Данные в ДейSTвии

Метрики для проверки гипотез Если я когда-нибудь напишу «Методичку по анализу процессных метрик», то после главы про гипотезы будет раздел о выборе метрик для проверки этих гипотез. Потому что чаще всего здесь все и буксует: начинается сбор красивых, но бесполезных чисел. В прошлый раз мы дошли до этапа, где гипотезы на столе: кто-то говорит «медленно», кто-то — «забюрократизировано», а у кого-то всё завалено дефектами. Самое время разложить эти оценочные суждения на конкретные, измеримые характеристики. Потому что пока не перевели “медленно” и “много” на язык цифр — анализ останется болтовнёй. Почему это сложно? Во-первых, без насмотренности будет больно. Во-вторых, гипотезы надо уметь деконструировать до конкретных свойств. Пример гипотез: 1️⃣ ИТ-отдел медленный, забюрократизированный, много дефектов 2️⃣ Аналитиков заваливают идеями без приоритезации, заказчики недоступны, сроки сжаты — итог: «пишем как поняли», а потом программисты делают не то 3️⃣ У тимлидов завал задач на код-ревью, ручное тестирование всё тормозит Разбираем гипотезы на атомы. В каждой — куча оценочных слов. Если их не декомпозировать, анализ будет ни о чём. Например, гипотеза 1️⃣: - "Медленный" —Что это значит? Lead time большой? По сравнению с чем: нормативом, рынком, ощущениями? - "Забюрократизированный" — много этапов? Долгие согласования? А сколько времени задача проводит в ожидании? - "Много дефектов" — много, это сколько? По сравнению с чем? Каковы измеримые последствия дефектов? Лучше всего эти вопросы обсуждать с участниками процесса — пусть объяснят, что для них значит каждое слово. Разбор гипотезы 2️⃣: - "Заваливают идеями без приоритезации" — что считается завалом? Что значит "без приоритезации" - это когда "важгно все" или или когда приоритеты меняются каждый день? - "Заказчики недоступны" — сколько раз, в среднем, происходит контакт аналитика с заказчиком прежде чем задача идет в разработку? "Сроки сжаты" — что значит "сжатые"? По сравнению с чем? А у всех задач они "сжатые" или есть те, у которых "разжатые"? 😄 - "Делают не то" — какой процент задач возвращают на переделку? Когда становится ясно, что сделали не то? Каковы последствия? Гипотезу 3️⃣ оставлю вам: Попробуйте сами расписать, какие метрики можно вытащить из “завал на код-ревью” и “ручное тестирование тормозит”. Что на выходе? Такой разбор даст список метрик, которые действительно описывают гипотезы и позволяют выразить их на языке цифр. Дальше — надо понять, что реально можно померить, а что нет. И какие из метрик нам нужны в первую очередь, а какие будут дополнением? Но это уже тема для следующего поста. #методичка #data_driven_management

Извините, не могу не поделиться. Так мне понравилась эта формула, что прям хочется ее оставить здесь на память. Она, по-моему, многое объясняет в характере бывших IT-шников. Зная это им можно многое понять и простить.

«Я понял, почему выходцы из разработки такие скептики и почему так хорошо развито критическое мышление… это от херовых требований, - годами вырабатывается навык не доверять тому, что тебе сказали изначально, иначе цикл обратной связи возвращается по башке :)» (с) Сергей Баранов, партнер ScrumTrek

Прям я бы в граните бы выбил ее

Извините, не могу не поделиться. Так мне понравилась эта формула, что прям хочется ее оставить здесь на память. Она, по-моему, многое объясняет в характере бывших IT-шников. Зная это им можно многое понять и простить.

«Я понял, почему выходцы из разработки такие скептики и почему так хорошо развито критическое мышление… это от херовых требований, - годами вырабатывается навык не доверять тому, что тебе сказали изначально, иначе цикл обратной связи возвращается по башке :)» (с) Сергей Баранов, партнер ScrumTrek

Прям я бы в граните бы выбил ее

Ребята, мне тут сообщили что якобы у меня на канала реклама крутится какая-то. Скажите, вы вот это где-то в моем канале видите?

