Temps de flux par Etape

Le Temps de Flux par Etape (Flow Time Breakdown) permet de suivre le temps moyen et la médiane du temps passé par les tickets à chaque étape d’un flux de travail, ainsi que de comparer ces durées par type de ticket.

Ce graphique donne une vue d’ensemble des performances de chaque étape du processus et permet de voir comment les temps de traitement varient en fonction des types de tickets traités.

L’axe horizontal représente les différentes étapes du flux de travail, et l’axe vertical présente le temps passé dans chaque étape. Le graphique montre trois informations clés pour chaque étape :

Le temps moyen passé par l'ensemble des tickets à chaque étape (courbe).
La médiane du temps passé par les tickets à chaque étape (courbe).
La moyenne du temps de flux pour chaque type de ticket dans chaque étape (barres par type de ticket).

Fonctionnement et Utilité

Ce graphique est très utile pour :

Analyser les performances par étape : En visualisant le temps moyen et la médiane pour chaque étape du flux, les utilisateurs peuvent voir dans quelles étapes les tickets passent le plus de temps et si cela varie beaucoup ou peu entre les tickets.
Identifier les écarts entre la moyenne et la médiane : Les écarts entre le temps moyen et la médiane peuvent signaler la présence de tickets avec des temps de traitement très longs ou très courts, ce qui peut indiquer des anomalies ou des inefficacités dans certaines étapes.
Comparer les types de tickets : Les colonnes représentant les différents types de tickets permettent de voir si certains types de tickets prennent plus de temps que d’autres à passer à travers une étape donnée. Cela permet une analyse fine et comparative selon les types de tâches ou de demandes traitées.

Comment lire ce graphique ?

Le Flow Time Breakdown combine des courbes et des barres pour représenter différentes informations concernant les temps de traitement à chaque étape du flux.

Axe horizontal (x) : Cet axe représente les différentes étapes du flux. Chaque point sur l’axe horizontal correspond à une étape spécifique du processus.
Axe vertical (y) : Cet axe représente le temps passé par les tickets dans chaque étape, généralement mesuré en heures, jours, ou une autre unité de temps pertinente.
Courbes :
- Temps moyen (courbe 1) : La première courbe montre le temps moyen que les tickets passent dans chaque étape. Cette courbe permet de voir si une étape particulière ralentit globalement le processus par rapport aux autres.
- Médiane (courbe 2) : La deuxième courbe représente la médiane du temps passé à chaque étape. La médiane est un bon indicateur du temps de traitement central, moins influencé par les valeurs extrêmes (tickets très lents ou très rapides).
Colonnes par type de ticket :
- Pour chaque étape, le graphique affiche une ou plusieurs colonnes, chacune correspondant à un type de ticket. Ces colonnes représentent la moyenne du temps de flux pour ce type de ticket dans l’étape donnée.
- Ces colonnes permettent de comparer la performance des différents types de tickets à chaque étape. Si un type de ticket a une colonne significativement plus haute que les autres, cela signifie que ce type de ticket prend plus de temps dans cette étape.

Schémas à observer :

Différences entre la moyenne et la médiane :
- Si la courbe du temps moyen est significativement plus haute que la médiane, cela signifie qu'il existe des tickets avec des temps de traitement anormalement longs dans cette étape. Cela peut être dû à des cas exceptionnels ou à des goulots d'étranglement.
- Une moyenne proche de la médiane indique que la distribution des temps de traitement est plus homogène, avec moins de variabilité.
Analyse par type de ticket :
- Les colonnes par type de ticket permettent de comparer la performance des différents types de tickets à chaque étape. Si un type de ticket prend systématiquement plus de temps dans une étape spécifique, cela peut indiquer des particularités liées à ce type de ticket qui ralentissent le processus à cette étape.
- Si les colonnes sont globalement similaires pour chaque étape, cela signifie que les temps de traitement sont relativement uniformes entre les différents types de tickets.
Points d’amélioration :
- Une grande dispersion entre la moyenne et la médiane ou des colonnes très hautes pour un certain type de ticket dans une étape spécifique peut indiquer un besoin d'amélioration à cette étape. Il pourrait être nécessaire d’optimiser cette étape pour certains types de tickets ou d'examiner les raisons des tickets anormalement lents.

Exemple d’interprétation :

Imaginons un Flow Time Breakdown dans Wiveez pour un flux de gestion des demandes IT :

Temps moyen et médiane proches : Si la courbe du temps moyen et celle de la médiane sont proches à chaque étape, cela signifie que la majorité des tickets sont traités dans des délais relativement constants, sans grandes disparités dans les temps de traitement.
Grande différence à une étape : Supposons que l'étape "Validation technique" présente une différence marquée entre le temps moyen et la médiane. Cela peut indiquer que certains tickets restent bloqués dans cette étape beaucoup plus longtemps que d'autres, ce qui pourrait signaler un goulot d'étranglement dans cette partie du processus.
Différence par type de ticket : Si les colonnes des types de tickets montrent que les tickets d’urgence prennent systématiquement plus de temps que les autres à l’étape "Vérification", cela pourrait indiquer que ce type de ticket nécessite des ressources supplémentaires ou un traitement plus complexe, ralentissant ainsi l’ensemble du processus.

Utilité dans Wiveez

Le Flow Time Breakdown dans Wiveez est essentiel pour :

Comprendre les performances par étape : Les utilisateurs peuvent identifier les étapes où les tickets prennent le plus de temps et évaluer si ces étapes nécessitent des ajustements ou des optimisations.
Analyser les écarts entre types de tickets : Les colonnes par type de ticket permettent de voir comment différents types de tickets sont traités à chaque étape et d’identifier des pistes d'amélioration spécifiques pour certains types de tickets.
Identifier les inefficacités : Les écarts entre le temps moyen et la médiane révèlent des anomalies ou des inefficacités dans le traitement des tickets, permettant aux utilisateurs de concentrer leurs efforts sur les étapes les plus problématiques.

Le graphique

Les filtres

Analyse de la Prédictibilité

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.

Thin-Tailed et Fat-Tailed : Principe et Utilité

Principe :

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.

Analyse détaillée des tickets

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.