Блог

Анализ диаграммы распределения времени выполнения заказа

Перевод статьи Алексея Жеглова, размещённой на connected-knowledge.com
Оригинал статьи можно прочитать здесь.

Эта статья посвящена одному из ключевых показателей потока, которые мы используем в Канбан — времени выполнения заказа (Lead time). Мы немного поговорим о том, как его измерить, а также проанализировать и использовать полученные результаты.

В широком смысле, время выполнения заказа — это то, сколько времени требуется рабочему элементу, чтобы пройти через систему. Есть несколько вариантов этого определения. Клиентское время выполнения — это по сути время от формулирования концепции до получения денег. В Канбан-системах, связанных с интеллектуальной деятельностью (непроизводственных), мы также используем время выполнения заказа в Канбан-системе, которое измеряется от первой точки принятия обязательств в Канбан-системе до первого бесконечного выходного буфера.

Пример: рабочий элемент на Канбан-доске с отмеченным временем начала

Мы также используем термин время цикла. В Канбан-системах, связанных с интеллектуальной деятельностью, этот термин всегда является локальным и пригодным только там, где применяется. Нет никакого общего «времени цикла». У этих определений есть интересные корни, но они выходят за рамки этой статьи.

Измерить время выполнения заказа очень просто. Все, что требуется — это отметить, когда рабочий элемент был запущен, когда он был доставлен, а затем вычислить разницу. Мы можем сделать это, используя временны́е метки из электронных систем управления. Если мы используем физические Канбан-доски, мы можем сделать это, отметив даты начала и окончания в нижних углах карточки. «Метод Робинзона Крузо», когда необходимо ежедневно ставить отметку на карточке, оказался неэффективным в современном офисе.
Пример: карточка политики на Канбан-доске с напоминанием о необходимости отметить время выполнения заказа

После доставки нескольких элементов у нас есть набор данных о времени выполнения заказа. Теперь мы можем построить гистограмму и проанализировать распределение.

Пример


Вот пример распределения времени выполнения заказа от организации, разрабатывающей индивидуальные IT-решения.

Это не редкая форма распределения времени выполнения, со смещенным влево асимметричным «горбом» и длинным толстым «хвостом». Лучше всего для описания этого набора данных подходит так называемое распределение Вейбулла с параметром формы 1,62 (это двухпараметрическое семейство абсолютно непрерывных распределений. Изменение параметра формы преобразует кривую распределения в несколько различных форм. Но это тема для другого поста).

Доставка занимает в среднем 34 дня. 85% проектов доставляются за 61 день, 98% занимают до 96 дней. И мы знаем эти вероятности, даже если больше ничего не знаем о проекте.

Углубление в данные


Проекты этой организации не все одинаковы. Они предлагают решения нескольких различных типов. На следующей гистограмме показано распределение времени выполнения заказа по четырем основным типам проектов (по соображениям анонимности эти типы проектов идентифицируются только с помощью цветовой кодировки).

На этой диаграмме мы видим, что каждая категория проектов имеет разное распределение. Реализация голубых проектов обычно занимает больше времени, чем реализация зеленых проектов. В хвосте распределения есть несколько, непропорционально много, красных отчётов, даже несмотря на то, что их пик распределения смещён влево. Фиолетовые интеграции занимают довольно много времени даже в лучшем случае.

Первая информация, которую мы получаем о каждом проекте — это то, к какой из категорий он относится. В Канбане мы называем эти категории — «типы рабочих элементов». Эта информация ясна, однозначна и не требует ни времени, ни усилий для её получения. Давайте углубимся в данные о времени выполнения по типу рабочего элемента.

Вот гистограмма времени выполнения для «зелёных» проектов, на которые приходится чуть более половины всех поставок.

Зелёные проекты доставляются немного быстрее, чем в среднем все проекты, за 30 дней против 34-х. 85-й процентиль поставок также занимает меньше времени, 54 дня против 61; и 98-й процентиль занимает 85 дней против 96.

Лучшим распределением, подходящим для зелёных проектов, опять же, является Вейбулл с формой 1.62. Одним из важных качеств этого распределения является то, что процентили (85-й, 98-й и другие) зависят только от среднего значения и параметра формы. Любой может рассчитать среднее значение. Поиск параметра формы требует некоторых статистических навыков, но благо он не сильно меняется со временем. Зная параметр формы и среднее значение, мы можем вычислить 85-й, 98-й и любой другой процентиль, который нам нужен. Конечно, мы также можем взять эти процентили из набора данных.

Давайте теперь взглянем на красные отчёты.

Процесс доставки, используемый компанией для этого типа проектов, отличается, и это видно по параметру формы наиболее подходящего распределения. Это снова Вейбулл, но параметр формы намного меньше — 1.23. Средняя доставка занимает 35 дней, мода (наиболее распространенное время выполнения заказа) намного меньше, 85% поставок занимают 61 день, 98% - 96 дней.

Рассматривая другие типы рабочих элементов мы видим, что синие проекты по внедрению следуют распределению, аналогичному зелёным проектам: параметр формы 1.65, среднее 40 дней, 85% выполнено за 66 дней, 98% за 81 день.

Организационный процесс для фиолетовых интеграционных проектов является наиболее регламентированным и реализуется в несколько этапов. И это также видно по форме распределения времени выполнения заказа (параметр формы — 3.22). Он более симметричен, с небольшим количеством «маленьких» (коротких по времени выполнения) проектов. Средний срок доставки составляет 56 дней, 85% за 70 дней, 98% за 100 дней.

Установление ожидаемого уровня сервиса


Теперь мы можем установить ожидаемый уровень сервиса для различных типов рабочих элементов, предоставляемых этой организацией. В следующей таблице приведены сводные данные по четырём типам рабочих элементов. Для сравнения я включил оценки процентилей, полученные с использованием параметризованных распределений. *Маленький секрет: у меня есть «навигационные таблицы» с предварительно рассчитанными коэффициентами для всех распространенных форм распределения, поэтому я просто взял среднее время выполнения заказа и умножил его на цифры из моей таблицы, используя калькулятор на моём телефоне.

Обратите внимание, что оценки 98-го процентиля, полученные с использованием параметрических распределений, довольно консервативны. Это уместно, поскольку небольшие наборы данных (в наборе данных было всего 19 красных и 14 синих рабочих элементов) плохо отражают вероятности редких событий.

Выводы


Время выполнения легко измерить. Есть несколько определений, и важно понимать, откуда и до какого момента проводить измерения. Многие сервисы поставляют различные типы рабочих элементов. Поэтому важно углубляться в данные о времени выполнения заказа по типу рабочего элемента, чтобы для каждого можно было установить отдельный ожидаемый уровень сервиса. Свойства общих распределений времени выполнения хорошо изучены и могут использоваться для поддержки SLE (service level expectations) и прогнозирования.