Scrum实践总结-团队绩效评估

Scrum Guide对团队的描述如下:
Scrum 团队 
Scrum团队由产品负责人、开发团队和 Scrum Master 组成。Scrum团队是跨职能的自
组织团队。自组织团队自己选择如何最好地完成工作,而不是由团队外的人指导。跨职能
团队拥有完成工作所需要的全部技能,不需要依赖团队以外的人。这种团队模式的目的是
最大限度地优化灵活度、创造力和生产效率。 
Scrum团队迭代增量式地交付产品,最大化获得反馈的机会。增量式地交付“完成”
的产品保证了可工作产品的潜在可用版本总是存在。 


开发团队有以下几个特点: 
  他们是自组织的,没有人(即使是 Scrum Master都不可以)告诉开发团队如何把
产品待办事项列表变成潜在可发布的功能。 
  开发团队是跨职能的,团队作为一个整体,拥有开发产品增量所需要的全部技
能。 
  Scrum 不认可开发团队成员的头衔,无论承担哪种工作他们都叫做开发人员。此
规则无一例外。 
  Scrum 不认可开发团队中的所谓“子团队”,无论是测试还是业务分析的成员都
不能划分为“子团队”。此规则无一例外。 
  开发团队中的每个成员可以有特长和专注领域,但是责任属于整个开发团队。 

敏捷强调团队的团队精神和自组织性。有些敏捷教练会认为对开发团队的个人绩效评估需要慎重考虑,这样会破坏团队精神。当然我不是很赞成这种观点。

《科学管理原理》第一章就提到磨洋工的问题:

磨洋工产生的原因有二。第一:人类天性使然,趋于轻松随便,这可称为‘本性磨洋工’;第二:由于人与人直接的关系二造成的复杂想法和重重顾虑而引起的‘磨洋工’,可称为‘故意磨洋工’
当然,也有一些精力旺盛、活力十足、志向远大的人,他们自发选择快速、高标准和刻苦工作,即使可能违背他们的最佳利益。但这些人的态度作为反面例子却凸显出目前的普遍趋势。

基于人类的天性,不管是制造行业的工人还是IT领域的工程师,都会很自然的选择偷偷懒、磨磨洋工。本人在央企呆过,现在在私企,跟外企的朋友也有交流,从实际情况来看确实也是这样的情况,我了解到的企业,对IT员工的的激励措施有点吃大锅饭的意思,或者纯粹凭老板一句话的去进行激励。这样就导致想干活、多干活的员工没有得到应有的回报,自然没有动力。最终的结果要么就是被同化,呆在公司大家一起优哉游哉;或者就找更好的公司、平台跳槽。


怎么解决这样的问题?

首先:我们承认人类的天性的存在,不能期望每位成员都能够自发的,不计利益的投入到项目中。

第二:我们认识到不同的的成员在技能水平、职业素养上存在差异,有效产出、生产率是不一样的,对应所得的利益和激励应该也要不一样,这样才公平

第三:我们认识到类似于制造业,软件开发过程的工作量也是可以度量和评估的。


有了以上的共识,那么我们可以参考《科学管理原理》来实行团队的绩效评估。具体的实行办法如下:

1、绩效评估的范围:只对个人收入的绩效部分进行评估,在目前大环境下,IT员工还是只能实行高工资,低绩效的方式,否则可能人员招聘上会有很大的麻烦。

2、采用计时的方式进行绩效评估。(计时、计件现在应该是制造业的基本方法)

3、工作量的评估,在Scrum计划会议的时候采用扑克牌的方式,开发团队和Scrum Master一起投票确定。投票过程采用求大同、存小异、取平均的方式。计划会议过程采用:讲解需求->提问与解释->匿名出牌->讨论->重新出牌->达到近似一致->采取平均的流程,确保大家都理解功能点的业务需求、处理方式。如果投票出现大的差异,比如说(9/1/1/1)的情况,那么需要再讲解需求、讨论。直到近似一直。最后取平均。这点在陈勇老师的敏捷培训上重点讲过。

