Dan mengapa itu layak digunakan
Artikel ini menjelaskan mengapa cara paling populer untuk memprioritaskan jaminan simpanan tidak sebaik yang Anda pikirkan, dan apa yang dapat dilakukan untuk memperbaikinya.
Evaluasi pengembangan tenaga kerja dan nilai-nilai (pengembalian tenaga kerja) adalah elemen utama dari prioritas dalam tumpukan produk: ini adalah pendekatan yang sederhana dan mudah dipahami, dan karenanya sangat populer. Anda mungkin memiliki 2 kolom seperti itu di tumpukan bahan makanan (dan bahkan jika tidak, Anda harus menambahkannya):
Kolom: Fitur / Proyek, Tenaga Kerja, Nilai.
Konten dalam sel kolom pertama:
Tab komunitas
Segarkan aliran pengiriman
Tambahkan Penagihan PayPal
Kesalahan penerimaan yang benar
Kontak dengan manajer
Perbarui Ketentuan Layanan
Biaya tenaga kerja dapat ditunjukkan dalam man-minggu atau hanya ditentukan oleh tingkat kesulitan tugas (sederhana / mudah / sulit). Segera setelah Anda memiliki angka, menjadi penting untuk memilih fitur-fitur yang akan memberikan pengembalian finansial terbesar. Tapi di sini semuanya menjadi sedikit lebih rumit. Untuk memahami alasannya, mari kita mengatur tugas kita dalam sistem koordinat persegi panjang:
Sumbu X adalah beban kerja, sumbu Y adalah nilainya
Cukup jelas bahwa proyek-proyek kiri atas lebih baik daripada yang lain, dan yang kanan bawah adalah yang terburuk. Tetapi bagaimana membandingkan yang lainnya? Untungnya, ada solusi. Anda mungkin sudah terbiasa dengan matriks kerja dan nilai . Jika Anda menggunakan google, Anda dapat menemukan ribuan variasi matriks yang berbeda - ini sudah lama menjadi praktik terbaik di industri.
Pada sumbu X: biaya tenaga kerja kecil - peningkatan bertahap, biaya tenaga kerja besar - “lubang uang” (sekitar Terjemahan: dalam sumber lain, “pemakan waktu”).
Pada sumbu Y: tenaga kerja kecil menghasilkan kemenangan mudah, tenaga kerja besar biaya kemenangan besar.
Idenya sangat sederhana - membagi ke dalam kuadran membantu untuk melihat bagaimana proyek diatur.
Kuadran Kecil / Kecil di sudut kiri bawah berisi peningkatan produk minor minor. Setiap simpanan bahan makanan mencakup banyak tugas jenis ini dan semuanya memainkan peran penting dalam mengisi waktu henti, tetapi pada saat yang sama mereka memiliki prioritas rendah.
Di sisi lain, kuadran Banyak / Banyak mencakup proyek-proyek besar yang menjanjikan pendapatan besar. Banyak tim ambisius suka bertaruh khusus untuk proyek-proyek seperti itu.
Proyek yang paling diinginkan adalah yang menggabungkan biaya tenaga kerja kecil dan pengembalian tinggi di sudut kiri atas - tidak ada yang akan menolak kemenangan mudah (dan siapa tahu, mungkin salah satu dari proyek ini akan menjadi tombol lain yang akan memungkinkan Anda untuk mendapatkan $ 300 juta ... ).
Dan, akhirnya, kuadran kanan bawah - usaha besar dan pengembalian rendah - yang disebut lubang uang, tugas tanpa pamrih, koper tanpa pegangan. Jelas tidak ada yang mau menghabiskan sumber daya yang sudah terbatas untuk menciptakan hal-hal yang membutuhkan banyak pekerjaan dan memiliki nilai yang sangat kecil.
Tumpang tindih rencana kami untuk matriks ini memungkinkan Anda mendapatkan gambaran yang jelas dengan cepat:
... dan sekarang prioritasnya cukup sederhana:
- Pertama, kita menyingkirkan semua yang ada di kuadran lubang uang (ini adalah pembebasan yang baik).
