Talla de camiseta y estimación total, ¿cómo gestionarlas?

Estoy trabajando en un proyecto y el propietario del producto tiene que decidir si implementar nuevas funciones de juego en una aplicación de teléfono inteligente y cuántas . Esas características del juego tienen el objetivo de mantener al usuario más activo dentro de la aplicación. Actualmente esas funcionalidades las explicaba el Product Owner de forma aproximada, no detallada, pero de forma más genérica.

Planificamos una sesión para analizar de forma genérica cada funcionalidad, dividiéndolas en macroáreas a desarrollar (Drupal, Frontend, Middleware,...), para estimarlas, no con puntos, sino con tallas de camiseta y el objetivo era entender el esfuerzo , riesgos, reutilización de componentes comunes. Al final, esta estimación debería generar una especie de gráficos de características, desde la más eficiente hasta la última.

Con eficiencia deberíamos considerar el interés de los usuarios (provenientes de una encuesta) y los tamaños de estimación. Pero, ¿cómo podrías analizar con precisión tallas de camiseta como XS, S, M, L, XL? ¿Los mapearías con 1, 2, 3, 4, 5 y los sumarías? ¿O simplemente verifique cuál podría ser el más eficiente para implementar, simplemente mirando los tamaños?

Uno de los beneficios de la talla de camiseta es que hace que sea obvio para todos que las estimaciones tienen un gran margen de error. Sea cual sea el enfoque que decida tomar, trate de evitar que parezca más preciso. Existe el peligro de que esto pueda dar una falsa confianza en las estimaciones a aquellos fuera del equipo que no conocen los detalles.

Respuestas (2)

TL;DR

Si desea puntuar cosas, debe convertir a un valor numérico u ordinal para realizar una comparación. Sin embargo, parte del desafío es que está utilizando la herramienta incorrecta para comparar características en múltiples dimensiones. El tamaño de la camiseta es una buena comparación relativa para el nivel de esfuerzo, pero no es útil para comparar varios criterios entre sí con granularidad. En su lugar, debe utilizar Selección de temas o Puntuación de temas.

Puntuación del tema

En general, cuando se trata de clasificar las funciones, desea utilizar la selección de temas o la puntuación de temas para comparar las funciones en todas las dimensiones. La puntuación de temas utiliza dos ejes, donde el eje X es un conjunto de epopeyas o temas, y el eje Y es un conjunto de criterios. A continuación, puede modificar los pesos relativos de los criterios en función de los objetivos del proyecto (por ejemplo , Controles deslizantes de éxito del proyecto) o dejar todos los pesos iguales si no desea diferenciarlos.

En cualquier caso, asigna una clasificación de 1 a 5 a cada criterio para cada tema o epopeya, y surgirá una puntuación ponderada. Si tiene una gran cantidad de criterios, casi siempre necesita ajustar las ponderaciones para tener un conjunto realmente ordenado, pero a veces es suficiente colocar sus temas en un conjunto de cubos (en este caso, cubos n.º 1 a 5). ) para su posterior perfeccionamiento.

Ejemplo

Ejemplo de puntuación de tema

En este ejemplo, sus temas de Drupal, Front End y Middleware se califican según el esfuerzo, el riesgo y la reutilización. Usé 1 como una puntuación "mala" y 5 como la mejor puntuación posible; todos los criterios fueron igualmente ponderados. Con base en este ejemplo de evaluación de los criterios, terminamos con una prioridad clasificada de:

  1. software intermedio
  2. Interfaz
  3. Drupal

Obviamente, su evaluación y clasificación pueden diferir, pero esto le brinda un sólido ejemplo de cómo filtrar y evaluar diferentes aspectos de un proyecto, asignar pesos numéricos a los criterios y llegar a una clasificación ordinal de los temas o epopeyas que brindan la mayor cantidad. valor al proyecto.

De acuerdo con la evaluación del ejemplo, el middleware ofrece el mayor valor y, por lo tanto, debe priorizarse sobre otros componentes. De manera pragmática, es posible que no pueda entregar middleware sin una división vertical que incluya la funcionalidad de front-end y back-end, pero aun así lo ayuda a identificar qué trabajo ofrece el mayor rendimiento por su inversión.

Asumo que las encuestas arrojarán un puntaje en cada área macro, digamos del 1 al 9, siendo 9 un interés muy alto. Adjuntaría una escala ordinal a las estimaciones del tamaño de su camiseta, del 1 al 5. Para que las cosas sean relativas, tomaría la puntuación del usuario para cada área macro y la dividiría por las puntuaciones totales del usuario y haría lo mismo con el tamaño. estimados. Luego, simplemente dividiría la puntuación relativa del usuario con el tamaño relativo del trabajo. Esto aumentará la prioridad de aquellas áreas macro que obtienen una puntuación alta para el usuario y discriminará entre dos áreas macro de puntuación alta con estimaciones de trabajo de diferente tamaño donde la estimación de trabajo más baja aumentará más.

ingrese la descripción de la imagen aquí

En este ejemplo, puede ver que el Área macro D superó a G y F a pesar de una puntuación de usuario más baja debido a la estimación de trabajo más baja. H venció a C debido a una estimación de trabajo muy baja y C tenía una estimación de trabajo muy alta. Funciona bastante bien.

Entonces, usando "D" como ejemplo, mi fórmula fue (7/41)/(2/32)*100 = 273.

Talla de camiseta y estimación total, ¿cómo gestionarlas?
RespuestasAquíPolítica de privacidad1y, 0v