Привет всем, кому интересен ИИ! 🤖 На днях мы полностью перевели отчет MIT GenAI Divide 2025 — анализ, который ломает привычные представления о причинах провалов ИИ в компаниях. 🧠 5 САМЫХ УДИВИТЕЛЬНЫХ ИНСАЙТОВ ИЗ ОТЧЕТА MIT GenAI DIVIDE 🔥 1. Главная проблема — корпоративные ИИ не учатся, и не развиваются Большинство корпоративных ИИ не запоминают обратную связь пользователей и поэтому не улучшают свои результаты со временем. В итоге — вместо “умных” помощников сотрудники получают одноразовые инструменты. 💰 2. Реальная экономия — в бэк-офисе Самые большие выгоды от ИИ — не в продаже и маркетинге, а в автоматизации внутренних процессов бэкофиса. В отчете есть пример: автоматизация обработки счетов и платежей (AP) приносит до $2–10 млн ежегодной экономии. 🏢 3. Крупные компании буксуют, в то время как средние - обгоняют Корпорации создают больше ИИ-пилотов, но внедряют ИИ дольше: компании-лидеры среднего размера внедряют ИИ за ±90 дней, а крупные компании — за 9 месяцев. Большие ресурсы ≠ успех. 🎯 4. Массовое ИИ часто выигрывает у кастомных Сотрудники предпочитают использовать публичные решения вроде ChatGPT — они проще, надежнее и дешевле, чем корпоративные аналоги "заточенные" под компанию. 🔧 5. Всё дело — в подходе к внедрению, а не в технологиях Причина провалов — не в ИИ-инструментах, а в отсутствии внятной стратегии внедрения ИИ в рабочие процессы. Технология уже зрелая, а подходы к внедрению — нет. Полный разбор с примерами — по ссылке ⬇️ https://scrumtrek.ru/blog/ai/16097/ai-in-business-2025/ Менеджер на Перезагрузке

Привет. Есть к вам вопрос. Я тут играюсь с форматами если вы заметили. И хочу немного объясниться и узнать ваше мнение - стоит ли продолжать в том же духе? Или не цепляет? Две недели назад, чисто по приколу решил написать пост который начинается со слов "если я когда-нибудь напишу Методичку по анализу процессных метрик"... И вдруг получилось неплохо 🤷‍♂️ А потом я подумал - а если я раз в несколько дней буду писать пост-продолжение на ту же тему, то я же по идее реально могу в итоге написать эту самую "методичку"? 🤔 Так что руки сами потянулись написать второй пост - про гипотезы Логично что третий пост будет про то, как подобрать метрики для подтверждения гипотез. Планирую написать. И так далее. Но вопрос к вам - стоит ли продолжать этот эксперимент? Или ну его нафиг, Вася, есть гораздо более интересные темы? Жду ваш ответ в комментариях 👇