- Lalu kita atur menang mudah prioritas tinggi.
- Dan pada akhirnya, kami membentuk campuran dari peningkatan bertahap dan taruhan besar, berdasarkan sumber daya yang tersedia dan selera kami.
Cukup sederhana?
Tidak terlalu cepat ...
Sejelas dengan semua hal di atas, masalahnya adalah memprioritaskan metode penilaian biaya tenaga kerja dan nilai memaksa kita untuk memilih "pemenang" yang salah. Pertama-tama, karena metode ini melibatkan kebutuhan untuk menilai berdasarkan prediksi peristiwa di masa depan - upaya yang akan diperlukan untuk melaksanakan tugas, dan manfaat yang akan dibawa kepada pengguna sebagai hasil dari upaya ini. Seperti yang sudah Anda ketahui, orang sangat miskin dalam hal peramalan.
Kecenderungan untuk meremehkan persalinan
Pada 1979, psikolog behavioris Daniel Kahneman dan Amos Tversky menggambarkan sebuah fenomena yang mereka sebut kesalahan perencanaan . Mereka menunjukkan bahwa orang-orang dan tim secara teratur terlalu optimis dalam memperkirakan waktu yang dibutuhkan untuk menyelesaikan tugas, yang pada akhirnya meremehkan penilaian. Fenomena ini juga telah dikonfirmasi dalam banyak penelitian lain.
Jika Anda bekerja di sektor TI, maka berita ini bukanlah penemuan yang mengejutkan bagi Anda. Tugas dan proyek terus tertunda dan perbedaan dari rencana semula dapat mencapai 2-3 kali (dan kadang-kadang lebih). Pemimpin tim yang berpengalaman dan manajer proyek lebih suka merencanakan waktu dengan selisih, mereka menambahkan buffer atau hanya mengalikan skor dengan 2, tetapi bahkan dengan pemikiran ini, proyek masih belum selesai tepat waktu dan terlebih lagi tidak selesai sebelumnya ( contoh ).
Alasan untuk ini adalah beberapa fitur, yang sebagian besar adalah berbagai distorsi kognitif:
- Optimisme dan pemikiran tentang yang diinginkan.
- Ingatan yang tidak akurat tentang berapa lama waktu yang dibutuhkan untuk tugas serupa di masa lalu.
- Fokus berlebihan dalam menyelesaikan tugas.
- Meremehkan dampak dari kasus ini.
- Skala tugas - semakin besar proyek, semakin rendah keakuratan estimasi durasi.
Kecenderungan untuk melebih-lebihkan pengembalian
Pada tahun 2003, Kahneman dan Lovallo memperluas definisi kesalahan perencanaan untuk memasukkan kecenderungan untuk meremehkan waktu, biaya, dan risiko tindakan di masa depan dan pada saat yang sama melebih-lebihkan manfaat dari tindakan ini. Dengan kata lain, masalah dalam perencanaan proyek tidak hanya terkait dengan time overruns, tetapi juga dengan money overruns dan kekurangan total benefit.
Di bidang teknis, kami tidak terlalu naif tentang ini. Dari waktu ke waktu, saya melihat manajer dan tim yang percaya pada perkiraan mereka tentang manfaat masa depan berdasarkan “bakat untuk hati,” tidak peduli seberapa bagus prediksi sebelumnya ternyata. Dua faktor utama yang berkontribusi terhadap hal ini adalah sebagai berikut:
- Tidak ada metrik yang jelas - seringkali jawaban atas pertanyaan apakah suatu proyek berhasil dibentuk dari interpretasi hasil, karena kriteria keberhasilan belum ditentukan sebelumnya.
- Kita cenderung mengingat prediksi sukses kita dan melupakan prediksi yang gagal (atau menganggapnya prediksi orang lain).
