Le Temps de flux en nuage de points (Flow Time Scatterplot) est un graphique de dispersion qui montre les tickets traités dans un système ou un processus sur un intervalle donné. Il visualise chaque ticket en fonction du moment où il a atteint l'étape finale du processus et du temps nécessaire pour parcourir cet intervalle spécifique.
Axe horizontal (abscisse) : Représente la date à laquelle un ticket a atteint l’étape de fin de l’intervalle analysé.
Axe vertical (ordonnée) : Représente le temps nécessaire pour qu’un ticket parcoure l’intervalle donné, c’est-à-dire le temps écoulé entre le début et la fin de cet intervalle pour chaque ticket.
Ce type de graphique est utile pour visualiser les performances de traitement sur une période donnée, repérer des variations de temps de traitement, et identifier des anomalies ou des tendances.
Le Flow Time Scatterplot est utilisé pour :
Analyser les performances du processus : Il montre comment les temps de traitement des tickets varient au fil du temps. Chaque point sur le graphique représente un ticket individuel traité dans un intervalle spécifique du flux, et son temps de traitement associé.
Repérer des anomalies ou des goulots d’étranglement : En identifiant des tickets dont le temps de traitement est particulièrement long ou court, il est possible de détecter des anomalies ou des goulots d'étranglement dans le processus.
Suivre l’évolution des temps de traitement : Le scatterplot permet de voir si les temps de traitement augmentent, diminuent, ou restent stables dans le temps. Cela peut révéler des tendances liées à la charge de travail ou à l’efficacité du processus.
Le scatterplot est constitué de points de dispersion, où chaque point représente un ticket. Voici comment interpréter ces éléments :
Axe horizontal (x) : Cet axe représente la date à laquelle chaque ticket a atteint l'étape finale de l'intervalle de flux observé. Cela permet de visualiser les tickets traités à différents moments dans le temps.
Axe vertical (y) : Cet axe indique le temps de traitement (ou temps de flux) pour chaque ticket, soit la durée qu'il a fallu pour passer d'une étape à une autre dans le processus.
Schémas à observer :
Dispersion verticale des points : Si les points sont très dispersés verticalement, cela signifie que les temps de traitement des tickets varient considérablement, et il peut être nécessaire d'examiner pourquoi certains tickets prennent plus de temps que d’autres.
Tendance horizontale : Si une tendance apparaît sur l'axe des abscisses (date), cela peut indiquer une évolution des performances dans le temps. Par exemple, si les temps de flux augmentent au fil du temps, cela pourrait signaler une surcharge du système ou un ralentissement du processus.
Points anormaux (outliers) : Les tickets qui présentent des temps de traitement anormalement longs ou courts par rapport aux autres peuvent être des exceptions ou des indicateurs de problèmes spécifiques à examiner.
Le Flow Time Scatterplot dans Wiveez permet aux utilisateurs de :
Suivre les performances des flux : En visualisant chaque ticket traité et son temps de passage dans l’intervalle, les utilisateurs peuvent repérer rapidement les inefficacités, les retards, ou les fluctuations de performances.
Identifier les tickets à problèmes : Les outliers (tickets avec des temps de traitement exceptionnellement longs ou courts) peuvent être identifiés et analysés pour déterminer s’il y a des problèmes spécifiques à résoudre.
Évaluer l’évolution des performances : En suivant l’évolution des temps de traitement des tickets dans le temps, les utilisateurs peuvent évaluer si le système ou le processus devient plus rapide, plus lent, ou reste constant en termes de performance.
L’analyse de la Prédictibilité permet de mesurer la qualité du Temps de Flux et le niveau de confiance dans son utilisation pour les projections.
L’analyse se base sur le principe Thin-Tailed (Queue fine) - Fat-Tailed (Queue large)
Bien sûr ! Le concept des Thin-Tailed et Fat-Tailed distributions est souvent utilisé en analyse de risques, en statistiques et en finance pour comprendre et modéliser l'impact des événements rares et extrêmes. Voici une description que tu pourrais intégrer dans la documentation utilisateur de Wiveez, adaptée pour expliquer leur principe, leur fonctionnement et leur utilité dans ce contexte.
Dans la modélisation des données, en particulier en finance et en gestion des risques, on parle souvent de distributions de probabilité pour décrire la manière dont les événements ou les valeurs sont répartis. Deux types de distributions sont particulièrement importants : les distributions Thin-Tailed et Fat-Tailed.
Thin-Tailed (Queue fine) : Une distribution "thin-tailed" est caractérisée par une probabilité relativement faible que des événements extrêmes (ou déviations importantes par rapport à la moyenne) se produisent. Autrement dit, les valeurs extrêmes (très éloignées de la moyenne) sont rares. Un exemple typique serait la distribution normale (ou gaussienne), où la plupart des données se concentrent autour de la moyenne et les extrêmes sont très peu probables.
Fat-Tailed (Queue épaisse) : En revanche, une distribution "fat-tailed" a une probabilité plus élevée d'événements extrêmes. Cela signifie que les événements rares (mais très impactants) sont plus fréquents qu’on ne l'attendrait avec une distribution thin-tailed. Les distributions fat-tailed sont utilisées pour modéliser des phénomènes où les événements extrêmes ont un impact disproportionné, comme les crashs boursiers ou les crises économiques.
Wiveez permet à l’utilisateur d’analyser en détail la performance du Temps de Flux en affichant la liste des tickets associé à un point et en affichant le détail des Métriques de Flux d’un ticket.