Ваша версия, Ватсон?🕵️‍♂️ Если я когда-нибудь напишу "Методичку по анализу процессных метрик", то после главы про цели обязательно будет отдельный раздел про гипотезы 🧩 Потому что, даже если вы уже поняли, что и где будете считать, анализ может быстро превратиться в болото из догадок, версий и бесконечных «а вдруг дело вот в этом?» 🌪🤔 В прошлом посте (с Сенекой и кораблями 🚢) мы выяснили, что любые метрики имеют смысл только после чёткой постановки цели и очерчивания границ процесса 🗺 Что дальше? ⏭️ Как только контур определён и известно, что именно вы измеряете — возникает новый важный вопрос: Какие гипотезы нам нужно проверить? 🔍 Почему это так важно? Потому что данных всегда тонна📊, и если не выбрать направление для анализа, можно закопаться в деталях так, что потом даже ИИ не разберётся, где искать ответ 🤖🫣 Здесь без шляпы детектива 🕵️‍♂️ не обойтись! Придётся распутывать клубок версий, мнений и офисных легенд: — Пострадавшие говорят одно — Свидетели — другое — Улики намекают вообще на третье Как настоящий Шерлок Холмс, чтобы продвинуться, надо выдвигать гипотезы и проверять их одну за другой 🧐 Какие гипотезы обычно появляются на старте анализа процессных метрик? — Гипотезы заказчиков Обычно это жалобы на текущее положение дел, объяснённые по-своему, с поправкой на личный опыт. Мой опыт показывает: чем выше по иерархии заказчик, тем меньше совпадает его версия с реальностью. Сверху реально плохо видно, что происходит внизу 🤷‍♂️ — Гипотезы руководителей Тут появляется больше конкретики, но и внутренняя политика: выгодно что-то сказать, о чём-то умолчать, аккуратно намекнуть, что «виноваты» соседи. Не потому что люди плохие — часто просто корпоративная культура такая: главное найти виноватого, а не разобраться в процессе 🏢 — Гипотезы сотрудников Тут обычно самая честная правда — но только о своей части процесса. Люди отлично видят то, что под их контролем, но редко понимают всю картину Первые гипотезы часто говорят об одном и том же разными словами. Но бывает и наоборот: гипотезы могут сильно противоречить друг другу ⚡️ Например, после общения со всеми могут появиться такие гипотезы: 1️⃣ ИТ-отдел медленный, забюрократизированный, много дефектов в результате 2️⃣ Аналитиков заваливают идеями без приоритезации, заказчики недоступны, сроки сжаты — в итоге «пишем как поняли», а потом программисты делают не то 3️⃣ У тимлидов завал задач на код-ревью, а ручное тестирование всё тормозит Теперь у нас есть направления для исследования, что поможет не шарахаться из стороны в сторону, а вдумчиво отбирать данные для анализа и проверять гипотезы 🎯 И вот тут начинается самое сложное. Надо понять, какие данные и метрики могут подтвердить или опровергнуть эти гипотезы? 🤔📈 Но об этом в следующем посте ➡️

Оказывается в Perplexity завезли интеграцию с Nano-Banana и теперь с фотками можно творить буквально чудеса, причем получать предсказуемый результат. Чтобы все работало надо в списке моделей выбрать "Gemini 2.5" или "Лучшее", подгрузить фотку и сделать запрос на добавление, удаление, или редактирование чего-то на фотографии. Вот мои эксперименты с моей фотографией. В начале оригинал - потом измененный через Perplexity фото. В итоге получилось то, что получилось 😂😂 PS Будьте осторожнее! Если сильно заиграться, то можно превратиться в кого-то другого 😂😂😂

Gemini предложила заплатить профессионалу, чтобы он исправил нейросетевой код 🤡 На днях пользователь Reddit рассказал кулстори: когда он в очередной раз пробовал собрать проект на React с помощью Gemini, нейросеть несколько раз сгенерировала настолько неудачный код, что предложила заплатить за специалиста.

Найдите профи на площадке вроде Fiverr для консультации, чтобы устранить проблему с настройкой. Пришлите мне счёт. Я оплачу.

С таким ИИ восстание машин будет нескоро…

Ну что! Практикум прошел отлично не смотря на то, что сломали Rows 😂😂 Что мне понравилось: 1) Все активно участвовали 2) holst отработал на отлично, хотя пару раз удивил 3) в этот раз получилось сбалансированно составить группы, и общение внутри было, как мне кажется гармоничным, и полезным для участников 4) совместно таки сформировали список рекомендаций для клиента из кейса КТо участвовал в Практикуме сегодня! ПОделитесь в комментариями, что вам запомнилось больше всего? А что понравилось больше всего? И какие инсайты по итогам Практикума?

