Scrum数据驱动管理分析

这个技能解决什么问题

在多迭代项目里，团队常常手里有一堆 Jira 导出的 JSON，却拿不到可决策的信号：迭代速度到底是稳定还是在下滑，承诺完成率背后有多少范围蔓延，回顾会议提出的改进项到底有没有被执行。靠人工翻数据，既慢又容易把异常当成偶然。这个技能用三个 Python 脚本，把上述问题拆成可量化、可追踪的指标。

它如何工作

核心能力

• Velocity Analyzer（scripts/velocity_analyzer.py）：对历史迭代做滚动均值、线性回归趋势检测和蒙特卡洛模拟，输出趋势方向、变异系数、6 个迭代的 50/70/85/95% 置信区间预测，并标记异常并给可能的根因建议。
• Sprint Health Scorer（scripts/sprint_health_scorer.py）：按 6 个维度加权打分，总分 0–100。维度包括承诺可靠性、范围稳定性、故事完成分布、速度可预测性、阻碍解决时长和健康巡检参与度。
• Retrospective Analyzer（scripts/retrospective_analyzer.py）：统计行动项完成率与主题频率，衡量改进措施的实际落地程度。

关键工作流

• Sprint Planning：先跑 velocity_analyzer.py，用区间预测而非单点承诺；把产能假设写进文档。
• Daily Standup：跟踪参与与求助模式；阻碍超过 2 天未解决则主动升级并记录到数据中。
• Sprint Review：演示同时展示速度趋势和健康分数；把现场提出的范围变更记为事件。
• Sprint Retrospective：会前跑完三个脚本，用健康分和被标记的维度开场，再按回顾分析完成率决定下轮实际可承接的行动项数量。

适用边界与注意点

• 少于 3 个迭代时脚本会直接停止并要求补充数据；少于 6 个迭代时蒙特卡洛置信度下降，务必同时给出置信区间。
• 指标缺失会压制相应维度得分，需明确报告数据缺口，而不是把低分简单解释为团队问题。
• 脚本默认对 5–9 人团队调优，更大规模的团队需要自行调整权重与阈值。
• 量化指标不能替代与团队直接对话，跨团队依赖和组织约束也不会被单团队数据完整建模。
• 技能不自动安装依赖、修改权限或执行外部写入；命令与代码默认仅供参考，执行前需要明确确认。