ricneves-ai Especialista em Scrum Master
Skill de Scrum Master orientada por dados combinando análise de sprint, previsão probabilística e coaching de desenvolvimento de equipe. O valor único está nos três scripts Python de análise e seus fluxos de trabalho — consulte references/ e assets/ para detalhes mais profundos do framework.
Sumário
- Ferramentas de Análise e Uso
- Requisitos de Entrada
- Fluxos de Trabalho de Execução de Sprint
- Fluxo de Trabalho de Desenvolvimento de Equipe
- Métricas e Metas Principais
- Limitações
Ferramentas de Análise e Uso
1. Analisador de Velocidade (scripts/velocity_analyzer.py)
Executa médias móveis, detecção de tendência por regressão linear e simulação Monte Carlo sobre o histórico de sprints.
# Relatório de texto
python velocity_analyzer.py sprint_data.json --format text
# Saída JSON para processamento downstream
python velocity_analyzer.py sprint_data.json --format json > analysis.json
Produz: tendência de velocidade (melhorando/estável/declining), coeficiente de variação, previsão Monte Carlo de 6 sprints em intervalos de confiança de 50 / 70 / 85 / 95%, sinalizações de anomalia com sugestões de causa raiz.
Validação: Se menos de 3 sprints estiverem presentes na entrada, parar e avisar o usuário: "A análise de velocidade precisa de pelo menos 3 sprints. Por favor, forneça dados adicionais de sprint." 6+ sprints são recomendados para resultados Monte Carlo estatisticamente significativos.
2. Pontuador de Saúde do Sprint (scripts/sprint_health_scorer.py)
Pontua a saúde da equipe em 6 dimensões ponderadas, produzindo uma nota geral de 0–100.
| Dimensão | Peso | Meta |
|---|---|---|
| Confiabilidade de Comprometimento | 25% | >85% metas de sprint atingidas |
| Estabilidade de Escopo | 20% | <15% mudanças no meio do sprint |
| Resolução de Bloqueadores | 15% | <3 dias em média |
| Engajamento em Cerimônias | 15% | >90% de participação |
| Distribuição de Conclusão de Histórias | 15% | Alta proporção de histórias totalmente concluídas |
| Previsibilidade de Velocidade | 10% | CV <20% |
python sprint_health_scorer.py sprint_data.json --format text
Produz: pontuação de saúde geral + nota, pontuações por dimensão com recomendações, tendência sprint a sprint, matriz de prioridade de intervenção.
Validação: Requer 2+ sprints com dados de cerimônia e conclusão de história. Se os dados estiverem faltando, reportar quais dimensões não podem ser pontuadas e pedir ao usuário que forneça as lacunas.
3. Analisador de Retrospectiva (scripts/retrospective_analyzer.py)
Rastreia conclusão de itens de ação, temas recorrentes, tendências de sentimento e progressão de maturidade da equipe.
python retrospective_analyzer.py sprint_data.json --format text
Produz: taxa de conclusão de itens de ação por prioridade/responsável, pontuações de persistência de temas recorrentes, nível de maturidade da equipe (forming/storming/norming/performing), tendência de velocidade de melhoria.
Validação: Requer 3+ retrospectivas com rastreamento de itens de ação. Com menos, observar a limitação e oferecer apenas análise parcial de temas.
Requisitos de Entrada
Todos os scripts aceitam JSON seguindo o schema em assets/sample_sprint_data.json:
{
"team_info": { "name": "string", "size": "number", "scrum_master": "string" },
"sprints": [
{
"sprint_number": "number",
"planned_points": "number",
"completed_points": "number",
"stories": [...],
"blockers": [...],
"ceremonies": {...}
}
],
"retrospectives": [
{
"sprint_number": "number",
"went_well": ["string"],
"to_improve": ["string"],
"action_items": [...]
}
]
}
O Jira e ferramentas similares podem exportar dados de sprint; mapear os campos exportados para este schema antes de executar os scripts. Veja assets/sample_sprint_data.json para um exemplo completo de 6 sprints e assets/expected_output.json para resultados esperados correspondentes (velocidade média 20,2 pts, CV 12,7%, pontuação de saúde 78,3/100, conclusão de itens de ação 46,7%).
Fluxos de Trabalho de Execução de Sprint
Planejamento de Sprint
- Executar análise de velocidade:
python velocity_analyzer.py sprint_data.json --format text - Usar o intervalo de confiança de 70% como teto de comprometimento recomendado para o backlog do sprint.
- Revisar as pontuações de Confiabilidade de Comprometimento e Estabilidade de Escopo do pontuador de saúde para calibrar a negociação com o Product Owner.
- Se a saída Monte Carlo mostrar alta volatilidade (CV >20%), apresentar isso às partes interessadas com estimativas de intervalo em vez de previsões de ponto único.
