Существует огромное количество инструментов визуализации диаграмм, которые способны творить с их помощью настоящие чудеса.
Все они имеют разные цели и специализации.
Но сейчас мы не будем о них говорить.
Мы будем говорить не об инструментах, а о том, как их использовать в вполне конкретной ситуации, а именно: при анализе деятельности внутренней службы технической поддержки.
В крупной организации работа централизованных служб зачастую имеет решающее значение.
Представьте, что вы руководитель службы поддержки, состоящей из 10 человек, а ваша команда обслуживает команду из 200 команд, в каждой из которых по 7-10 человек.
Это минимум 1400 человек, которые забрасывают вас работой каждый день.
Теперь добавим сюда еще больше реальности и представим, что вы выполняете какую-то централизованную функцию (например, что-то настраиваете), без которой команды не могут дать результат. Оказывается, все зависит от вас, и чем быстрее и лучше работает ваша команда, тем быстрее все остальные команды в компании дадут результат. И тут начинаются жалобы на медленную обработку запросов.
Естественно, что в этой ситуации руководителю нужны не слова, а фактические данные.
На помощь приходит когортный анализ.
Когда впервые сталкиваешься с когортным анализом, он вызывает естественное чувство неприятия и неприятия, потому что… слишком отличается от традиционных диаграмм и показателей.
Но на самом деле в этом нет ничего сложного.
По сути, когортный анализ — это что-то вроде сезонности.
Сезонность – это когда берутся одинаковые промежутки времени, например, годы или недели, и по ним строятся графики поведения измеряемой величины.
Представьте график температуры.
Если вы проанализируете его с помощью когортного анализа, то вы можете взять год как когорту и построить график температуры от начала до конца года.
Сравнивая графики за разные годы, можно увидеть одно и то же.
поведение температуры, повторяющиеся из года в год. Все привыкли к графикам метрик в их привычной интерпретации.
Когда дело доходит до построения графика, первое, что приходит на ум, — это подсчет общего, среднего или суммы.
Но есть проблема: зачастую такие величины не дают «инсайта», т. е.
с их помощью вы не узнаете никаких значимых данных, позволяющих понять суть проблемы.
Когортный анализ, в отличие от обычных метрик, дает результат, позволяющий докопаться до истины.
Именно поэтому его все чаще используют стартапы и коммерческие компании (метрики AARRR анализируются именно методом когортного анализа), чтобы получить реальную картину своей деятельности.
Давайте на конкретном примере разберемся, что такое когортный анализ и как его можно использовать для оптимизации службы технической поддержки в крупной компании.
Прочитав статью, вы научитесь проводить когортный анализ самостоятельно, используя только обычный Excel и стандартный набор функций.
Знакомьтесь, Иван.
Руководитель службы техподдержки, назовем его Иван, решил проверить, действительно ли запросы в его службу выполняются очень долго.
К счастью, все запросы регистрируются через Jira и вам просто нужно загрузить все заявки вместе с их историей в Excel: 
Всего около 3300 записей.
Первое, что пришло Ивану в голову, — посмотреть на среднее время обработки запросов.
Функция =NETWORKDAYS() помогла посчитать количество рабочих дней с момента создания заявки до перевода ее в статус «Решено»: 
Используя «сводную таблицу» Excel, Иван получил среднее время обработки заявки:
(рабочие дни)
"Это ужасно!" - воскликнул Иван, потому что в SLA зафиксировано 2 дня на оформление билетов, а не 16.
График показал еще более мрачную картину: 
(Среднее рабочее время, рабочие дни) 
(Количество решенных запросов в день)
Откуда-то возникли запросы, средний срок обработки которых составляет 200 рабочих дней (!).
Проблема была очевидна, но из графиков было совершенно непонятно, где именно она возникла и в чем ее суть.
Графики молчали.
Иван впал в отчаяние и не знал, что делать.
Затем пришел гнев.
Подумав некоторое время, он решил наказать тех своих подчиненных, которые работали плохо.
Для этого он построил график средней длительности обработки запросов: 
(по оси Х - полное наименование исполнителей заявки, скрыто, по оси Y - среднее время исполнения заявки данным лицом, рабочих дней)
Виновные были установлены.
Но Борис, знакомый Ивана, попросил его не торопиться с наказанием, а сначала попробовать применить когортный анализ, ведь это не так сложно, как кажется.
Как отбирать когорты
На основе тикетов, скачанных из Jira, была построена сводная таблица Excel на время закрытия тикета (выбрать все данные/Вставить/Сводная таблица).Первым шагом было разделение всего набора данных на когорты.
Обычно это делается на основе даты рождения объекта.
Для отбора когорт сводная таблица группировалась по недельным интервалам по дате создания заявки, а время обработки рассчитывалось как метрика (количество рабочих дней, прошедших с момента создания заявки до момента ее исполнения).
).
Ниже приведена сводная диаграмма, основанная на них: 
Каждая когорта отображается на графике разным цветом.
И, о чудо! Реальность стала другой.
52% билетов по-прежнему соответствуют условиям SLA. И да, 47% тикетов закрываются долго — до 200 дней (скорее всего, это просто забытые задания?).
