10 دلیل برای استفاده از دنباله فیبوناچی برای نقاط داستان

داستان های فیبوناچی به عنوان مقیاس تخمین و اندازه در این مقاله مورد بحث قرار می گیرد. چرا از دنباله فیبوناچی یا سری فیبوناچی برای نقاط داستان استفاده می کنید ، یک سؤال که اغلب در یک تیم Scrum Agile پرسیده می شود.

جدول محتویات

• نیاز به برآورد - پیش بینی
• نکته داستانی چیست؟
• سرعت تیم چیست؟
• چرا از دنباله یا سری فیبوناچی برای نقاط داستان استفاده کنید: 10 دلیل
  1. ریتم طبیعی
  2. سری Fibonacci شبیه به پس زمینه محصول است
  3. مشکلات به ترتیب رشد نمی کنند
  4. انسان از نظر تخمین بد است اما در مقایسه خوب است
  5. برآورد دقیق اکسیومرون است
  6. قانون تعداد زیادی
  7. تخمین سریعتر با استفاده از بازی پوکر برای اشاره به داستان
  8. از یک فرمول جدا می شود
  9. معایب مقیاس های غیر عددی
  10. آسان و سرگرم کننده است

نیاز به برآورد - پیش بینی

"چه زمانی پروژه را تحویل می دهید؟"

"چگونه می توانید این سوال را بپرسید؟ما چابک هستیم "

تبدیل های معمولی در یک پروژه ، اینطور نیست؟

از هم جداقابلیت پیش بینی دلیل شماره یک تخمین در یک پروژه است. در زیر چند دلیل مهم وجود دارد که چرا پیش بینی بسیار مهم است و چگونه تخمین و اندازه می تواند کمک کند.

منابع محدود

هر پروژه با منابع محدود از نظر بودجه یا پول ، زمان تحویل ، برنامه تحویل ، اعضای تیم ، مهارت و غیره همراه است. انتظار تجارت یا انتظار مشتری همیشه بیشتر ، سریعتر ، ارزان تر و بهتر است.

این به یک نیاز آشکار برای ارائه حداکثر نتیجه با استفاده از منابع محدود موجود تبدیل می شود.

وقت خریده

مشاغل در بازار رقابتی هستند و "زمان به بازار" کارخانه مهمی برای پیروزی در رقابت است. تجارت و مشتری دوست دارند یک برنامه تحویل قابل پیش بینی را مشاهده کنند.

تحویل قابل پیش بینی به تجارت کمک می کند تا انتظارات درست را با مشتریان تعیین کند و با ارائه آن انتظارات ، وعده ها را حفظ کند.

سرعت تحویل تیم

تیم توسعه همچنین می خواهند سرعت یا سرعت تحویل خود را بدانند تا بتوانند متعهد به کار شوند و سپس آن را بر اساس تعهد خود تحویل دهند.

نکته داستانی چیست؟

به طور معمول از نقاط داستان به عنوان واحد برای "اندازه کار" در طول تخمین داستان استفاده می شود. نقاط داستان نمایانگر یک واحد خیالی است.

نقاط داستان مشمول تیم خاصی هستند. شما نباید سعی کنید نقاط داستان یک تیم را با تیم دیگر مقایسه کنید. به عنوان مثال ، یک تیم ممکن است داستانی را در نقطه 8 تخمین بزند و تیم دیگر ممکن است بگوید که این یک داستان 13 امتیاز برای آنها است. نقاط داستان خاص تیم هستند.

مقیاس نقاط داستان

تخمین چابک از واحدهای انتزاعی استفاده می کند. توالی و سری های مختلف برای تخمین اندازه داستان ها استفاده می شود. برخی از توالی های مشترک به شرح زیر است:

سری Fibonacci: 0 ، 1 ، 2 ، 3 ، 5 ، 8 ، 13 ، 21…

سری فیبوناچی اصلاح شده: 0 ، ½ ، 1 ، 2 ، 3 ، 5 ، 8 ، 13 ، 20 ، 40 ، 100…

قدرت به دو: 0 ، 1 ، 2 ، 4 ، 8 ، 16 ، 32 ، 64…

سری پنج: 0 ، 1 ، 2 ، 3 ، 5 ، 10 ، 20 ، 40 ...

