleje do druhého? Tretieho? Štvrtého? Znie to jednoducho, ale Jira tento typ pohľadu by default nepodporuje.
Našťastie sme mali EazyBI, reportovací nástroj postavený na Jire, ktorý umožňuje definovať vlastné metriky. Názov naznačuje, že by mal byť jednoduchý. Nie je. Naučiť sa v ňom orientovať trvá nejaký čas. Ale odmenou je, že môžete vybudovať akýkoľvek view, ktorý skutočne potrebujete.
Počas niekoľkých štvrťrokov som prešiel od zorientovania sa v EazyBI, cez budovanie dashboardov, až po pridávanie sofistikovanejších metrík, ako sú kĺzavé priemery a distribúcie doby cyklu ticketov. Čo začalo ako nástroj na prežitie, sa stalo niečím, na čo som sa skutočne spoliehal pri pochopení vzorcov tímu, zachytávaní anomálií a vedení úprimných rozhovorov o práci.
Lekcia, ktorú som nečakal: dáta môžu klamať
Najdôležitejšia vec, ktorú ma manažment riadený dátami naučil, nie je to, ako budovať dashboardy. Je to to, ako spochybniť to, čo ukazujú.
V jednom momente som sa díval na dobu cyklu ticketov naprieč tímami. Väčšina tímov sa pohybovala okolo 20 až 30 dní. Jeden tím ukazoval viac ako 60. To je výrazný rozdiel. Logická interpretácia by bola, že ide o výkonnostný problém. Ale skôr než som vyvodil akékoľvek závery, chcel som samotné číslo pochopiť, to ako sa vypočítava.
Začal som otvárať skutočné tickety za touto metrikou a ručne prechádzať ich histórie. Čo som našiel, nebol tím pracujúci pomaly. Boli to zabudnuté tickety: issues sediace v "In Progress" alebo "In Review" mesiace, ktoré vypadli z radaru tímu počas rušných období alebo po zmene priorít. Boli to tzv. outliers hodnoty ťahajúce priemer hore. Dáta boli technicky presné. Príbeh, ktorý rozprávali, bol úplne nesprávny.
Označil som tieto tickety ako outlier hodnoty aby ich metrika ignorovala a vytvoril novú automatizáciu na zachytenie podobných situácií v budúcnosti. Doba cyklu klesla pod 20 dní. Problém, ktorý vyzeral ako problém zdravia alebo výkonnosti tímu, sa ukázal byť problémom hygieny dát.
Táto situácia formovala môj prístup ku každej metrike. Číslo bez kontextu je len číslo. Dáta vám povedia, kde sa pozrieť, nie čo z toho vyvodiť. Stále potrebujete úsudok.
Predvídateľnosť ako proxy pre zdravie tímu
Jedna z metrík, ktorú sledujem naprieč tímami, je predvídateľnosť sprintu: percentuálny podiel plánovanej práce vs tej, ktorá sa skutočne dokončí. Nejde o to, či sú plány nemenné. Plány sa menia. Čo predvídateľnosť meria, je niečo jemnejšie a to to, či má tím realistický obraz o vlastnej kapacite.
Konzistentne nízka predvídateľnosť je signál, že tím je pri plánovaní príliš optimistický. Niekedy sa ťahajú do sprintu tickety, ktoré nemajú hotové ich prerekvizity.
S jedným tímom som sa to riešil asi tri mesiace. Prostredníctvom koučingu a agilného mentoringu. Koučing nebol abstraktný. Bol konkrétny: nezahŕňajte ticket do sprintu, ak prerekvizitná práca ešte nie je hotová, nedokončí sa a len ukradne vašu mentálnu kapacitu. Rozdeľte prácu na menšie časti. Menšie PR sa ľahšie píšu, ľahšie prejdú review a ľahšie sa mergujú. Cieľom bolo pomôcť tímu cítiť sa menej vystresovane, predchádzať vyhoreniu a vidieť skutočný pokrok namiesto len úsilia.
Počas zhruba troch mesiacov sa predvídateľnosť tohto tímu cca zdvojnásobila, z asi 25 % na asi 50 %. Číslo záležalo menej ako to, čo reprezentovalo: tím, ktorý plánoval realistickejšie, sa cítil menej preťažený a napredoval s väčšou konzistentnosťou.
Sprístupnenie znalostí
Po tom, čo som strávil značný čas naučením sa EazyBI, vytvoril som krátku sériu interných videí pre ostatných manažérov. Asi tri videá po asi 20 minút, kde som prešiel nastavením analýz, budovaním dashboardov, ich prepojením s Jirou a definovaním vlastných metrík.
Motivácia bola jednoduchá: čo by som chcel ja, keby som s tým práve začínal? Niekoho, kto mi ukáže základy, aby som nestrávil týždne v pokuse a omyle.
Rovnako to robím s knihami. Pravidelne požičiavam a zdieľam knihy s kolegami. Znalosti, ktoré zostávajú u jedného človeka, sú menej užitočné ako znalosti, ktoré kolujú.
Zviditeľňovanie práce ako koncept presahuje dashboardy. Ide aj o zviditeľňovanie toho, čo ste sa naučili, ľuďom okolo vás.
Ak riadite tím a riešite podobné otázky (budovanie prehľadu, zmysluplnosť metrík alebo zisťovanie, čo skutočne merať), rád sa nad tým s vami zamyslím. Napíšte mi.