- Documentar premissas de capacidade (licenças, dependências) para comparação na retrospectiva.
Daily Standup
- Rastrear participação e padrões de busca de ajuda — alimentar dados de cerimônia no
sprint_health_scorer.pyao final do sprint. - Registrar cada bloqueador com data de abertura; o tempo de resolução alimenta a dimensão de Resolução de Bloqueadores.
- Se um bloqueador estiver sem resolução após 2 dias, escalar proativamente e registrar nos dados do sprint.
Sprint Review
- Apresentar tendência de velocidade e pontuação de saúde ao lado da demo para dar contexto de entrega às partes interessadas.
- Capturar solicitações de mudança de escopo levantadas durante a review; registrar como eventos de mudança de escopo nos dados do sprint para o próximo ciclo de pontuação.
Retrospectiva de Sprint
- Executar todos os três scripts antes da sessão:
python sprint_health_scorer.py sprint_data.json --format text > health.txt python retrospective_analyzer.py sprint_data.json --format text > retro.txt - Abrir com a pontuação de saúde e as dimensões mais sinalizadas para focar a discussão.
- Usar a taxa de conclusão de itens de ação do analisador de retrospectiva para determinar quantos novos itens de ação a equipe pode absorver realisticamente (meta: ≤3 se taxa de conclusão <60%).
- Atribuir a cada item de ação um responsável e critério de sucesso mensurável antes de encerrar a sessão.
- Registrar novos itens de ação em
sprint_data.jsonpara rastreamento no próximo ciclo.
Fluxo de Trabalho de Desenvolvimento de Equipe
Avaliação
python sprint_health_scorer.py team_data.json > health_assessment.txt
python retrospective_analyzer.py team_data.json > retro_insights.txt
- Mapear a saída de maturidade do analisador de retrospectiva para o estágio de desenvolvimento apropriado.
- Complementar com uma pesquisa de pulso de segurança psicológica anônima (escala de 7 pontos de Edmondson) e observações individuais de 1:1.
- Se a saída de maturidade for
formingoustorming, priorizar intervenções de segurança e facilitação de conflitos antes da otimização de processo.
Intervenção
Aplicar facilitação específica ao estágio (detalhes em references/team-dynamics-framework.md):
| Estágio | Foco |
|---|---|
| Forming | Estrutura, educação sobre processo, construção de confiança |
| Storming | Facilitação de conflitos, manutenção de segurança psicológica |
| Norming | Construção de autonomia, transferência de propriedade do processo |
| Performing | Introdução de desafios, suporte à inovação |
Medição de Progresso
- Cadência de sprint: reexecutar pontuador de saúde; meta de melhoria geral de ≥5 pontos por trimestre.
- Mensal: pesquisa de pulso de segurança psicológica; meta >4,0/5,0.
- Trimestral: reavaliação completa de maturidade via analisador de retrospectiva.
- Se as pontuações platinarem ou regredirem por 2 sprints consecutivos, escalar estratégia de intervenção (veja
references/team-dynamics-framework.md).
Métricas e Metas Principais
| Métrica | Meta |
|---|---|
| Pontuação Geral de Saúde | >80/100 |
| Índice de Segurança Psicológica | >4,0/5,0 |
| CV de Velocidade (previsibilidade) | <20% |
| Confiabilidade de Comprometimento | >85% |
| Estabilidade de Escopo | <15% mudanças no meio do sprint |
| Tempo de Resolução de Bloqueador | <3 dias |
| Engajamento em Cerimônias | >90% |
| Conclusão de Itens de Ação de Retrospectiva | >70% |
Limitações
- Tamanho da amostra: menos de 6 sprints reduz a confiança Monte Carlo; sempre declarar intervalos de confiança, não estimativas de ponto.
- Completude dos dados: campos de cerimônia ou conclusão de história ausentes suprimem dimensões de pontuação afetadas — reportar lacunas explicitamente.
- Sensibilidade ao contexto: as recomendações do script devem ser interpretadas junto com contexto organizacional e de equipe não capturado nos dados JSON.
- Viés quantitativo: métricas não substituem observação qualitativa; combinar pontuações com interação direta com a equipe.
- Tamanho da equipe: as técnicas são otimizadas para equipes de 5–9 membros; grupos maiores podem exigir adaptação.
- Fatores externos: dependências entre equipes e restrições organizacionais não são totalmente modeladas por métricas de equipe única.
Skills Relacionadas
- Agile Product Owner (
product-team/agile-product-owner/) — Histórias de usuário e backlog alimentam o planejamento de sprint - Senior PM (
project-management/senior-pm/) — Contexto de saúde de portfólio informa prioridades de sprint
Para referências profundas de framework veja references/velocity-forecasting-guide.md e references/team-dynamics-framework.md. Para ativos de template veja assets/sprint_report_template.md e assets/team_health_check_template.md.