敏捷开发:影响地图工作坊的反思
摘要:在前两篇文章中我们对影响地图有了一个认知,本篇文章将继续为大家带来技术大咖在应用敏捷开发过程中的想法和思考。
1. 影响地图的作用
影响地图,它可以很好得把战略目标(不论是公司级的或产品、项目级的)和工程师的日常工作有机结合起来。并且以可视化的方式呈现在所有人面前。这样一来,当有新任务涌现出来的时候,我们只需要对照影响地图,看看它是否满足某个角色对于目标的影响。如果不是的话,那么这个任务就需要以后处理或抛弃掉。
另外,影响地图也是战略和发布、迭代之间的良好润滑剂。它可以使团队更清楚地做正确的事情,而不是正确地做事。
还有,影响地图不适合用于维护项目,比较适合新产品的探索(不确定性较高的项目)。并且影响地图需要资深的技术人员和业务人员共同参与编制。
2. 如何编制影响地图
在这次工作坊中,大家在编制影响地图的时候碰到几个问题。整理如下:
- 影响地图中的影响(HOW)怎么写?
首先我们要理解影响地图的结构:目标,角色,影响和功能。那么影响是什么?影响就是某个角色对于我们目标所产生的影响(可以是正向或负向的影响)。比如这几个问题可能会帮助你更好的理解影响。_角色的行为应该如何发生改变?某角色如何帮助我们实现目标?他们如何妨碍或阻止我们实现目标?_这些都是影响。同理,对于功能(WHAT),就是对于某个角色为目标所产生的影响,我们可以通过什么方法实现。
- 影响地图中的目标怎么确定?
对于一个完整的影响地图,目标是至关重要的。那么一般情况下,如果目标不明确的话,我一般建议可以为了目标而单独准备半小时或更长的时间(视目标的复杂度而定)。对于目标的大小,可以是公司的战略级目标,也可以是某个产品或项目级别的目标。对于目标的规模,如果是互联网公司,建议可以设定3个月到6个月时间的目标。如果是传统行业,可以是6个月到12个月的目标。当然,这个只是一个参考,需要根据具体的情况而定。
3. 最后还要介绍一个非常重要的方法——帕累托法则。
帕累托法则,也是我们常说的二八定理。为什么介绍这个法则呢?这是因为我们在做事的时候不可能尽善尽美,做到十分完美。那么我们可能会需要花20%的精力来努力获得80%的结果,就可以了。最后那20%的结果,往往是不值得付出(投资)的。对应于影响地图中,也是一样的道理。我们要记住,影响地图是动态的,涌现的。这个地图不是说画好了,大家照着办。而是时刻提醒我们这是假设,需要去验证。一旦验证失败了,快速的转到其他假设。如果验证成功,那么基于此我们还需要深度验证并巩固我们的结果。
总之,影响地图是一个非常好的工具。它可以有效地链接目标与任务。推荐大家都看看这本书。
想要了解更多敏捷开发中影响地图的内容,请关注7月30日19:30《兴风作浪的哥哥们关于敏捷开发的PK》直播,看华为云大咖们如何通过简单易用工具一举打破业务和研发直接的壁垒,
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
撸了个多线程断点续传下载器,我从中学习到了这些知识
> 文章已经收录在 Github.com/niumoo/JavaNotes ,更有 Java 程序员所需要掌握的核心知识,欢迎Star和指教。 > 欢迎关注我的公众号,文章每周更新。 感谢看客老爷点进来了,周末闲来无事,想起同事强哥的那句话:“你有没有玩过断点续传?” 当时转念一想,断点续传下载用的确实不少,具体细节嘛,真的没有去思考过啊。这不,思考过后有了这篇文章。感谢强哥,让我有了一篇可以水的文章,下面会用纯 Java 无依赖实现一个简单的多线程断点续传下载器。 这篇水文章到底有什么内容呢?先简单列举一下,顺便思考几个问题。 断点续传的原理。 重启续传文件时,怎么保证文件的一致性? 同一个文件多线程下载如何实现? 网速带宽固定,为什么多线程下载可以提速? 多线程断点续传会用到哪些知识呢?上面已经抛出了几个问题,不放思考一下。下面会针对上面的四个问题一一进行解释,现在大多数的服务都可以在线提供,下载使用的场景越来越少,不过这不妨碍我们对原理的探求。 断点续传的原理 想要了解断点续传是如何实现的,那么肯定是要了解一下 HTTP 协议了。HTTP 协议是互联网上应用最广泛网络...
- 下一篇
Pytorch实现卷积神经网络训练量化(QAT)
1. 前言 深度学习在移动端的应用越来越广泛,而移动端相对于GPU服务来讲算力较低并且存储空间也相对较小。基于这一点我们需要为移动端定制一些深度学习网络来满足我们的日常续需求,例如SqueezeNet,MobileNet,ShuffleNet等轻量级网络就是专为移动端设计的。但除了在网络方面进行改进,模型剪枝和量化应该算是最常用的优化方法了。剪枝就是将训练好的「大模型」的不重要的通道删除掉,在几乎不影响准确率的条件下对网络进行加速。而量化就是将浮点数(高精度)表示的权重和偏置用低精度整数(常用的有INT8)来近似表示,在量化到低精度之后就可以应用移动平台上的优化技术如NEON对计算过程进行加速,并且原始模型量化后的模型容量也会减少,使其能够更好的应用到移动端环境。但需要注意的问题是,将高精度模型量化到低精度必然会存在一个精度下降的问题,如何获取性能和精度的TradeOff很关键。 这篇文章是介绍使用Pytorch复现这篇论文:https://arxiv.org/abs/1806.08342 的一些细节并给出一些自测实验结果。注意,代码实现的是「Quantization Aware Tr...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- Windows10,CentOS7,CentOS8安装Nodejs环境
- SpringBoot2整合Thymeleaf,官方推荐html解决方案
- Jdk安装(Linux,MacOS,Windows),包含三大操作系统的最全安装
- Eclipse初始化配置,告别卡顿、闪退、编译时间过长
- SpringBoot2编写第一个Controller,响应你的http请求并返回结果
- CentOS7,8上快速安装Gitea,搭建Git服务器
- SpringBoot2更换Tomcat为Jetty,小型站点的福音
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- Linux系统CentOS6、CentOS7手动修改IP地址
- Docker快速安装Oracle11G,搭建oracle11g学习环境