Есть что-то в наших русских людях такое... чего даже машины не выдерживают 😂 Группа с прошлого практикума сломала AI-персону 🤯 А группа с текущего практикума - сломала сервис Rows для анализа данных 😱 Был бы жив Задорнов - послал бы ему эту историю, как 15 канбанистов собравшись вместе решили проверить что сможет выдержать AI-персона и сервис по анализу данных, и сломали и то и другое 😂😂😂

Закрываю регистрацию на Практикум Кто не успел - следите за анонсами, и увидемся в следующий раз (надеюсь, с новым кейсом)

Я уверен, вы уже заметили, что в канале стали довольно часто появляться посты про ИИ 🤖 Похоже, пора объясниться что происходит 🤔 За два года что я веду этот канал, я чего только не написал про Канбан и про метрики. На мой взгляд, я написал достаточно, чтобы закрыть тот learning gap, который меня так возмущал в программе обучения на основе стандартов Kanban University - когда вас сразу бьют по башке WIP-лимитами, и тащат по программе дальше, даже не объяснив "а какую проблему решаем-то?". Я писал инструкции по анализу Lead Time Distribution Chart, я писал про Run Chart , и то чем он не является, я писал про "магическое число 5.6" , и даже немного грыз фундаментальный труд Нассима Талеба. И мне кажется, что просто прочитав материалы в дайджестах за 3 года (тынц 2023 часть 1, тынц 2023 часть 2, тынц 2024, тынц 2025) - любой из вас найдет ответ практически на любую непонятку по Канбан-метрикам 🤷‍♂️ (только не спрашивайте меня "почему нельзя двигать карточки назад по доске 😂😂😂 - это запрещенный прием) Заскучав, я сделал для вас Практикумы по анализу Данных. Это был совершенно точно эксперимент, я не рассчитывал на успех, и даже усиленно пугал вас в первый раз - но все получилось 🤷‍♂️ И вот завтра будет уже третий Практикум 😊 И если честно, я немного подустал от этой темы 🥱 Что делать - все мы люди, все мы человеки 🤷‍♂️ Сейчас мне кажется, что я малость "исписался" на тему Канбан-метода и метрик 🤷‍♂️ И начал повторяться. Помнится кто-то даже в комментариях пошутил, что я занимаюсь "LTD-пропагандой" 😂😂 Я не понимаю, что мне писать дальше, чтобы было интересно и мне и вам? 🔫 Начать утаскивать вас в глубины прогнозирования по Монте-Карло? А оно вам надо? 2/3 вообще не поймут в чем тут ценность, а 1/3 гиков и так читает Пашу Ахметчанова, и все знает лучше меня 😊 🔫 Или может быть начать печатать популярные статьи про "определение Канбан-метода" или про "ценности канбан-метода"? Вот увольте, ей-богу. Это невыразимо скучно 🙈 Тем более, что есть люди, которые справляются с этим лучше меня, даже целый стандарт на эту тему запилили 🔫 Или мне начать рассказывать про то, что "Канбан без OKR - как пиво без водки"? Ну так-то да, там синергия серьезная есть, не спорю. Но мне эти темы не интересны, уж простите 🤷‍♂️ Может быть вы считаете, что я о многом еще не рассказал - тогда welcome в комментарии! Готов выслушать ваши пожелания, возмущения, предложения - и закрыть долги новыми статьями и постами Лично я сейчас активно заинтересовался ИИ - особенно тем, как он меняет менеджмент, мир, социум, будущее Я даже завел небольшой Телеграм-канал "Менеджмент на перзагрузке", где планирую самые интересные мне новости, темы и исследования про ИИ регулярно освещать и часть материалов оттуда буду периодически постить сюда, в "Данные в действии". Ну прост потому что там у меня 25 человек, а тут 1002 уже 🤷‍♂️ Дурак был бы, если бы не перепощивал на бОльшую аудиторию 😂 Обещаю этим не злоупотреблять. Про Канбан и метрики я писать будут, и Практикумы проводить буду. Но и на тему ИИ тоже буду делать посты 🤖: 🤖 переводы исследований и отчетов о том, как системно внедрять ИИ в работу компании; 🤖 лайфхаки для менеджеров - как сделать так, чтобы ИИ тебя не уволил; 🤖 прохладные истории про реальные кейсы ИИ-автоматизации; 🤖 и собственное мнение конечно 🤷‍♂️ Если для кого-то Канбан-метрики — это главная причина быть здесь, то сразу предупреждаю: я не планирую бросать тему, просто хочу хочу расширить спектр тематик и делиться тем, что реально двигает и меняет сейчас рынок - ИИ и все, что вокруг него PS Если есть вопросы по ИИ или хотите что-то разобрать вживую — пишите. Можно в личку, можно в комменты. Я собираю темы, которые реально интересны вам, чтобы канал был полезным, а не только моим личным дневником

