Agile-менеджмент. Лидерство и управление командами - читать онлайн книгу. Автор: Юрген Аппело cтр.№ 113

Интересно, что генная инженерия преднамеренно привнесла направленную адаптацию в биологический мир, посредством искусственной эволюции существенно ускорив изменение сельскохозяйственных культур и скота [Kelly 1994: 3].

В научной литературе адаптивные изменения в сложных адаптивных системах обычно ассоциируются с ненаправленной адаптацией. Единственная причина, почему это происходит, – тенденция ученых предпочитать в качестве объекта изучения то, что можно засунуть под микроскоп. Это не означает, что теория сложности применима только к системам, в которых действуют не обладающие сознанием агенты. Наоборот, с точки зрения динамики адаптивных ландшафтов и выбора стратегий практически безразлично, какому именно механизму системы обязаны своим движением по адаптивному ландшафту – естественному или осознанному отбору.

На этом месте мы вполне осознанно и завершаем данную главу. В следующей речь пойдет о методах непрерывной оптимизации.

Вопреки убеждению многих, внешнюю среду нельзя рассматривать отдельно от населяющих ее систем. Если в определенную среду привносится новый программный продукт, среда изменяется, а вместе с ней изменяются и требования к программному продукту.

Люди от природы настроены сопротивляться изменениям и в большинстве случаев считают их негативными. Однако изменения могут быть как негативными, так и позитивными, а количество усилий, направляемых на преодоление последствий, вызванных изменениями во внешней среде, для данной системы будет более или менее постоянным. В конечном счете любой продукт оказывается обреченным на неудачу, а успех может быть определен как способность максимально отсрочить момент наступления этой неудачи.

Существует три подхода, применяемых при проведении непрерывного улучшения: адаптация, исследование и прогнозирование. При реализации проектов необходимо пользоваться всеми тремя в виде непрерывного цикла. Процесс непрерывного улучшения иногда называют Гонкой Черной Королевы: необходимо постоянно совершенствоваться, чтобы не отстать.

Иногда организации или команды не в состоянии измениться. В таких случаях говорят, что систему необходимо освободить от некоего аттрактора. Лучшим способом вывести ее из этого состояния может оказаться внесение изменений в параметры внешней среды, что позволяет дестабилизировать соответствующий аттрактор.

Усилия по поиску оптимальной конфигурации для проекта можно рассматривать как прогулку по адаптивному ландшафту. Лучше всего, если проект состоит из слабосвязанных элементов (людей, инструментов и практик), поскольку непрерывное улучшение легче проводить, если изменения, внесенные в часть системы, не вызывают слишком серьезных возмущений во всей системе.

Посмотрим, сможете ли вы применить некоторые идеи из этой главы в своей компании:

• Проанализируйте применяемый вами процесс непрерывного улучшения. Используете ли вы все три доступных подхода (адаптация, исследование, прогнозирование)?

• Подумайте о своей команде и практиках, применяемых в процессе разработки. Не слишком ли велика степень взаимозависимости (когда люди или процессы хорошо работают только в комбинации с определенными людьми или процессами)? Возможно ли ослабить эту взаимозависимость, чтобы было легче заменять элементы и вносить улучшения?

Читая литературу, посвященную проблемам улучшения процессов или повышения качества, с неизбежностью наталкиваешься на те или иные модели. Вообще в этом бизнесе моделей такое множество, что меня не удивило бы появление модельного агентства. Большая часть выглядит весьма привлекательно на картинках. Однако при знакомстве с ними возникает впечатление, что им не хватает глубины.

В таблице 15.1 в обобщенном виде показаны пять наиболее известных моделей улучшения. Я называю этот обобщенный процесс простым линейным процессом улучшения (SLIP, Simple Linear Improvement Process). Он предусматривает восемь этапов.

Вполне очевидно, что все эти модели имеют сходную логику, и в том виде, как это показано у меня, предполагают выполнение восьми этапов:

1. Мы анализируем текущую ситуацию и определяем, в чем состоит самая насущная проблема. (Например, мы толстеем.)

2. Формулируем цель, достижение которой поможет нам выбраться из данной проблемной ситуации. (Хотим похудеть на четыре килограмма.)

3. Выбираем показатель, по которому будем судить о том, удалось ли нам этой цели достичь. (Достаем с чердака старые весы.)

4. Определяем желательное улучшение в поведении, которое продвинет нас к поставленной цели. (Решаем делать пробежки и есть более здоровую пищу.)

5. Проводим внедрение, желательно в рамках небольшого контролируемого эксперимента. (Покупаем кулинарную книгу и кроссовки.)

6. Затем следует этап повседневного исполнения, результаты которого подвергаются измерениям. (Ежедневно бегаем и едим здоровую пищу.)

7. Проводим анализ проведенных измерений, чтобы узнать, наступили ли желаемые улучшения. (О боже, всего полкило за три недели?)

8. И наконец, в результате проведенного анализа у нас появляется новая информация – как о проблеме, так и об эффективности применяемого решения и используемых показателях. Эту информацию мы можем использовать при следующей итерации. (Внезапно выясняется, что старые весы все это время показывали неверный вес.)

Завершив этап 8, мы возвращаемся к этапу 1 – либо для того, чтобы убедиться, что проблема все еще существует (лишний вес никуда не делся), либо чтобы решить новую, более насущную проблему (купить новые весы).

Работая с такими моделями улучшений, люди исходят из неявной гипотезы, что каждая итерация, в принципе, должна улучшать текущее состояние системы. Намеренно или нет, все модели этого типа шаг за шагом прокладывают линейный маршрут по адаптивному ландшафту. При этом предполагается, что каждый шаг приводит к улучшению нашего положения в адаптивном ландшафте, повышая нашу приспособленность и уменьшая объем талии.

Адаптивные ландшафты далеко не всегда способствуют линейным изменениям. Осуществляя пошаговые улучшения, легко застрять в точке локального оптимума. Но как перейти из состояния, когда уже достигнута определенная эффективность, в состояние, где эта эффективность гораздо выше, если между этими точками сплошные овраги (см. рис. 15.1)?