Segera setelah Anda mulai mengukur keberhasilan dan kegagalan secara sistematis, gambaran yang jelas muncul tentang seberapa buruk kami dapat memprediksi kelelahan. Analisis eksperimen A / B yang dilakukan secara independen oleh Microsoft, Netflix, dan Booking menunjukkan bahwa, paling banter, hanya 1 dari 3 ide yang diuji yang menunjukkan hasil terukur positif. Gagasan yang tersisa yang dipelajari baik tidak memberikan hasil sama sekali, atau itu negatif. Tetapi angka-angka ini tidak mencerminkan situasi seluruh industri. Satu ide yang menang dari tiga adalah hasil yang sangat baik, hanya mungkin dengan produk matang dan perusahaan yang telah menghabiskan banyak waktu meneliti para pengguna dan pelanggan mereka. Startup akan mendekati rasio 1:10 (atau lebih buruk), dan perusahaan yang sedikit lebih dewasa dapat mengandalkan kinerja yang lebih baik.
“Sangat memalukan melihat betapa buruknya para ahli (termasuk kami) menghargai fitur. Setiap fitur yang dibuat oleh tim pengembangan dibuat karena seseorang percaya bahwa itu akan memiliki nilai, tetapi banyak keuntungan runtuh ketika dihadapkan dengan kenyataan. "
Dari sebuah studi Microsoft , 2009
John T. Gurville dari Harvard Business School, dalam artikel risetnya tahun 2006, menggambarkan perbedaan yang kuat antara nilai yang diharapkan perusahaan untuk diberikan konsumen sebagai hasil dari inovasi dan bagaimana konsumen sendiri melihat nilai itu. Menurut penelitian Gurville, perusahaan cenderung melebih-lebihkan manfaat dari suatu produk, sementara pengguna melihat nilai lebih dalam solusi yang sudah digunakan dan mengevaluasi kembali biaya untuk beralih ke solusi baru. Menurut Hurville, perusahaan melebih-lebihkan nilai 9 kali.
Kembali ke Matriks “Tenaga Kerja / Nilai”
Jadi, proyek biasanya harganya jauh lebih mahal dari yang kita kira dan kurang berharga di mata pengguna daripada yang kita pikirkan.
Melihat kembali matriks itu, menjadi jelas bagi kita bahwa dalam kenyataannya situasinya adalah sebagai berikut:
Ya, kemungkinan besar, Anda akan jatuh ke dalam zona lubang uang.
Tapi masih lebih buruk. Seperti yang ditunjukkan oleh hasil analisis pengujian A / B, beberapa proyek memiliki hasil negatif - ini adalah sesuatu yang hampir tidak ada tim pengembangan yang memperhitungkan. Dengan demikian, elemen risiko muncul yang tidak diungkapkan dengan cara apa pun dalam matriks ini.
Matriks “Tenaga Kerja / Nilai” yang sebenarnya terlihat seperti ini:
Pada sumbu y di bawah nol - negatif, generator rugi.
Jika kita menempatkan proyek-proyek kita pada matriks yang diperbarui, kita mendapatkan gambaran baru, yang jauh kurang optimis - beberapa proyek yang dulu termasuk kemenangan besar sekarang berada dalam lubang uang:
Saya pikir ini adalah saat yang tepat untuk mengucapkan selamat tinggal pada matriks "Tenaga Kerja / Nilai". Model ini terlalu disederhanakan dan menunjukkan bahwa dengan tingkat kepastian tertentu, Anda dapat mengatakan sebelumnya berapa biaya pengembangan dan berapa banyak fitur baru akan memiliki dampak positif. Jika ada matriks dari situasi nyata (dan saya pikir itu tidak ada), maka, mungkin, akan terlihat seperti ini:
Hijau - proyek yang ingin Anda pertimbangkan.
Oranye - proyek yang tidak ingin Anda lakukan.
Merah - proyek yang benar-benar tidak ingin Anda lakukan.