Исследование "Будущее менеджеров в эпоху Искусственного Интеллекта" Сейчас много хайпа и споров вокруг ИИ. Особенно непонятно что будет с менеджерами, и есть ли какая-то угроза для них? Мы как специалисты в организации и оптимизации процессов, тоже пытались в этом разобраться, и по ходу дела изучили массу всяческих отчетов, исследования, статистических данных - от большой тройки консалтеров (PwC, BCG, McKinsey), до авторитетных институтов (например MIT) и данных Всемирного Валютного Фонда. В процессе исследования мы поняли, что эта информация будет интересна не только нам, но и широкой аудитории пользователей, особенно менеджерам. Поэтому делимся с вами тем, что узнали! Главным исследователем выступал мой коллега, Артемий Анцупов, на чей оригинальный пост я с удовольствием ссылаюсь PS PDFку с полным исследованием я приложу следующим сообщением

Практикум 2.0 постепенно набирается 10 человек успешно освоили инструкцию, как подключиться к закрытому чату А перед практическим разбором давайте вспомним "кандидатский минимум" для анализа Канбан-метрик — коротко, по-человечески и без магии. ================ Как я обычно работаю с Канбан-метриками Мне обычно у клиента нифига не понятно, поэтому я ищу какие-то "точки удивления", за которые можно уцепиться, и начать их перепроверять по другим метрикам. 0️⃣ Для начала — спрашиваю клиента: Какие у вас вообще, по-вашему, проблемы? Чем недовольны? 1️⃣. Разбираюсь с доской и процессом Где вход? Где выход? Как выглядит сама доска? 2️⃣ Пытаю менеджера на тему "а когда у заказчика начинают тикать часики?" и "как заказчик понимает, что задаче сделана?" Где точка принятия обязательств которая разделяет Upstream и Downstream? И где точка отдачи обязательств, после которой можно метрики не считать? 3️⃣ Провожу границу на Канбан-доске: Четко отмечаю, где у нас что — чтобы не путать метрики. ———————- Как смотреть на метрики? 4️⃣ Дальше самое сложное - надо понять как достать метрики. - С Kaiten все довольно просто - там из коробки неплохо сделано, - В JIRA (простигосподи) — все в разы сложнее. Но я обычно ставлю Jira Metrics plugin на Google Chrome и так выкручиваюсь 5️⃣ Дальше смотрим CFD (Cumulative Flow Diagram) Почему его? Потому что обычно он больше всего удивляет. А мне того и надо. - где был простои? - смотрю другие шаблоны CFD ; - пытаюсь понять периодичность поставки; - заваливает ли ребят работой, или они в балансе? 6️⃣ Вооружаюсь этим, и иду смотреть Lead Time Scatterplot (aka Control Chart в JIRA). — Смотрю на аномалии — они видны сразу. Выписываю ID-шники самых долгих задач (дольше 90% LT). — Ну и заодно перепроверяю цикл поставки - сравниваю с тем что видно на CFD 7️⃣ Смотрю на Lead Time Distribuntion Chart Опять же, он разныq бывает: — Customer Lead Time; — System (Downstream) Lead Time; — Upstream Lead Time; — Time To Market Вычисляю 85% и 90% перцентили этих времен, ищу пропущенные аномалии. Не забываю про буферы: ToDo, Ready To Develop, Ready To Test, Ready To Deploy... Там работа не ведётся — задачи тупо ждут когда их не следующий этап заберут. Как только померял разные Buffer Time — сразу видно, где затык. 8️⃣ Диаграмма пропускной способности: Сравниваю с CFD: — Завалило ребят работой? — Или справляются? 9️⃣ WIP Aging Chart (если есть) Но там обычно все плохо, так что особой пользы это не несет. Зато можно удивленно спросить менеджера "а чейто у вас в системе какая-то задача уже 3 года живет и не собирается закрываться?" - порой много интересного слышишь в ответ ———————- Итог В конце возвращаюсь к пункту 0️⃣: Проверяю гипотезы клиента. В 90% случаев клиент не видит реальных проблем — он ловит только симптомы, а виноваты у него зачастую люди из IT. Хотя причина часто где-то "до IT", но этого не видно без нормального разбора. Делаете так же? Или у вас по-другому? Пишите в комментариях 👇