اندازه تی شرت: XS ، S ، M ، L ، XL ، XXL

سه سطل: کوچک ، متوسط ، بزرگ

روابط فیزیکی: سنگریزه ، سنگ ، تخته سنگ ، کوه ، نام سگ ، نام گربه

سرعت تیم چیست؟

یکی از اهداف اصلی تخمین نقطه داستان ، شناخت سرعت تیم است. سرعت این تیم را می توان از تیم توسعه استفاده کرد تا کار را در یک اسپرینت انجام دهد و صاحب محصول می تواند از آن برای بودجه و هدف پیش بینی استفاده کند.

سرعت مداوم توان ثابت توسط یک تیم را نشان می دهد.

سرعت تیم فقط به طور متوسط چند اسپرینت گذشته (به طور معمول سه تا پنج اسپرینت) است.

بیایید بگوییم سرعت تیم 30 امتیاز است و مجموع امتیازات کل داستان در باقیمانده محصول 120 است و تقریباً 4 اسپرینت کار دارد.

تیم توسعه می تواند کار را بر اساس "آب و هوای دیروز" در اسپرینت بعدی قرار دهد.

برای سرعت دادن به سرعت

• نقاط داستان با استفاده از یکی از روش های منصفانه مانند برنامه ریزی پوکر یا تخمین وابستگی تخمین زده می شود
• ترکیب تیم باید برای مدت زمان کافی پایدار بماند
• نوع تیم کاری در تلاش است که در طول اسپرینت انجام دهد مشابه است
• تیم خود سازماندهی است
• جلسات پالایش جدی گرفته می شود و مرتباً انجام می شود
• صاحب محصول هر زمان که لازم باشد در دسترس تیم است

در حالی که تخمین می زنید ، داستان در بحث نسبتاً با بقیه داستانهای موجود در پس زمینه محصول مقایسه می شود. وقتی آن را به عنوان تخمین نسبی در نظر می گیرید ، اندازه داستان نسبت به یکدیگر تخمین زده می شود.

به عنوان مثال ، داستانی که در نقاط 8 تخمین زده می شود به طور کلی نسبت به داستان تخمین زده شده در اندازه 5 و اندازه کوچکتر در مقایسه با داستان نقاط 13 است.

برنامه ریزی پوکر روند تخمین را ساده می کند و زمان لازم برای تخمین را به میزان قابل توجهی کاهش می دهد. بر خلاف سایر روش های تجزیه از بالا به پایین ، پایین به بالا ، این ترکیب داوری متخصص ، منابع تاریخی و عوامل سطح تیم را برای رسیدن به تخمین ها ترکیب می کند.

پوکر

پرداخت صفحه ابزار بازی Poker Agilebin رایگان برای تیم Scrum Agile. این نسخه آنلاین واقعی بازی پوکر برای اشاره به داستان است. آسان و سرگرم کننده است.

نقاط داستان ، بودجه و پیش بینی

از فرمول ساده می توان برای به دست آوردن تعداد روزهایی که یک تیم تقریباً برای ارائه یک قطعه کار به دست می آورد ، استفاده کرد. صاحبان محصولات می توانند از این فرمول استفاده کنند تا نقشه راه برای یک پروژه بیایند.

تعداد روزها = کل نقاط داستان / سرعت تیم x تعداد روزها در اندازه تیم Sprint X

ساعت در مقابل امتیاز

در یک تیم توسعه معمولی ، بهره وری همه توسعه دهندگان هرگز یکسان نیست. آنچه که یک توسعه دهنده می تواند در ساعت x به دست آورد توسعه دهنده دیگر ممکن است همان کار را انجام ندهد.

تمرکز بیش از حد روی ساعت های ساعت نوعی سیستم حسابداری است و منجر به تصور غلط از ذات واقعی کار تیمی می شود. این ممکن است به راحتی منجر به تمرکز روی تعداد ساعات روی صندلی شود ، نه کار در واقع.

چرا از دنباله یا سری فیبوناچی برای نقاط داستان استفاده کنید: 10 دلیل

یک سؤال معمولی که اکثر تازه واردانی که برای برنامه ریزی پوکر معرفی شده اند مطرح می شوند - "از این گذشته اگر ما از شماره هایی برای اشاره به داستان استفاده می کنیم ، چرا فقط از دنباله شماره عادی 0 ، 1 ، 2 ، 3 ، 4 ، 5 ، 6 استفاده نمی کنیمو غیره

چرا ما باید از سری اعداد مشابه سری Fibonacci استفاده کنیم؟ "

سریال Fibonacci ، اگرچه به نظر می رسد مانند مجموعه ای از اعداد مرموز با برخی از توانایی های جادویی ، درک بسیار ساده است و چندان پیچیده نیست.

