Precisa de ajuda para escolher o seu
treinamento ou tem alguma dúvida?

Lean Inception e no-estimate

Pergunta:

Como o movimento #NoEstimates se relaciona com esse livro, Lean Inception?

Resposta:

Na minha vivencia, independente de estimate ou no-estimate das histórias (ou requisitos), alguém (geralmente o cliente) quer muito e geralmente pressiona os fornecedores (ou equipe de desenvolvimento) a responder duas perguntas:

  • o que?
  • quando?

Temos de conseguir responder algo, e rápido. Senão a pressão aumenta e a pergunta fica cada vez mais incisiva.

No meu passado de histórias de usuário, velocity, burn-up e lead time, eu conseguia dar tal resposta depois do projeto estar (1) com o escopo todo detalhado em histórias, e (2) depois do time ter entregue uma dezena de histórias, permitindo os cálculos de velocity, lead time, e burn-up. E eu demorava muito até conseguir essas respostas.

Detalhar todas histórias consumia muito esforço e tempo. E eu nunca conheci um cliente que gostasse de esperar semanas para alguém lhe dizer uma data.

Eu mudei. Experimentei outras formas de trabalhar e alterei meu discurso para poder responder essas perguntas básicas—o que e quando?

 

Quando percebi que passei a seguir o mesmo padrão (e meus colegas de trabalho também), documentei (blog posts -> eBook -> livro impresso) para poder compartilhar com mais gente ainda. Essa é a Lean Inception.

 

Lean Inception coloca o foco no produto mínimo viável (MVP) e suas funcionalidades. Em poucos dias, não vale a pena detalhar todo escopo a nível de histórias de usuário.

 

Mas quem disse que o cliente (ou qualquer pessoa que estivesse interessada em entender escopo) queria uma lista enorme de histórias de usuário?

 

Pois bem, o canvas MVP deixa a questão do ‘O Que?’ muito mais esclarecida. Nesse canvas está muito bem descrito o escopo do MVP. Simples e direto!

 

Em relação a dizer uma data, mesmo sem ter semanas decorridas com histórico do trabalho realizado, DiretoAoPonto sugere o cálculo de tempo, custo e esforço fazendo um pesquisa amostral, assim como em uma eleição, entrevistando parte do universo para aprender sobre o todo. Esse é o cálculo por amostragem, onde o time detalha todas as tarefas de algumas features (amostragem), para estimar custo, tempo e esforço para fazê-las. Depois o time extrapola esta conta para todas as features.

 

Enfim, o resultado de fazer a Lean Inception, e a partir dela realizar o planejamento do projeto,  é que ambas perguntas estarão respondidas: o que e quando. Com isso, o time tem a liberdade de usar histórias, tarefas, scripts, pergaminho, ou seja lá o que for. E ainda pode jogar planning poker, t-shirt size, no-estimates, ou qualquer combinação que queira.

 

[divider]

 

Em uma thread de email interna da ThoughtWorks, uma pergunta  similar foi levantada: Como os projetos estão lidando com estimativas? Segue a breve resposta do Tiago Rosa.

“Pensando em como gostamos de começar a pensar em um produto (Lean Incewption), descobrimos as features, colocamos em sequência, identificamos os MVPs e depois criamos uma ideia de tempo e custo. As datas vem deste último passo, encontradas a partir daquilo que o próprio time estima. A diferença é que as datas são flexíveis e devem ser adequadas à prática de entregar, medir, aprender e talvez mudar de direção.” — Tiago Rosa

[content_block id=3005 slug=inception-mvp-e-diretoaoponto]

Paulo Caroli

Paulo Caroli is an author, speaker, and consultant specializing in agile transformations, Lean Inception, and OKRs. With over 30 years of experience—including nearly a decade in Silicon Valley and 18 years at ThoughtWorks—he has helped organizations transition from project to product and from strategy to execution. Creator of the Lean Inception methodology and author of bestselling books like Lean Inception and Team OKR, Paulo is dedicated to empowering teams to align, validate, and deliver real business value.
Inteligência Artificial e Outcomes: Por que Produzir Mais Não Significa Gerar Mais Resultados

Inteligência Artificial e Outcomes: Por que Produzir Mais Não Significa Gerar Mais Resultados

A inteligência artificial está tornando os outputs mais rápidos, baratos e abundantes. Mas produzir mais não significa gerar mais resultados. Neste artigo, Paulo Caroli explica por que outcomes, julgamento e ownership se tornam ainda mais importantes à medida que papéis, processos e estruturas de times mudam. A partir de Lean Inception, Team OKR e Triple Track, o texto mostra como conectar estratégia, aprendizado e execução na era da IA.

ler mais

Pin It on Pinterest