Evolution Mensuelle du Temps de Flux
- Couthaïer Farfra
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
Les Quartiles : Analyser la Répartition de la performance de votre Flux
Les quartiles – aussi nommées boite à Moustaches – divisent les données en quatre parties égales, permettant de comprendre comment elles sont réparties.
Ils sont particulièrement utiles pour obtenir une vue d’ensemble de la distribution des performances dans un processus.
Définition des Quartiles
Q1 (Premier quartile) : 25 % des données sont inférieures à cette valeur.
Q2 (Médiane ou second quartile) : 50 % des données sont inférieures à cette valeur.
Q3 (Troisième quartile) : 75 % des données sont inférieures à cette valeur.
Les écarts inter-quartiles (IQR) peuvent aussi être utilisés pour détecter des valeurs aberrantes (outliers).
L’IQR va représenter les limites basses et hautes admissible pour avoir une répartition du flux prédictible. Il s’agit des fameuses moustaches. Les valeurs se trouvant en dehors doivent être considérer comme des valeurs aberrantes et être analysées.
L’IQR est défini comme Q3−Q1.
Une règle commune est de considérer toute valeur en dehors de Q1 − 1,5 × IQR et Q3 + 1,5 × IQR comme une valeur aberrante.
Exemple de calcul de Quartiles
Trier les données par ordre croissant : 17 ; 18 ; 19 ; 19 ; 20 ; 20 ; 21 ; 22 ; 23 ; 24
Calculer le Premiers Quartile – Q1 en identifiant le temps de Cycle de 25% des mesures – Résultat : Q1 = 19
Calculer la Second Quartile, c’est çà dire la Médiane, représentant 50% des temps de cycle mesurés – Résultat Q2 = 20
Liste Impair : Lorsque le nombre de mesure est impair, prendre la valeur du milieu
Liste Pair : Lorsque le nombre de mesure est pair, comme dans notre exemple, Faire la somme des 2 valeurs centrale et les diviser par 2. Le résultat représente la Médiane.
Calculer le Troisième Quartile – Q3, représentant les 75% des mesures effectuées – Résultat : Q3 = 22
Identifier les Moustaches, c’est à dire la valeur la plus faible et la valeur la plus importante mesurée – Résultat :
Calculer l’inter-quartile (IQR)
IQR = Q3 – Q1 = 22 – 19 = 3
Limite basse = Q1 – 1.5*IQR = 19 + 1,5*3 = 14.5
Limite haute = Q3 + 1.5*IQR = 22 + 1*5*3 = 26.5
Utilité
Les Quartiles sont souvent utilisés pour visualiser la répartition des données et identifier les points où se situent la majorité des valeurs. Cela permet de voir où se trouvent les valeurs centrales (grâce à la médiane) et d’identifier les écarts ou les valeurs aberrantes.
Prenons l’exemple d’une équipe de développement qui livre des tickets toutes les deux semaines. En analysant le nombre de tickets livrés sur plusieurs périodes, les quartiles nous donnent un aperçu de la répartition des livraisons. Cela aide à comprendre combien de tickets sont livrés dans les 25 % les plus bas, les 50 % centraux, et les 25 % les plus hauts.
UCL/LCL : Garder votre Processus sous Contrôle
Les limites de contrôle (UCL et LCL) sont des seuils statistiques utilisés dans les cartes de contrôle. Ils permettent de surveiller un processus pour détecter des anomalies et déterminer si celui-ci est stable.
UCL (Upper Control Limit) : Limite supérieure de contrôle.
LCL (Lower Control Limit) : Limite inférieure de contrôle. Ces limites sont généralement fixées à 3 écarts-types au-dessus et en dessous de la moyenne, ce qui signifie que 99,73 % des données devraient se situer dans cette plage dans un processus « sous contrôle ».
Utilité
Les limites de contrôle sont idéales pour détecter des anomalies dans un processus. Si une donnée tombe en dehors de ces limites, cela peut indiquer un problème qui nécessite une investigation (comme un changement inattendu de la performance).
UCL/LCL : Comment les calculer ?
Les limites de contrôle (UCL/LCL) sont utilisées dans les cartes de contrôle pour surveiller un processus. Elles sont basées sur la moyenne et l’écart-type, et définissent une plage de variation normale. Elles sont calculées en appliquant la règle des 3-sigma, soit trois écarts-types au-dessus et en dessous de la moyenne.
UNPL/LNPL : Comprendre la Variabilité Naturelle
Contrairement aux UCL et LCL, les limites naturelles du processus (UNPL et LNPL) ne sont pas basées uniquement sur des calculs statistiques, mais plutôt sur une compréhension approfondie du processus et des tolérances acceptées.
