Story Point e le stime in agile

"Per far questo mi ci vuole una pinta"

"No, macché, qui serve almeno un litro e mezzo"

Tralasciando gli alcolisti, potrebbe capitare di sentire discorsi di questo genere in due contesti: tra amici al pub o nel lavoro tra Developers in fase di stima dell'effort. Pinte, T-shirt size, sequenze di Fibonacci, velocità degli animali, campioni di calcio, etc., sono tutti possibili modi con cui approcciarsi alle stime tramite story points.

Nell'ambito delle metodologie Agile, gli story point rappresentano un'unità di misura utilizzata per stimare la complessità di uno user story. Sebbene diffusi e largamente accettati nella prassi Agile, il loro utilizzo solleva questioni di natura epistemologica, metodologica e pratica. Questo articolo offre una disamina critica del concetto di story point, ne esplora la correlazione con il Definition of Done e le condizioni di accettazione, e analizza le problematiche derivanti dalla tensione tra stime e aspettative degli stakeholder, basandosi sui contributi di Mike Cohn (Mountain Goat Software), Beck (1999), Schön (1983), e altri riferimenti fondamentali nella letteratura accademica, come Edmondson (1999), Mathieu et al. (2000), Sedano et al. (2017), e Tuckman (1965), per fornire una base teorica solida e multidisciplinare.

La Natura Concettuale degli Story Point

Gli story point si configurano come un'unità di misura relativa e astratta, concepita per quantificare dimensioni complesse e multidimensionali del lavoro, quali la complessità cognitiva, l'incertezza derivata da variabili ambientali e il rischio intrinseco. Essi non rappresentano una quantità oggettiva e misurabile come il tempo, bensì una costruzione soggettiva, basata su una prospettiva fenomenologica condivisa dal team.

Questo approccio si fonda sulla teoria del constructivism relativo: le stime non mirano a una rappresentazione accurata della realtà oggettiva, ma alla creazione di un modello consensuale utile per la pianificazione. Da ciò deriva una tensione metodologica: come garantire la validità interna (consistenza) degli story point e al contempo massimizzarne la validità esterna (adattabilità alle dinamiche del progetto)?

Gli story point sono particolarmente utili per stimare la complessità relativa di diverse attività all'interno di un progetto, fornendo un riferimento che può essere condiviso e compreso dall'intero team. Tuttavia, è importante ricordare che l'interpretazione degli story point può variare da un team all'altro, rendendo complessa la comparabilità tra progetti diversi.

Story Point, Complessità e Riduzione del Bias Cognitivo

Un elemento chiave per comprendere l'utilizzo efficace degli story point è la loro capacità di ridurre l'effetto dei bias cognitivi nelle stime. I bias più rilevanti nel contesto delle stime includono:

• Effetto ancora: la tendenza a basare le valutazioni iniziali su valori preesistenti, spesso non accurati.

• Overconfidence bias: la sopravvalutazione della capacità predittiva.

• Availability heuristic: l'errata attribuzione di probabilità a eventi recenti o facilmente richiamabili alla memoria.

L'adozione di tecniche come il Planning Poker, dove le stime sono espresse in modo indipendente e successivamente confrontate, mira a mitigare tali distorsioni, favorendo una sintesi collettiva e una maggiore robustezza metodologica. Come evidenziato da Cohn (2006), il Planning Poker è particolarmente utile per favorire una discussione aperta tra i membri del team, riducendo l'influenza delle opinioni dominanti e aumentando la qualità delle stime.

Uno studio di Edmondson (1999) ha evidenziato che un ambiente di sicurezza psicologica è essenziale per garantire che i membri del team si sentano a proprio agio nell'esprimere le proprie opinioni durante le sessioni di stima, senza temere ripercussioni. Ciò permette di migliorare la qualità delle stime e ridurre ulteriormente i bias cognitivi.

Il Rapporto tra Story Point, Definition of Done e Condizioni di Accettazione

Perché gli story point siano utili come strumento di pianificazione, essi devono essere contestualizzati rispetto a un Definition of Done (DoD) chiaramente definito. Il DoD rappresenta una metrica operativa e consensuale che stabilisce i criteri per considerare una user story completata. Tuttavia, come osserva Mike Cohn, spesso il DoD risulta ambiguo o incompleto, causando disallineamenti tra stime e risultati.

Dal punto di vista teorico, il DoD può essere interpretato come una variabile moderatrice che influisce sull'affidabilità delle stime. Un DoD robusto e dettagliato aumenta la probabilità che gli story point riflettano accuratamente la complessità effettiva del lavoro. Al contrario, l'ambiguità del DoD agisce come fonte di variabilità non controllata, introducendo rumore nel sistema di stima. Come sostiene Beck (1999), un DoD chiaro e condiviso è essenziale per garantire la qualità del lavoro e la coerenza nelle aspettative tra i membri del team.

Schön (1983) ha sottolineato l'importanza della riflessione nella pratica professionale, e questo principio si applica anche alla definizione del DoD. Un team che riflette costantemente sul proprio DoD e lo adatta alle esigenze del progetto è in grado di migliorare la coerenza delle stime e la qualità complessiva del prodotto.

Le Stime e il Paradigma dell'Incertezza: Risposte agli Stakeholder

La richiesta di stime "perfette" da parte degli stakeholder si scontra con la realtà epistemologica delle stime in Agile, che sono intrinsecamente probabilistiche e adattive. Questa discrepanza deriva da una divergenza tra il modello deterministico atteso dagli stakeholder e il modello emergente adottato dai team Agile.

