Savez-vous faire des calculs simples ?

Avez-vous déjà vu de vos propres yeux une chaîne de montage dans une usine où sont fabriquées des pièces pour un véhicule ? Moi, oui. Mes premiers emplois d'été se trouvaient juste à côté de la chaîne de montage.

Imaginez maintenant que l'usine et chaque poste de la chaîne soient entièrement encombrés d'outils et de matériaux, au point que l'on ne trouve plus rien. Ou imaginez qu'il n'y ait jamais assez de matériel ni les bons outils, de sorte que l'ouvrier sur la chaîne attende constamment. Ou encore que des managers sans aucune connaissance de l'assemblage ou de la fabrication interrompent sans cesse l'ouvrier et lui attribuent des tâches aléatoires sans véritable objectif.

C'est difficile à imaginer parce que c'est franchement absurde. Pourtant, certaines organisations font exactement cela lorsqu'il s'agit de sujets data et IA. Pas avec de mauvaises intentions. Elles le font parce qu'elles ne savent pas faire autrement.

Ce qui manque, c'est une compréhension élémentaire des principes Lean.

Il y a beaucoup à apprendre, alors commençons par là.

Prenez le niveau au-dessus des équipes, celui qui décide en premier lieu des initiatives et des produits à entreprendre. Parfois, ces décisions sont même prises plusieurs niveaux au-dessus d'une équipe. Parfois, plusieurs unités organisationnelles indépendantes finissent par bombarder les équipes de trop de choses en même temps.

Imaginez maintenant que ces unités organisationnelles mesurent réellement ceci : combien d'initiatives, de projets, de produits ou de tâches plaçons-nous simultanément dans les backlogs ou directement dans les équipes de manière ad hoc ? Combien sont achevés au cours d'une période donnée, c'est-à-dire fonctionnent de manière stable en production ?

J'ai un jour mesuré exactement cela. Pendant un an et demi, j'ai mesuré combien d'epics un programme composé de sept équipes planifiait pour chaque période de trois mois et combien étaient achevés à la fin de ces trois mois, c'est-à-dire entièrement déployés en production. Ils planifiaient systématiquement plus de 50 epics et en achevaient systématiquement exactement 21. Chaque équipe déployait en moyenne trois incréments de produit en trois mois. J'ai créé une page wiki et visualisé les données et les mesures. Ce n'est qu'alors que l'équipe de direction a commencé à comprendre. Pourquoi planifier plus du double alors que la livraison était stable depuis un an et demi ?

Ce programme était exemplaire. Nous savons tous que de nombreuses organisations data et IA ne peuvent que rêver d'un tel niveau de livraison.

Il n'y a pas de raccourci. Il faut bien commencer quelque part. Mon conseil est de commencer par faire moins de choses en même temps. Kanban, ce sont de pures mathématiques.

La loi de Little énonce :

Délai = Travail en cours / Débit

Un exemple simple. Avec la loi de Little (L=λ · W) (donc W=L/λ) :

• Exemple 1 : Si vous avez 23 éléments en cours et que vous terminez 3 éléments par an, le délai moyen est d'environ 7,7 ans par élément.
• Exemple 2 : Si vous avez 3 éléments en cours et que vous terminez 10 éléments par an, le délai moyen est de 0,3 an, soit 3,6 mois par élément.

Le calcul est simple. Décidez que le travail doit être terminé élément après élément. Réduisez le travail en cours. Protégez les équipes des interruptions inutiles afin qu'elles puissent se concentrer et terminer ce qu'elles font déjà.