UNPL (Upper Natural Process Limit) : Limite supérieure naturelle.
LNPL (Lower Natural Process Limit) : Limite inférieure naturelle. Ces limites reflètent la plage de variation naturelle du processus, définie par des spécifications ou des tolérances acceptées, et non par des écarts statistiques seuls.
Utilité
Les limites naturelles sont particulièrement utiles lorsque vous avez une bonne compréhension empirique du processus ou lorsque des tolérances spécifiques doivent être respectées (par exemple, des normes industrielles ou des exigences client). Elles permettent d’éviter de sur-réagir aux petites variations tout en garantissant que le processus fonctionne dans la plage définie comme acceptable.
Exemple d’application
1 – Collecte des données et analyse de la distribution
En général, la première étape est d’identifier si le processus suit une distribution normale ou non. Les limites naturelles peuvent parfois être calculées de manière différente selon la distribution des données.
2 – Déterminer les tolérances acceptables (ou les spécifications)
Les UNPL/LNPL peuvent être basées sur des tolérances acceptées ou spécifications de performance définies par des besoins métiers, des exigences clients ou des standards internes. Si ces tolérances existent (par exemple, une équipe s’attend à livrer entre 15 et 25 tickets par itération), elles peuvent guider directement les calculs.
Si des spécifications ou des tolérances sont déjà établies, les limites naturelles peuvent être fixées en conséquence. Par exemple, si l’équipe considère qu’en livrant moins de 16 tickets ou plus de 26, elle sort de son comportement normal, alors :
LNPL = 16
UNPL = 26
3 – Calculer les limites naturelles basées sur la variabilité observée
Si vous n’avez pas de tolérances pré-établies, vous pouvez calculer les UNPL/LNPL en fonction des données historiques du processus.
3.1 – Calculer la médiane ou une moyenne ajustée
La médiane est souvent utilisée à la place de la moyenne si le processus a des valeurs aberrantes ou des variations asymétriques. Cela donne une mesure centrale moins influencée par des valeurs extrêmes.
Dans notre cas, la médiane des tickets livrés sur 10 périodes est :
Médiane = 20
Si vous utilisez la moyenne, celle-ci est : Moyenne(xˉ) = 20,3
3.2 – Calculer la plage naturelle de variabilité
La variabilité naturelle du processus est souvent estimée à partir de l’écart interquartile (IQR), qui mesure la dispersion entre les 25 % des données les plus basses et les 25 % les plus hautes.
Pour notre exemple, les quartiles sont les suivants :
Q1 (1er quartile)=19 : 25 % des tickets livrés sont inférieurs ou égaux à 19.
Q3(3e quartile)=22 : 75 % des tickets livrés sont inférieurs ou égaux à 22.
L’écart interquartile (IQR) est : IQR = Q3−Q1 = 22−19 = 3
3.3 – Calculer les limites naturelles
Une méthode courante consiste à multiplier l’IQR par un facteur, souvent 1.5×IQR, pour identifier la plage de variation acceptable.
Ainsi, les limites naturelles peuvent être calculées comme suit :
UNPL = Q3+1,5×IQR = 22+1,5×3 =22+4,5 = 26,5
LNPL= Q1−1,5×IQR = 19−1,5×3 = 19−4,5 = 14,5
3.4 – Ajuster les limites en fonction des observations et des spécifications
Une fois les limites initiales calculées, vous pouvez les ajuster en fonction des observations empiriques ou des objectifs du processus.
Par exemple, si votre équipe constate que livrer moins de 16 tickets ou plus de 26 tickets est inacceptable, vous pourriez fixer les UNPL/LNPL respectivement à ces valeurs, même si les calculs indiquent une légère variation.
Vous voyez, sur la base de cet exemple, que le UNPL et le LNPL est très complémentaire de la mesure avec les Quartiles en intégrant les limites à ne pas dépasser pour rester dans un système stable.
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.
Analyser avec notre IA Alice
Wiveez met à votre disposition son IA, nommée Alice, afin de vous apporter une aide dans l’analyse des graphiques.
Cliquer sur l’icône d’Alice pour lancer l’analyse de votre graphique ;
Une page s’affiche contenant une analyse de l’état de santé de votre graphique et des conseils d’amélioration ;
Vous avez la possibilité de sauvegarder cette analyse dans un fichier PDF ;
Vous avez la possibilité de copier/coller l’analyse dans un autre type de document.
Tant qu’aucune modification n’a été effectué sur les filtres du graphique ou qu’aucun rafraichissement des données n’a été lancé, votre analyse reste accessible.