یک سری فیبوناچی معمولی با 1 ، 2 و هر عدد پس از آن با اضافه کردن دو شماره قبلی محاسبه می شود. بنابراین سری Fibonacci 1 ، 2 ، 3 ، 5 ، 8 ، 13 ، 21 ، 34 ، 55 است.

سری فیبوناچی ریاضی 1 ، 2 ، 3 ، 5 ، 8 ، 13 ، 21 ، 34 ، 55 است. اما این سری فیبوناچی به طور معمول مانند برنامه ریزی پوکر استفاده نمی شود.

بسیاری از تیم ها از نسخه کمی اصلاح شده از این سری Fibonacci استفاده می کنند. سری فیبوناچی اصلاح شده 0 ، ½ ، 1 ، 2 ، 3 ، 5 ، 8 ، 13 ، 20 ، 40 ، 100 است.

دلایل مختلفی وجود دارد که باعث می شود سریال فیبوناچی برای اشاره به داستان محبوب باشد.

ریتم طبیعی

سری Fibonacci در طبیعت رخ می دهد (شماره فیبوناچی). یک ریتم طبیعی برای پیشرفت دنباله فیبوناچی وجود دارد.

سری Fibonacci شبیه به پس زمینه محصول است

در یک بسته بندی محصول معمولی ، داستانهای موجود در بالا نسبت به داستانها به سمت پایین به صورت گرانول تر تصفیه می شوند. سری Fibonacci این دانه بندی را کاملاً خوب منعکس می کند.

شکاف های فزاینده در سری فیبوناچی ، اصل تخمین "تقریباً درست بودن در مورد اشتباه بودن" را توجیه می کند. از نظر عملی ، ما باید به جای استفاده از واحدهای مطلق ، از محدوده هایی با درجه عدم اطمینان استفاده کنیم.

اعداد موجود در سری Fibonacci به طور مساوی توزیع نمی شوند ، زیرا ما از سری Fibonacci پایین می رویم که اعداد بزرگتر می شوند.

پرش بین اندازه ها با بزرگتر شدن داستان ها بسیار بیشتر می شود. به همین ترتیب ، داستان های موجود در یک محصول در یک محصول کوچکتر و در بالا تصفیه شده تر هستند و هرچه در محصول پایین می رویم ، داستان ها بزرگتر و بزرگتر می شوند.

به نوعی ، داستانی با اندازه 2 کمی بزرگتر از داستان اندازه 1 است اما یک داستان از اندازه 13 بسیار بزرگتر از یک داستان از اندازه 8 است.

به این ترتیب سری فیبوناچی نوع آن رویکرد و منطق علمی را به سیستم برنامه ریزی و سیستم اشاره گر به ارمغان می آورد. به همین دلیل ، سری فیبوناچی در رویکرد بسیار مناسب برای داستان در مقایسه با مقیاس عددی معمولی.

عدم اطمینان با پیچیدگی رشد می کند. تخمین بزرگتر ، گزینه کمتر دقیق است.

اگر می خواهید به تخمین دقیق نزدیک شوید یا داستان را در یک اسپرینت قرار دهید ، شما را مجبور به شکستن کار می کند.

سریال فیبوناچی در برابر ماهیت انسانی تصمیم می گیرد که "4" "دو برابر بزرگ" به عنوان "2" باشد زیرا این دو برابر ارزش است

مشکلات به ترتیب رشد نمی کنند

می دانید که یک مشکل به سختی دقیقاً همان اندازه مشکل دیگر نیست.

همچنین ، یک مشکل ممکن است همیشه دقیقاً دو برابر یا سه برابر اندازه مشکل دیگر نباشد. در سری Fibonacci نیز ، تعداد دقیقاً دو برابر نمی شوند اما با گسترش این سریال رشد نمایی وجود دارد.

به عنوان مثال ، یک مشکل جدید که باید تخمین زده شود بزرگتر از مشکلی است که قبلاً در 2 امتیاز تخمین زده شده است. مشکل جدید چقدر بزرگ است ، اگر از دو برابر کوچکتر باشد ، می تواند 3 امتیاز باشد ، اگر بزرگتر از دو برابر باشد ، می تواند 5 امتیاز باشد.

انسان از نظر تخمین بد است اما در مقایسه خوب است

انسان معمولاً از نظر تخمین بسیار بد است اما از نظر مقایسه بسیار خوب است.

من مطمئن هستم که می توانید به راحتی اندازه (S-M-L) تی شرت دوست خود را در مقایسه با تی شرت خود بدست آورید اما حدس زدن چند سانتی متر شانه های او بسیار سخت است.

