Помните рассказывал про метод Монте-Карло для анализа про срок выполнения какого-то объема задач, на основе пропускной способности. В прошлом году рассказывал на FrontendConf как можно использовать еще и Lead Time, чтобы учитывать отпуска например. А давича потребовалось сделать прогноз выполнения работ с использованием комбинироованного подхода с цепями Маркова. Почему я не воспользовался простыми методами о которых рассказывал ранее? Дело в том, что команда выполняет сервисную фнукцию, и решает около 10 типов работ. При этом из них 5 типов работ имеют разный Flow. И у 1-го из типов работ Flow разделяется на разные состояния при этом работы могут пойти с определенной вероятностью по одному или другому пути. В итоге используя грппировку по схожести распределения Вейбла для определения мод в статистике, мне удалось определить, что эти 10 типов работ, можно свернуть в 3 основных. При этом 1 тип работ имеет разделение Flow, которое с определенной вероятностью для этого типа работ может быть одно или иное. Как я провел моделирование? 💬...Читай подкатом. Какое это может дать развитие? А рзавитие этой истории заключается в том, что такой подход позволяет создать решение обратной задачи (напрмиер используя генетический алгоритм) чтобы понять как лучше оптимизировать процесс, изменяя параметры WIP, меняя статусы или вероятности попадания в тот или иной или другие параметры процесса при моделировании генетическим алгоритмом Мы получаем эвристику которая ответит на вопрос - как улучшить ваш процесс для максимизации результата. В качестве критериальной функции вполне можно оперется на формулу P&L, а WIP-limit задавать количеством людей. Для пары параметров я генетический алгоритм уже попробовал, показал интересное. Но, надо еще перепроверить. Action Items: - Ставьте лайк ❤️ если вам будет интересно послушать по этой теме доклад Наберем штук 100, подумаю над тем где об этом рассказать, в деталях и с примером Как я это все навайбкодил при помощи нашего Nestor агента P.S. за очепятки простите с телефона написал #проинструменты