Ο Μύθος των Εκτιμήσεων
Γιατί είμαστε τόσο κακοί στο να εκτιμούμε σύνθετη εργασία και τι να κάνουμε αντ' αυτού.
Key Takeaways
- Το σχετικό μέγεθος είναι πιο ακριβές από τις ώρες.
- Η αβεβαιότητα είναι υψηλότερη στην αρχή της εργασίας.
- Η πρόβλεψη βάσει δεδομένων κερδίζει την εικασία.
Η Αρχή της Αβεβαιότητας
Στην εργασία γνώσης, μας ζητούνται συχνά ακριβείς εκτιμήσεις για μοναδικά προβλήματα. Αυτό είναι μια λογική πλάνη. Κάθε νέα λειτουργία είναι μια διαδικασία 'ανακάλυψης', όχι μια διαδικασία 'κατασκευής'. Δεν χτίζουμε μια γέφυρα χρησιμοποιώντας ένα γνωστό σχέδιο- εξερευνούμε μια περιοχή που δεν έχει χαρτογραφηθεί ποτέ πριν.Ο Κώνος της Αβεβαιότητας
Στην αρχή ενός έργου, γνωρίζουμε τα λιγότερα γι' αυτό. Ωστόσο, τότε είναι που μας ζητείται να κάνουμε τις πιο σημαντικές εκτιμήσεις. Η έρευνα δείχνει ότι οι αρχικές εκτιμήσεις μπορεί να πέφτουν έξω κατά συντελεστή 4x (διακύμανση 400%). Καθώς χτίζουμε και μαθαίνουμε, ο 'Κώνος' στενεύει και η ακρίβειά μας βελτιώνεται.📹 Video Resource: Ο Κώνος της Αβεβαιότητας Εξηγείται
Γιατί αποτυγχάνουμε: Η Πλάνη του Σχεδιασμού
Η γνωστική ψυχολογία (Kahneman & Tversky) απέδειξε ότι οι άνθρωποι είναι συστηματικά υπερβολικά αισιόδοξοι. Οραματιζόμαστε το 'ευτυχισμένο μονοπάτι' και αγνοούμε τα 100 πράγματα που θα μπορούσαν να πάνε στραβά. Εκτιμούμε την προσπάθεια της εργασίας, αλλά αγνοούμε την προσπάθεια των 'διακοπών', των 'μεταβιβάσεων' και των 'απρόβλεπτων σφαλμάτων'.Η Καινοτομία: Σχετικό Μέγεθος (Relative Sizing)
Σταματήστε να μαντεύετε ώρες. Ξεκινήστε να συγκρίνετε μεγέθη. Δεν ξέρουμε ακριβώς πόσα κιλά ζυγίζει ένας σκύλος, αλλά μπορούμε εύκολα να δούμε αν είναι 'Μικρός' (Τσιουάουα), 'Μεσαίος' (Beagle) ή 'Πολύ Μεγάλος' (Μεγάλος Δανός). Αυτή είναι η βάση των Story Points.Η σχετική εκτίμηση είναι έως και 80% ταχύτερη και ακριβέστερη από την προσπάθεια εκτίμησης σε απόλυτες ώρες, επειδή ο εγκέφαλός μας είναι προγραμματισμένος για σύγκριση, όχι για υπολογισμό.
— Ο Νόμος του Σχετικού Μεγέθους
📹 Video Resource: Agile Estimation: Η Αναλογία του Σκύλου
Τα Μαθηματικά (Νόμος των Μεγάλων Αριθμών)
Η συγκέντρωση πολλών μικρών, ανακριβών εκτιμήσεων οδηγεί σε πολύ πιο σταθερά αποτελέσματα από μία μεγάλη, 'ακριβή' εκτίμηση. Μαθηματικά, το σχετικό σφάλμα μειώνεται καθώς προσθέτετε περισσότερα στοιχεία στο σύνολο.Ο Νόμος της Συγκέντρωσης:
Total Variance = 1 / sqrt(N) (Όσο περισσότερα στοιχεία σπάτε την εργασία σας, τόσο περισσότερο τα ατομικά σας σφάλματα αλληλοεξουδετερώνονται.)