5 langkah untuk membuat matriks "Tenaga Kerja / Nilai" layak
Pertama-tama, Anda perlu menyadari bahwa 60-90% proyek dalam simpanan Anda tidak berguna - mereka tidak akan memberikan setidaknya hasil yang berarti atau akan jauh lebih mahal daripada yang Anda bayarkan untuk itu. Prioritas dan percobaan diperlukan untuk menemukan berlian yang masih akan membawa manfaat (mereka juga akan diimplementasikan dengan keterlambatan dalam hal, tetapi ini normal).
Kedua, saya masih mendukung matriks “Tenaga Kerja / Nilai” dan merasa sangat nyaman. Secara de facto, saya sangat sering merekomendasikannya kepada perusahaan tempat saya bekerja. Namun, saya juga mendorong upaya untuk sedikit meningkatkan pendekatan prioritas ini.
Hitung pengembalian dengan serbet
Biasanya, Anda dapat secara signifikan meningkatkan akurasi perhitungan jika Anda membagi tugas menjadi beberapa bagian dan mengevaluasi bagian-bagian ini secara terpisah. Contoh favorit saya adalah kampanye pemasaran, yang dibangun berdasarkan distribusi pushies atau promosi dalam produk. Mereka hampir selalu menjanjikan peningkatan konversi atau peningkatan pendapatan "10%," tetapi jika Anda mengetahui bagaimana corong akan bekerja pada kenyataannya - berapa banyak orang akan melihat promo, berapa persentase yang akan klik, berapa banyak klik yang akan dikonversi - kemungkinan bahwa jumlah yang dihasilkan tidak akan "10%," dan akan dikurangi menjadi pecahan satu persen. Ya, kesalahan dua urutan dapat diketahui dalam waktu kurang dari dua menit.
Gunakan data yang tersedia atau data baru
Seringkali data yang sudah kami kumpulkan dapat dengan cepat mengatakan betapa berharganya fitur atau proyek baru - biasanya dengan membandingkannya dengan sesuatu yang sangat mirip yang telah diluncurkan.
Misalnya, promosi sebelumnya dapat memberi tahu Anda RKT mana yang dapat Anda harapkan untuk promosi baru. Jumlah pekerjaan yang signifikan mungkin diperlukan dalam fitur atau proyek apa pun, oleh karena itu berguna untuk menambahkan acara dan penghitung untuk mengumpulkan data yang hilang yang dapat membantu dengan penilaian.
Pikirkan cara-cara murah untuk menguji hipotesis Anda
Untuk proyek-proyek besar, seringkali berguna untuk melakukan penelitian pendahuluan:
- Polling
- Tes Smok - misalnya, kampanye iklan pintu palsu Facebook
- Wawancara khusus
- MVP
Semua studi ini tidak diperlukan untuk setiap fitur, karena mereka sulit untuk diukur.
Interval kepercayaan diri
Sekarang setelah Anda tahu apa pengaruh perkiraan yang terlalu rendah terhadap biaya tenaga kerja dan revaluasi nilai, Anda mungkin ingin menambahkan kolom “Percaya” tambahan dalam simpanan bahan makanan Anda untuk memperhitungkan seberapa yakin Anda dalam perhitungan.
Tingkat kepercayaan yang sangat rendah bisa 0,1, sangat tinggi 0,8 (informasi lebih lanjut tentang menghitung tingkat kepercayaan di sini ).
Formula perhitungan prioritas sekarang adalah sebagai berikut:
Tes A / B
Tes A / B menghancurkan hampir semua dugaan dan menghilangkan sebagian besar risiko. Jika Anda menguji fitur sebelum diluncurkan, Anda tidak perlu bergantung pada firasat dan intuisi - Anda akan melihat cukup apakah idenya berhasil atau tidak. Pengujian A / B memungkinkan Anda untuk menempatkan taruhan dengan risiko yang relatif rendah. Untuk alasan ini, perusahaan seperti Netflix menguji semuanya - baik perubahan kecil maupun besar.