Evolution Mensuelle du Temps de Flux

Le graphique de suivi de l’Evolution du Temps de Flux permet de visualiser la répartition des temps de traitement des tickets sur une base mensuelle, en utilisant les quartiles pour représenter les temps de flux (temps de cycle) de manière statistique.

Ce graphique offre une vue d’ensemble des performances mensuelles, en résumant les données du scatterplot et en les présentant sous forme de quartiles.

Quartiles : Les quartiles divisent la distribution des temps de traitement en quatre parties égales :
- Q1 (1er quartile) : 25 % des tickets ont un temps de traitement inférieur à cette valeur.
- Médiane (2e quartile) : 50 % des tickets ont un temps de traitement inférieur à cette valeur (la médiane représente le temps de traitement central).
- Q3 (3e quartile) : 75 % des tickets ont un temps de traitement inférieur à cette valeur.
- Minimum & Maximum : Le graphique permet de suivre les distributions extrêmes du Temps de Flux, par mois.

En résumé, chaque mois affiche un quartile, ce qui donne une vision synthétique des performances sur cette période.

Fonctionnement et Utilité

Ce graphique est particulièrement utile pour :

Suivre les performances mensuelles : Il permet de voir l’évolution des temps de traitement d’un mois à l’autre, en identifiant les mois où les tickets ont été traités plus rapidement ou plus lentement.
Comprendre la dispersion des temps de traitement : Les quartiles permettent d'identifier la variabilité dans les temps de cycle des tickets. Une large différence entre Q1 et Q3 signifie que les temps de traitement varient fortement, alors qu'une faible différence indique une plus grande homogénéité.
Repérer les tendances et anomalies : La progression des quartiles d’un mois à l’autre permet de suivre les tendances dans l’amélioration ou la dégradation des performances, ainsi que d’identifier des mois où des anomalies dans le traitement des tickets peuvent s’être produites.

Comment lire ce graphique ?

Ce graphique utilise des boîtes ou des lignes de quartiles pour représenter la répartition des temps de traitement par mois. Voici comment le lire :

Axe horizontal (x) : Cet axe représente les mois. Chaque point ou ligne sur cet axe correspond à un mois donné, et chaque mois affiche un quartile pour le temps de traitement.
Axe vertical (y) : Cet axe indique le temps de cycle (Flow Time), soit le temps nécessaire pour traiter un ticket. Les valeurs sur cet axe représentent les temps de traitement en jours, heures, ou une autre unité de temps pertinente.
Quartiles pour chaque mois :
- Q1 (1er quartile) : La partie basse de la boîte ou ligne représente le temps de traitement pour lequel 25 % des tickets ont été traités plus rapidement.
- Médiane (2e quartile) : La ligne médiane représente le temps de traitement médian pour le mois.
- Q3 (3e quartile) : La partie haute de la boîte ou ligne représente le temps de traitement sous lequel 75 % des tickets ont été traités.
- Minimum & Maximum : La ligne la plus haute du Quartile permet d’identifier la valeur maximale de temps de flux identifié sur un mois. La ligne la plus basse permet d’afficher la valeur minimale du temps de flux mensuel.
Schémas à observer :
- Tendances dans la médiane : Si la médiane (ligne centrale) baisse au fil des mois, cela indique que les temps de traitement moyens s'améliorent (les tickets sont traités plus rapidement). Si elle augmente, cela pourrait signaler des ralentissements dans le traitement des tickets.
- Dispersion des temps de traitement : Si l'écart entre Q1 et Q3 est faible, cela signifie que la majorité des tickets sont traités dans un délai similaire. Si l’écart est large, cela montre une variabilité importante dans les temps de traitement (certains tickets étant traités beaucoup plus lentement ou plus rapidement que d’autres).
- Anomalies mensuelles : Des mois avec des écarts particulièrement larges ou une médiane très élevée peuvent indiquer des anomalies dans le flux de travail, comme des périodes de surcharge ou des inefficacités temporaires.

Utilité dans Wiveez

Le graphique de suivi du Flow Time par mois avec Quartiles dans Wiveez permet aux utilisateurs de :

Évaluer la performance mensuelle du processus : En observant les temps de traitement médian et les quartiles, les utilisateurs peuvent suivre les performances mois par mois et identifier les périodes où les performances se dégradent ou s'améliorent.
Comprendre la variabilité des temps de traitement : En visualisant la dispersion des temps de traitement via les quartiles, il est possible d'identifier les mois où la variabilité des performances est plus grande, ce qui pourrait nécessiter des ajustements dans le processus.
Identifier des anomalies : Des écarts inhabituels entre les quartiles peuvent signaler des périodes de sous-performance, de surcharge, ou d’inefficacité temporaire, nécessitant une analyse plus approfondie.

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.