بیایید بگوییم ، اگر از شما بخواهم فاصله بین درب اتاق و پنجره را به من بگویید ، با نگاه کردن به آن ، من مطمئن هستم که شما قادر خواهید بود در واحد پا حدس بزنید. ممکن است در اینجا و آنجا چند اینچ خاموش باشید.

اما اگر از شما بخواهم فاصله بین نیویورک و واشنگتن را به من بگویید ، فاصله پارک توپ سطح بالا در مایل کافی است ، انتظار این نیست که تا حد زیادی دقیق باشد.

از این رو ، سری فیبوناچی بهتر از مقیاس خطی عمل می کند زیرا تعداد کمتری از تعداد متراکم نسبت به اعداد بالاتر است.

سری Fibonacci در تعداد حساس به اعداد کوچکتر در مقایسه با اعداد بیشتر.

به عبارت دیگر ، بزرگی به خطا در مرتبه بالاتر تخمین بیشتر از تخمین های کوچکتر است.

برآورد دقیق اکسیومرون است

برآورد دقیق Oxymoron است ، یا برآورد یا دقیق.

مخروط عدم اطمینان می گوید که دقت برآورد در ابتدای پروژه بسیار کمتر است و ضریب تنوع بسیار زیاد است. با این کار فقط باید در سطح بالایی تخمین بزنیم و در حالی که در پروژه ها عمیق تر می شویم ، تکامل می یابیم.

تخمین ها "هرگز" برای صحت وجود ندارند. در حالی که تخمین می زنید ، نباید سعی کنید دقیق باشید و با یک مقدار مطلق همراه باشید اما باید سعی کنید با یک مقدار در یک محدوده به دست آورید.

کار با دامنه ها پیچیده است. فقط میانگین دامنه ایده خوبی نیست زیرا شما دوباره سعی در دستیابی به تعداد مطلق دارید.

سری Fibonacci این مفهوم دامنه را در خود دنباله پخته شده است.

به عنوان مثال اگر به نقاط داستان 8 رسیدید ، این بدان معنی است که شما در جایی بیش از 5 و زیر 13 قرار دارید. اگر به نقاط داستان 13 رسیدید ، این بدان معنی است که شما در محدوده بالای 8 و زیر 21 قرار دارید.

قانون تعداد زیادی

طبق ویکی پدیا ، قانون تعداد زیادی به شرح زیر شرح داده شده است:

در تئوری احتمال ، قانون تعداد زیادی (LLN) قضیه است که نتیجه انجام همان آزمایش را در تعداد زیادی بار توصیف می کند. طبق قانون ، میانگین نتایج به دست آمده از تعداد زیادی از محاکمات باید نزدیک به مقدار مورد انتظار باشد و با انجام آزمایشات بیشتر تمایل به نزدیک شدن خواهد داشت.

به طور معمول هنگام برآورد تعداد زیادی از داستانهای کاربر ، احتمالاً برخی از داستانهای کاربر ممکن است زیر تخمین زده یا بیش از حد تخمین زده شوند.

به عنوان مثال ، داستانی که در 8 امتیاز تخمین زده می شود ، نوبت من بزرگتر از سایر 8 داستان اشاره گر متوسط است. یا برعکس برعکس ، داستانی که 13 امتیاز تخمین زده می شود ممکن است کمتر از ارزش 13 داستان اشاره گر متوسط دیگر باشد.

در این حالت ، در تعداد زیادی از داستان ها ، قانون تعداد زیادی در جلوه هایی شروع می شود که باعث می شود کل داستان تلفیقی به سمت مرکز باشد.

تخمین سریعتر با استفاده از بازی پوکر برای اشاره به داستان

با استفاده از بازی پوکر برای اشاره به داستان ، تخمین ها به دست آمده و متعلق به گروه هستند.

در این حالت گروه تیم توسعه Scrum است. یک شخص مجرد از تیم توسعه مسئول تخمین نهایی نیست اما مالکیت جمعی است.

برای تخمین به عنوان گروه ، تیم باید سریع و آسان راه رسیدن به سرشماری ها را انجام دهد. اگر این گروه سعی کنند داستان ها را در مقیاس خطی تخمین بزنند ، استدلال ها و زمان زیادی برای توافق در مورد یک شماره دقیق وجود خواهد داشت.

استخراج یک عدد دقیق دوباره برآورد دقیقاً اشتباه ایجاد می کند. تفاوت زیادی بین اعداد 6 و 7 وجود ندارد.