Secondo i principi della teoria dei sistemi complessi adattivi, i progetti software devono essere interpretati come sistemi dinamici ad alta entropia, in cui le variabili di input (ad esempio, requisiti e risorse) sono soggette a continue fluttuazioni. In tale contesto, le stime assumono il ruolo di predizioni condizionate, piuttosto che deterministiche. Gli approcci per affrontare questa tensione includono:

1. Adottare intervalli di confidenza: fornire stime con margini probabilistici (es. "3-5 story point"), esplicitando la variabilità.

2. Educare gli stakeholder: introdurre nozioni di gestione dell'incertezza e di teoria delle decisioni, per riallineare le aspettative.

3. Iteratività e feedback: integrare il processo di stima con una costante revisione basata sui dati raccolti nei cicli iterativi.

Mathieu et al. (2000) hanno evidenziato l'importanza dei modelli mentali condivisi per migliorare la coerenza e l'affidabilità delle stime. Educare gli stakeholder e coinvolgerli nel processo di stima può contribuire a sviluppare una comprensione comune delle sfide e delle incertezze del progetto, riducendo così le aspettative irrealistiche.

La Relatività delle Stime e la Dinamica del Team

Un aspetto spesso trascurato delle stime basate sugli story point è la loro dipendenza dalle dinamiche interne al team. La velocità (velocity), definita come il numero medio di story point completati in uno sprint, è altamente influenzata da fattori quali:

• Coesione del gruppo: i team ad alto livello di coesione tendono a sviluppare stime più consistenti.

• Maturità Agile: team con maggiore esperienza nei processi Agile esibiscono una capacità superiore di gestire l'incertezza.

• Specializzazione: l'omogeneità nelle competenze tecniche riduce la varianza nelle stime.

La teoria dei gruppi di Tuckman (1965) suggerisce che le dinamiche del team evolvono attraverso fasi distinte (forming, storming, norming, performing), e la maturità del team in ciascuna di queste fasi può influenzare direttamente la qualità delle stime prodotte. In particolare, team che hanno raggiunto la fase di "performing" tendono a essere più efficienti e accurati nella stima della complessità del lavoro.

Inoltre, Edmondson (1999) ha evidenziato come la sicurezza psicologica all'interno del team sia fondamentale per consentire ai membri di esprimere apertamente le proprie valutazioni e discutere eventuali differenze nelle stime. Senza un ambiente che promuova il dialogo aperto, i team rischiano di cadere vittima di bias di gruppo e di fornire stime meno accurate.

Prospettive Future: Story Point e Metriche Avanzate

Un ambito di ricerca emergente è l'integrazione degli story point con modelli di machine learning e analytics predittive. Algoritmi supervisionati possono essere addestrati su dati storici per fornire stime ottimizzate, riducendo ulteriormente il margine di errore. Inoltre, l'analisi dei pattern di velocity attraverso tecniche di analisi delle serie temporali può migliorare la pianificazione strategica. Secondo Sedano et al. (2017), l'uso di tecniche avanzate di analisi dei dati può fornire un maggiore livello di precisione nelle previsioni, migliorando la capacità di adattarsi ai cambiamenti dinamici del progetto.

L'adozione di strumenti di analytics avanzate può supportare una maggiore trasparenza e prevedibilità nelle stime, contribuendo a ridurre le incertezze e a migliorare la capacità del team di rispondere ai cambiamenti. In questo contesto, l'utilizzo di metriche avanzate e di strumenti di analisi dei dati diventa un elemento chiave per trasformare gli story point in un potente strumento decisionale.

Gli story point rappresentano uno strumento potente, ma intrinsecamente complesso, per stimare l'effort in un contesto Agile. La loro efficacia dipende dalla capacità del team di allinearsi su una visione condivisa, dalla robustezza del Definition of Done e dall'abilità nel gestire l'incertezza. Come evidenziato da Cockburn (2007), l'allineamento sulla visione condivisa e la chiarezza del DoD sono elementi chiave per garantire che il team operi in modo efficiente e coeso. Affrontare queste sfide richiede un approccio olistico, che combini pratiche empiriche con un framework teorico rigoroso.

Solo così gli story point possono diventare non solo un mezzo di stima, ma una leva per la continua evoluzione del team e del progetto, contribuendo a creare un ambiente di lavoro più collaborativo, innovativo e resiliente. L'integrazione di nuove tecnologie, come il machine learning e l'analisi predittiva, rappresenta una direzione promettente per migliorare ulteriormente la precisione e l'affidabilità delle stime, consentendo ai team di rispondere in modo più efficace alle sfide e alle opportunità del contesto Agile.

Riferimenti Bibliografici

- Bandura, A. (1997). Self-Efficacy: The Exercise of Control. New York: W.H. Freeman.

- Beck, K. (1999). Extreme Programming Explained: Embrace Change. Addison-Wesley Professional.

- Cohn, M. (2006). Agile Estimating and Planning. Prentice Hall.

- Cockburn, A. (2007). Agile Software Development: The Cooperative Game. Addison-Wesley Professional.

- Edmondson, A. C. (1999). Psychological Safety and Learning Behavior in Work Teams. Administrative Science Quarterly, 44(2), 350-383.

- Mathieu, J. E., Heffner, T. S., Goodwin, G. F., Salas, E., & Cannon-Bowers, J. A. (2000). The Influence of Shared Mental Models on Team Process and Performance. Journal of Applied Psychology, 85(2), 273-283.

- Schön, D. A. (1983). The Reflective Practitioner: How Professionals Think in Action. Basic Books.

- Sedano, T., Ralph, P., & Péraire, C. (2017). On the Criteria to Measure the Success of Agile Practices. Proceedings of the 2017 International Conference on Software and System Process.

- Tuckman, B. W. (1965). Developmental Sequence in Small Groups. Psychological Bulletin, 63(6), 384-399.