Если я когда-нибудь напишу "Методичку по анализу процессных метрик", то первым делом там будет цитата из Сенеки:

"Для корабля, который не знает куда плывёт, нет попутного ветра"

Это правило работает и для анализа данных, и для менеджмента вообще. Сначала нужно решить — чего вы хотите добиться? Какое состояние системы будет считаться успехом? Чем вы недовольны сейчас? Только после этого есть смысл собирать и анализировать данные. Почему так? Да потому что данных можно собрать тонну! Начнёте разбираться, и с гарантией запутаетесь. В мире метрик заблудиться легче, чем найти выход из Икеи. А вот распутаться — уже отдельный квест. Поэтому важно выбирать только те метрики, которые ведут вас к цели. Остальные — пока в сторонку, не время для них. Тут и пригодится "образ результата". Пример: Менеджер хочет выяснить, почему у отдела низкая пропускная способность. Измерять динамику температуры на чердаке или время прихода сотрудников бессмысленно — хотя эти параметры тоже "как-то влияют", но не напрямую. Если вы всерьёз начали считать температуру чердака — проверьте, не пора ли в отпуск. Итак, задача: понять, почему проседает пропускная способность. С чего начать? Нужно определить, что вы вообще собираетесь измерять. "Рабочий процесс" звучит солидно, но что в нём считать? Тут важно понять: что движется по процессу? Какие именно "работы": задачи, инициативы, баги, идеи? Дальше — задайте себе несколько прямых вопросов: - Кто или что создаёт новую работу? - Где начинается процесс появления новой работы? Может, с идеи гендира, спора на совещании, продуктового ресерча? - Где он заканчивается? В какой момент задача перестаёт нас интересовать и начинает приносить пользу? Ответив на эти вопросы, вы очертили границы процесса — старт и финиш. Это важно: именно так вы получаете две ключевые точки для измерений. Если ваш путь — от идеи до поставки на рынок, то это классический Time To Market, любимец всех бизнесов. А как же пропускная способность? Пропускная способность — это сколько идей за единицу времени реально прошли через процесс и воплотились в результат. 100 идей в месяц? 20 в неделю? Чтобы считать, надо знать, где вход и выход. Сколько зашло, сколько вышло. А вот считать "среднюю загрузку на сотрудника" или "размер задачи" сейчас рано. Мы пока только нарисовали карту, не влезая в детали. Проблема "затора" где-то внутри, но не надо пытаться вскрыть всё сразу — иначе опять потеряетесь. Следующий шаг — построить модель процесса, чтобы понять, что происходит внутри, но не захлебнуться в деталях. Об этом — в следующих постах. И да, если на этом этапе вы уже запутались — вы не одиноки. Это нормально. Главное — не пытаться построить идеальный дэшборд из 50 метрик, которые ни на что не отвечают. Попутного ветра всё равно не будет.