4、工作任务的认领。我们认识到就算大家一起投票评估出来的工作量,也还是存在有些偏高、有些偏低的情况。为了确保公平,工作任务的认领严格按照顺序、循环自愿认领。A今天第一个选择任务,那么明天就只能是最后一个来认领任务,以此循环。

5、绩效评估的统计及公布。每个sprint迭代结束时候的反思会公布统计排名结果。邮件发送给全体成员,并记录到项目的总的绩效统计中。在项目奖的分配上严格按照工作量的统计结果计算。每个sprint及时公布统计排名结果非常重要。在《门后的秘密》中提到:

在事件发生后,第一时间给出反馈意见。等到年终考核才给出反馈意见起不到任何作用。即使等到季度考核,也是无济于事。

经过一个项目的实施,好得方面,总结一下:

1、项目抱怨的人减少了,团队气氛好转

2、项目最后收尾的时候没有出现因为某一个功能的delay导致整个项目无法交付的情况。

3、项目进程中没有疯狂的加班,基本正常上下班,除了scrum master承担的压力大一点,工作稍微多一点。


不好的方面,也总结一下:

1、原先效率低、产出低的成员,还是效率低,但是产出略有提高

2、出现过一下难度稍大的功能,没人主动认领,需要通过scrum master干预。





传送带损坏与对象检测数据集 一、基础信息 • 数据集名称:传送带损坏与对象检测数据集 • 图片数量: 训练集:645张图片 验证集:185张图片 测试集:92张图片 总计:922张工业监控图片 • 训练集:645张图片 • 验证集:185张图片 • 测试集:92张图片 • 总计:922张工业监控图片 • 分类类别: Hole(孔洞):传送带表面的孔洞损坏。 Human(人类):工作区域中的人类,用于安全监控。 Other Objects(其他对象):非预期对象,可能引起故障。 Puncture(刺穿):传送带被刺穿的损坏。 Roller(滚筒):传送带滚筒部件。 Tear(撕裂):传送带撕裂损坏。 impact damage(冲击损坏):由于冲击导致的损坏。 patch work(修补工作):已修补的区域。 • Hole(孔洞):传送带表面的孔洞损坏。 • Human(人类):工作区域中的人类,用于安全监控。 • Other Objects(其他对象):非预期对象,可能引起故障。 • Puncture(刺穿):传送带被刺穿的损坏。 • Roller(滚筒):传送带滚筒部件。 • Tear(撕裂):传送带撕裂损坏。 • impact damage(冲击损坏):由于冲击导致的损坏。 • patch work(修补工作):已修补的区域。 • 标注格式:YOLO格式,包含边界框和类别标签,适用于目标检测任务。 • 数据格式:图像数据来源于工业监控系统,适用于计算机视觉分析。 二、适用场景 • 工业自动化检测系统开发:用于构建自动检测传送带损坏和异物的AI模型,实现实时监控和预防性维护,减少停机时间。 • 安全监控应用:识别人类和其他对象,提升工业环境的安全性,避免事故和人员伤害。 • 学术研究与创新:支持计算机视觉在制造业、物流和自动化领域的应用研究,促进AI技术与工业实践的融合。 • 教育与培训:可用于培训AI模型或作为工业工程和自动化教育的案例数据,帮助学习者理解实际应用场景。 三、数据集优势 • 多样化的类别覆盖:包含8个关键类别,涵盖多种损坏类型和对象,确保模型能够处理各种实际工业场景,提升泛化能力。 • 精准的标注质量:采用YOLO格式,边界框标注准确,由专业标注人员完成,保证数据可靠性和模型训练效果。 • 强大的任务适配性:兼容主流深度学习框架(如YOLO、TensorFlow、PyTorch),可直接用于目标检测任务,并支持扩展至其他视觉任务需求。 • 突出的工业价值:专注于工业传送带系统的实际需求,帮助提升生产效率、降低维护成本,并增强工作场所安全,具有较高的实际应用价值。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值