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

Radar de Débitos Técnicos por Glauco Vinicius

debito-tecnico

Glauco Vinicius implementa o “radar de débitos técnicos (imagem acima) de forma simples e efetiva. Segue abaixo a explicação do radar:

  • Existem dois eixos: valor entregue para o negócio* (y) e esforço (x).
  • Tudo o que entrega pouco valor de negócio e requer muito esforço, é despriorizado (não quer dizer que não será feito!)
  • Tudo o que entrega muito valor de negócio e requer pouco esforço é priorizado
  • Tudo o que entrega pouco valor de negócio e requer pouco esforço deve ser avaliado com mais cuidado
  • Tudo o que entrega muito valor de negócio e requer muito esforço deve ser avaliado com mais cuidado

Segundo Glauco, o radar deve ficar visível e acessível para que os integrantes do time adicionem os débitos técnicos á medida em que desenvolvem histórias de usuário.

Leia o artigo do Glauco na íntegra aqui.

Eu já tinha visto alguns estilos de radar de débito técnico. Mas esse é diferente dos outros. O Glauco utilizou as mesmas cores propostas para as features do DiretoAoPonto. Desta forma fica mais fácil de se conversar sobre o que ficou para depois: verde, amarelo ou vermelho, respectivamente: mais tranquilo, médio, e mais esforço para pouco valor.

Glauco ainda aconselha o time a separar algum tempo para lidar com os débitos técnicos a cada entrega de MVP.

[content_block id=3231 slug=ebook-devoops-para-mvp]

 

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