Всем привет! 🤚 Инструкция для подключения к закрытому чату Практикума 2.0 👇 1) Переходите в бота https://t.me/WorkshopRegistrationBot 2) Пишете там /start или жмете на кнопку "запустить" внизу 3) Дальше следуем инструкциям которые вам даст бот (согласие, оплата) 4) В конце вы должны увидеть такое вот сообщение:

Спасибо! 🥰 Платеж прошел успешно. Добро пожаловать в группу Практикума по анализу Канбан-метрик: https://t.me/.....

5) Переходите по ссылке в закрытую группу (ссылка действует 24 часа) 6) Здороваетесь, представляетесь кто вы, откуда - удивляемся что так много знакомых лиц 😊 2го сентября в 19:00 я в эту закрытую группу пришлю ссылку на Zoom и лист Miro где будет проходить практикум. И мы зажжем! PS Если что-то не работает - пишите мне в личку @vsavunov - помогу

Вышел перевод второй части исследования McKinsey "Сверхвозможности на рабочем месте" - про ситуацию в мире с освоением ИИ Что во второй части: — Хайп прошёл, а стратегии освоения ИИ у большинства компаний так и нет. — «Зумеры» и «блумеры» (59% рабочей силы) готовы использовать ИИ, но навыков мало. — Пока в России раскачиваются, в Индии и Сингапуре ждут +10% к выручке, в США — скепсис и страх регулирования. — Лидеры меряют скорость и экономику, игнорируя доверие и прозрачность.

Практикум «Данные в действии» — не просто воркшоп, а настоящее расследование для менеджеров 🕵️‍♂️ Зачем идти? Вы когда-нибудь смотрели на красивые графики в JIRA - все эти CFD, Lead Time, Throughput, и думали: «И что мне теперь со всем этим делать?» 🤔 Спойлер: вы не одиноки! 99% менеджеров сталкиваются с той же проблемой: метрики есть, а пользы — кот наплакал. 😿 Если после любого курса по Канбан-методу у вас осталась в голове куча английских слов и разноцветных линий, а что с этим делать так и не стало ясно — этот практикум для вас. 🧩 Что вас ждет? ➡️ Реальный кейс реальной компании: вам как профессиональному менеджеру предстоит расследовать проблему, с которой действительно столкнулась ИТ-команда в жизни, а не в методичке. 🔎 ➡️ Реальные данные и графики: не выдуманные таблички и не нарисованные для тренинга примеры, а живые цифры и графики из боевого проекта — вы увидите настоящую динамику, настоящие ошибки, настоящие успехи. 📊 ➡️ Наглядные картинки-инструкции с примерами анализа метрик, которые быстро помогут сориентироваться в данных и сделать выводы ➡️ Мини-группа: разгадывать загадки проще и веселее вместе — обмен гипотезами, споры и совместные победы гарантированы. 🤝 Ваша задача: докопаться до истины, выяснить, что же стало реальной причиной проблем (спойлер: не всегда то, что кажется на первый взгляд!), и, главное — понять, как на практике использовать метрики, чтобы управлять, а не «считать ради отчёта» Формат 2 онлайн-встречи по 2 часа (2 и 3 сентября, 19:00–21:00) Будет жарко, скучно не будет — обещаю. 🔥 Кому будет полезно? - Руководителям IT-подразделений, тимлидам, менеджерам проектов 👔 - Agile-коучам и практикам Канбана 🌀 - Всем, кто устал от пустых диаграмм и хочет наконец-то «прочитать» данные по-настоящему 🧐 Как записаться? 1. Подпишитесь на канал «Данные в действии» 📢 2. Ждите доступа к боту оплаты 🤖 3. Платите 2000 рублей (да, цена одной хорошей пиццы в Москве — но это про вашу карьеру, не про калории) 🍕 4. Получаете доступ к закрытому чату 🔒 5. Следуйте инструкциям в чате ✅ Вопросы? Пишите: @vsavunov P.S. На воркшопе не будет воды, эзотерики и продаж «волшебных таблеток». Только реальные задачи и навыки, которые пригодятся на работе уже на следующий день. 🛠