از این رو دامنه سری فیبوناچی به حل این مسئله کمک می کند. انتخاب تعدادی بین انتخاب 5 و 8 آسان است. شما فقط دو انتخاب دارید. به این ترتیب سری فیبوناچی به تخمین سریعتر کمک می کند.

پوکر

پرداخت صفحه ابزار بازی Poker Agilebin رایگان برای تیم Scrum Agile. این نسخه آنلاین واقعی بازی پوکر برای اشاره به داستان است. آسان و سرگرم کننده است.

از یک فرمول جدا می شود

احتمالاً می توان از فرمول پیشرفت هندسی نیز استفاده کرد ، به عنوان مثال ، تعداد را در مقایسه با تعداد قبلی دو برابر کنید ، اما ذهن انسان فرمول A را با مقیاس اعداد مرتبط می کند.

با سری فیبوناچی ، فرمول چندان مشهود نیست. از نظر روانشناختی ذهن انسانی کمتر به "زمان" به سریال اعداد فیبوناچی متصل می شود.

بسیاری از تیم ها فراتر می روند و به جای "امتیاز" ، به چیزهای انتزاعی تر اشاره می کنند ، مانند "این کار 8 دانه آفتابگردان است" ، یا "ما فکر می کنیم پیچیدگی 5 توله سگ است".

با انجام این کار ، آنها باعث می شوند که افراد به وظایف خود ضمیمه شوند. هیچ کس نمی پرسد "توله سگ چند ساعت است؟"

معایب مقیاس های غیر عددی

بعضی اوقات ، هنگامی که افراد جدید برای تغییر مقیاس داستان سریال فیبوناچی اصلاح شده هستند ، سردرگمی ایجاد می کند. برخی از افراد سعی می کنند رابطه بین اعداد موجود در سری فیبوناچی تا ساعت ساعت را پیدا کنند.

اعداد موجود در سری Fibonacci ساعات ساعت مطلق را نشان نمی دهد ، اما وقتی داستانها در یک محصول خاص محصول خاص توسط یک تیم با یکدیگر مقایسه می شوند ، فقط اندازه نسبی هستند.

برای جلوگیری از این سردرگمی ، برخی از تیم ها مقیاس های متناوب مانند زیر را انتخاب می کنند.

اندازه تی شرت: XS ، S ، M ، L ، XL ، XXL

سه سطل: کوچک ، متوسط ، بزرگ

روابط فیزیکی: سنگریزه ، سنگ ، تخته سنگ ، کوه ، نام سگ ، نام گربه

گرچه این اقدامات از نقاط داستان سری فیبوناچی آشنا و انتزاعی تر هستند ، در زیر برخی از مضرات استفاده از مقیاس غیر عددی برای اشاره به داستان است:

1. با مقیاس غیر عددی ، هیچ واحد مقایسه ای بین دو گزینه مجاور وجود ندارد. به عنوان مثال ، مقایسه 5 با 8 آسان است اما نمی توان گفت که در مقایسه با M. اعضای تیم های توسعه ممکن است درک متفاوتی از اندازه نسبی بین L و M داشته باشند.
2. این مقیاس های غیر عددی تقریباً به طور مساوی توزیع می شوند. مقیاس های توزیع شده به طور مساوی مزایایی را که سری فیبوناچی با بازتاب دانه بندی باقیمانده محصول از کوچکتر تا بزرگتر و بزرگتر فراهم می کند ، ارائه نمی دهد.
3. اضافه کردن شماره ها و ارائه اندازه کل کار آسان است. جمع بندی گزینه های غیر عددی امکان پذیر نیست مگر اینکه معادل های عددی آنها تعریف شود.
4. عرشه های کارت بازی برای این اقدامات ممکن است به راحتی در دسترس نباشد و ممکن است شما نیاز داشته باشید که یکی از خود را بسازید.

آسان و سرگرم کننده است

در مقایسه با هر روش تخمین و اندازه سنتی دیگر ، داستان با استفاده از توالی فیبوناچی آسان و سرگرم کننده است. تکنیک های دیگر پیچیده هستند و به تجربه و تخصص زیادی نیاز دارند و درک آن دشوار است.

هنگامی که مفهوم داستان با استفاده از دنباله فیبوناچی توسط تیم Scrum درک شد ، پس از آن یک تکنیک بسیار آسان و سرگرم کننده است که می تواند در Go استفاده شود.

به قانع کننده تر نیاز دارید؟افکار خود را در نظرات بنویسید.

نظرات

اولین نفری باشید که نظر خود را ثبت می نماید.