精益学习委员会

不久前，当我戴上产品帽时，我开始将产品积压称为选项积压。 我们有很多想法，但基本上都是我们不愿意实施的故事。 相反，我们可以根据对市场的了解，我们的能力等从我们的选择中进行选择。 只有当我们决定实际使用它们时，我们才承诺。

尽管这种观点使我们在一个未知的国家前进，但这还不够。 在此过程中，我们的选择仍然依赖（通常是隐含的假设）我们知道自己在做什么。 这意味着故事具有价值。 故事选项1明显比故事选项2更好。如果我们错了，我们将提交并实现故事1，我们会发现这是浪费的（由于复杂性，它可能还会产生其他副作用）。

有选择权是好的，但还不够。 我们需要一种机制来选择正确的选项。 我们需要做出更好的决定。

在Cynefin的Complex域中，我们进行探查响应。 换句话说，在复杂的领域中，事情是不确定的，没有实践证明，我们首先进行探究–做一个小实验，感知–观察结果，然后做出回应。 在精益启动语言中，我们称其为“构建-测量-学习”，在此处构建MVP –不是整个软件，而是足以验证或无效我们的假设。

水越黑，我们需要做的实验就越多。 另外，在学习的同时，我们希望这些实验不会使我们破产。 我的意思是，学习很好，但是如果我们走到了尽头，我们仍然需要钱来支配。

讲故事，假说入

精益学习委员会

如果我们愿意承认自己的无知，那么改变我们的工作方式是有道理的。 代替产品积压，我们需要假设积压。 这些假设需要检验，我们需要以适当的成本做出更明智的决策。

进入精益学习委员会。

让我们看看它是如何工作的：

• 每个人都可以为待办事项添加假设。
• 假设应优先考虑。 由于我们要处理风险，因此我们需要首先检验风险较高的假设。
• 一旦有了可以验证的假设，我们应该考虑进行实验以对其进行检验。 我们可以想到可以证明或否定实验的不同选择。
• 每个实验都有相关的费用。 （卡上的C ）#NoEstimates这个估算值-例如，是否适合冲刺。 不要给它多几分钟的时间（顶！）。 如果假说对于证明或反证至关重要，那么代价就不算什么了。
• 每个实验都包含我们预期会发生的可测量结果-成功（验证）和失败（卡片上的PF ）的定义。
• 然后，我们选择要进行的实验。 经验法则是以最便宜的成本（因此有风险）进行最多的学习。
• 实验可以成功，失败，结果不确定（ P / F / I ）。 它还可能使我们想到其他问题（以及积压）。 如果我们得到肯定的答案，我们可以转到下一个假设。
• 如果我们没有明确的答案，则可以选择：我们可以选择另一个实验来重新验证我们的假设，因为我们的实验积压中已经有一些实验。
• 或者，也许我们已经学到了足够多的知识来重新设定假设的优先级，然后我们可以继续进行下一个风险更大的假设。

在那里，您可以找到：跟踪学习的可视看板。

如果您熟悉爆米花流，则此模型应该不会令您感到惊讶。 我将假设分解为实验，并根据其风险和价值对其进行权衡。 （谢谢克劳迪奥的启发！）

翻译自: https://www.javacodegeeks.com/2015/04/the-lean-learning-board.html