Planning Poker II
A continuación plantearemos un ejemplo más complejo de estimación con Planning Poker.
Supongamos que en la próxima iteración debemos implementar 3 historias de usuario. Nuestro equipo está formado por 4 desarrolladores: D1, D2, D3 y D4. La unidad que usaremos serán los Puntos Poker.
Se presenta el siguiente histórico de estimaciones:
Ahora vamos a analizar cada uno de los históricos de las estimaciones de las historias de usuario.
Importante: Este modo dinámico de estimación hace participar a todos los asistentes, reduce el tiempo de estimación de una funcionalidad, y lo más importante, se consigue alcanzar una convergencia en la estimación de las historias de usuario.
Francisco Javier Cervigon Ruckauer
Supongamos que en la próxima iteración debemos implementar 3 historias de usuario. Nuestro equipo está formado por 4 desarrolladores: D1, D2, D3 y D4. La unidad que usaremos serán los Puntos Poker.
Se presenta el siguiente histórico de estimaciones:
Siendo la estimación final de la iteración 22 puntos poker.
Ahora vamos a analizar cada uno de los históricos de las estimaciones de las historias de usuario.
- En la historia de usuario 1, se aprecia cómo D1 y D4 tenían una diferencia de información. Por ello, tras exponer sus razones vemos cómo realmente D4 era el mejor informado ya que a lo largo de los turnos, con sus respectivas exposiciones, los demás convergen a su estimación inicial.
- En la historia de usuario 2, hay una información asimétrica entre los desarrolladores D1 y D4 respecto a D2 y D3. Ello puede ser debido a desconocimiento de la tarea, o del campo a tratar, etc. Por ello tras una exposición de las razones, todos convergen en sus puntuaciones.
- El caso de la historia de usuario 3, es aquel en el que tanto D2 como D4 carecen de la información completa. Ello se ve ya que, al avanzar el histórico, convergen a la estimación inicial de los otros desarrolladores.
Importante: Este modo dinámico de estimación hace participar a todos los asistentes, reduce el tiempo de estimación de una funcionalidad, y lo más importante, se consigue alcanzar una convergencia en la estimación de las historias de usuario.
No hay comentarios:
Publicar un comentario