А как насчет среднего рабочего времени, которое было рассчитано ранее? Как видите, оно не имеет никакого отношения к реальности и показывает какую-то непонятную цифру, которую непонятно как интерпретировать.
Вот почему использование средних значений очень вредно.
Получив реальную картину мира, Иван первым делом решил разобраться, что это за билеты со сроком исполнения 200 рабочих дней.
В сводных таблицах это сделать очень просто: достаточно дважды щелкнуть ячейку сводной таблицы, и Excel отобразит список заявок, из которых состоит эта ячейка.
Оказалось, что это действительно были забытые билеты, закрытые, видимо, во время «чистки».
К сожалению, такие «выбросы» сильно влияют на значение среднего и сильно портят его в сторону неадекватности, и это еще один аргумент против его использования в анализе.
Изучение когортного графика
Присмотревшись к графику, Иван увидел пики.
Скорее всего, подумал Иван, есть какие-то особые виды задач, которые требуют больше времени, чем предусмотрено в SLA.
Двойной клик на «23» показал список заявок со сроком исполнения 23 рабочих дня: 
Оказалось, как и ожидал Иван, большинство билетов были однотипными и требовали создания стендов.
Таким же образом Иван проанализировал все пики на графике и по результатам изменил SLA для выбранных типов задач, а также ускорил некоторые из них, выяснив, где именно скрывается замедление.
Второе понимание Ивана заключалось в том, что хвоста на графике вообще быть не должно.
Что-то вроде этого: 
Ведь хвост вправо, по сути, означает нарушение SLA и задержку времени исполнения тикета.
Естественно, задачи разного типа требуют разного времени на реализацию, поэтому в реальности будут хвост и пики, но очень желательно, чтобы они стремились к нулю.
А что насчет «неудачников»?
Действительно, а как насчет сотрудников с «выдающимся» средним временем выполнения задач? Как и ожидалось, у худшего сотрудника дела на самом деле не так уж и плохи (тот же когортный график, но для удобства в виде гистограммы):
Большую часть запросов он явно выполняет вовремя, а среднее время портится «выбросами» в виде 170-дневных закрытий тикетов.
Кстати, вот тот, кто их так поздно закрыл!
А вот как работает сотрудник, выполнивший наибольшее количество задач: 
Хорошо заметно, что с соблюдением стандартов у него все в порядке.
Но это еще не все, что дает когортный анализ.
Теперь вы можете точно узнать, у кого больше всего задач со сроком выполнения > 2 дней.
(ось Y – количество задач со сроком выполнения > 2 дней, ось X – ФИО исполнителя)
Есть над чем работать, правда?
И, конечно, список «отличников» стал немного другим, в нем появились совсем другие имена.
Есть ли от всего этого какой-то результат?
Приступив к работе над поставленными задачами, Иван уже за первую неделю добился значительных результатов.
На графике показаны 3 когорты января 2018 года.
Заметно улучшение ситуации в виде смещения линий влево в сторону нуля.
Светло-зеленая линия последней когорты показывает, что результаты значительно улучшились, и все заявки закрываются в течение 1 рабочего дня.
Изменив представление графика на столбчатое, становится отчетливо видно, что большинство заявок закрываются в тот же или на следующий день: 
Смену группировки подтверждают данные: 
Иван осознал, насколько мощный инструмент он получил, и с этого момента постоянно использовал его, чтобы получить реальную картину того, что происходит в его отделе.
Заключение
В мире много метрик, красивых и разных, но не все из них позволяют по-настоящему вникнуть в процесс, обнаружить и устранить его узкое место.Когортный анализ, безусловно, очень хорошо подходит для этого.
Чтобы провести когортный анализ:
- Загрузите все свои мероприятия (например, билеты из Jira) в Excel;
- Определитесь с целевой метрикой, например, продолжительностью выполнения заявки;
- Построить сводную таблицу по дате создания тикета и длительности его исполнения;
- Даты создания групп по неделям, чтобы было удобнее;
- Создайте сводную диаграмму на основе таблицы.
Используйте разные строки для каждой недели;
- Используя фильтры и меняя группировки, отображайте данные в разных разделах — по людям, проектам, релизам и т. д.
- Проанализируйте пики (выбросы) на графике – посмотрите на скрывающиеся под ними тикеты и разберитесь, почему они возникли.
Из-за особенностей или чего-то еще? При необходимости измените SLA.
- По возможности устраните «хвост» (если для вас это важно);
- Измеряйте результаты своих действий.
Попробуйте использовать этот инструмент, чтобы навести порядок в своем отделе, подразделении или даже компании.
Удачи в работе! P.S. Прочтите еще три мои статьи на тему когортного анализа:
- Когортный анализ показывает картину, совершенно отличную от нашего привычного восприятия
- Прозрение на метриках: как я понял, что такое метрики и в чем их главная прелесть
- Как я использовал когортный анализ в задаче по снижению веса
-
Eset Обнаружила Новые Версии Трояна Danabot
19 Oct, 24 -
Депутат Потребовал Запретить Windows 10
19 Oct, 24 -
Радости Жизни Часть 2.5
19 Oct, 24 -
Zeromq Глава 2: Введение В Сокеты
19 Oct, 24
