Сегментация

Большинство методик управления проектами отвечают на вопрос «что делать», но значительно хуже — на вопрос «в каком состоянии находится проект прямо сейчас». Мы измеряем сроки, бюджеты, проценты готовности, количество выполненных задач — и при этом нередко упускаем момент, когда проект перестаёт быть управляемым, хотя формально всё ещё «идёт по плану».

Проблема в том, что управление обычно рассматривается как последовательность действий: поставить задачу, выполнить, проверить, скорректировать. Такой взгляд удобен, но он скрывает главное — проект развивается не по шагам, а по состояниям. Между «всё под контролем» и «проект провален» лежит широкий спектр промежуточных состояний. Именно в них и накапливается риск.

В этой статье предлагается посмотреть на управление задачами под другим углом — не как на контроль выполнения, а как на работу с пространством возможных состояний, в которых может находиться задача. В таком подходе неопределённость становится не побочным эффектом, а центральной характеристикой процесса, а управление — способом перераспределять её так, чтобы цель оставалась достижимой.

Далее будет введена модель, позволяющая описывать неопределённость, её накопление и снижение, а также объяснить, почему сегментация проекта и управляющие активности работают даже тогда, когда это трудно выразить традиционными метриками.

Предлагаемая модель не стремится заменить существующие методики. Она предлагает язык и инструменты для описания того, что обычно ощущается лишь интуитивно.

Эта статья самостоятельна, однако для более полного понимания концепции рекомендуется ознакомиться с предыдущими материалами цикла о сегментации: вводной статьёй с классификакацией, а также статьями о принципах и причинах.

Управление задачей как работа с пространством состояний

Рассмотрим задачу не как последовательность действий, а как процесс, который в каждый момент времени находится в одном из возможных состояний. Совокупность этих состояний образует пространство состояний задачи.

Это пространство неоднородно. Его можно разделить на несколько принципиально различных областей, каждая из которых по-своему влияет на исход задачи.

1. Целевые состояния ($P_f$)

   Это состояния, в которых условия задачи выполнены и требуемый результат достигнут. Попадание в любое из них означает успешное завершение работ.

2. Управляемые состояния ($P_i$)

   К этому множеству относятся состояния, из которых достижение цели возможно в штатном режиме — без чрезвычайных мер и существенного роста издержек. В процессе работы задача должна находиться именно в этой области. Управляемые состояния образуют рабочее поле задачи.

3. Восстановимые состояния ($Pe$)

   Это состояния, в которых достижение цели всё ещё возможно, но требует дополнительных затрат — времени, ресурсов или организационных усилий. Как правило, они являются следствием ошибок, внешних воздействий или накопленной неопределённости. Такие состояния не означают провал, но указывают на нарушение нормального хода работ.

4. Маргинальные состояния ($M$)

   К этому множеству относятся состояния, из которых достижение требуемого результата невозможно. Попадание задачи в эту область означает её фактический провал — независимо от последующих усилий.

Неопределённость и энтропия задачи

На практике мы никогда не знаем точно, в каком состоянии находится задача. Информация неполна, оценки запаздывают, внешние условия меняются. Поэтому реальное положение задачи всегда описывается распределением неопределённости по пространству состояний.

Меру этой неопределённости будем называть энтропией задачи. Чем больше возможных состояний и чем равномернее неопределённость распределена между ними, тем выше энтропия.

При этом энтропию принципиально важно рассматривать с точки зрения её качества — то есть влияния на результат. Одна и та же величина энтропии может быть допустимой или разрушительной — в зависимости от того, в каких областях пространства состояний она сосредоточена. Чем большая часть неопределённости приходится на узкую и благоприятную область, тем выше «качество» энтропии.

Полезная и вредная энтропия

Неопределённость, связанная с целевыми, управляемыми и восстановимыми состояниями, образует полезную энтропию. Она создаёт пространство для манёвра и адаптации, не выводя задачу за пределы достижимости результата.

Иная ситуация с маргинальными состояниями. Неопределённость, связанная с ними, не расширяет возможности — она лишь повышает вероятность необратимого провала. Это вредная энтропия.

Таким образом, управление — это не устранение неопределённости, а её перераспределение.

Кратко: задача остаётся управляемой, пока неопределённость сосредоточена в $P_i$ и $P_e$. Управление — это не контроль, а удержание этой конфигурации.

Динамика исполнения задачи

В идеальном процессе задача последовательно проходит через управляемые состояния. По мере продвижения область возможных будущих состояний сужается, а неопределённость перераспределяется в сторону целевых состояний. Восстановимые состояния либо возвращаются в управляемую область, либо исключаются из рассмотрения.

Прогресс выражается не только в выполнении действий, но и в систематическом сжатии пространства неопределённости вокруг целевого результата.

Функция управления

С этой точки зрения управление задачей можно определить как формирование условий и решений, при которых:

• неопределённость сосредотачивается внутри управляемых и восстановимых состояний;
• вероятность попадания в маргинальные состояния минимизируется;
• переход из управляемых состояний в целевые происходит с минимальными издержками.

Управление не устраняет неопределённость полностью и не требует жёсткого сценария. Его задача — организовать пространство состояний так, чтобы полезная энтропия работала на достижение результата, а вредная — системно подавлялась.

От модели к инструменту

Такой взгляд позволяет рассматривать управление не как контроль каждого шага, а как работу с допустимыми и недопустимыми зонами развития задачи. Он объясняет, почему гибкость, наличие резерва восстановления и раннее выявление рисков повышают управляемость, тогда как чрезмерная жёсткость и игнорирование неопределённости, напротив, увеличивают вероятность провала.

После формального изложения становится понятна природа трудностей, связанных с количественной оценкой управления. Энтропия — сложная и неудобная для практической работы величина. Даже в детерминированных физических моделях её зачастую невозможно определить точно.

Поэтому на практике измеряют не саму энтропию, а её изменение по косвенным признакам — например, через температуру или другие макроскопические параметры, чувствительные к перераспределению состояний системы.

Важно подчеркнуть: понятия энтропии, тепла, температуры и теплоёмкости используются здесь как наглядные управленческие метафоры, а не как физические величины.

Управленческая теплота

Введём понятие управленческой теплоты задачи — $Q_m$. Под теплотой будем понимать показатель, отражающий перераспределение неопределённости в неблагоприятные области пространства состояний. По мере роста доли энтропии, связанной с восстановимыми ($P_e$) и маргинальными ($M$) состояниями, управленческая теплота увеличивается.

Как было показано ранее, в ходе работы неопределённость имеет тенденцию накапливаться. В рамках модели это отражается ростом управленческой теплоты. Для простоты примем этот рост линейным. В реальных проектах рост может носить нелинейный характер, особенно при приближении к критическим состояниям.

Здесь уместна физическая аналогия: проект использует энергию для выполнения полезной работы, но часть этой энергии неизбежно рассеивается в виде «тепла», нагревая проектную среду и снижая гипотетический КПД. Рост энтропии отражает переход энергии в состояния, которые трудно использовать с пользой.

Управляющие активности — действия, направленные на снижение неопределённости — в терминах модели приводят к понижению управленческой теплоты, «охлаждая» проект. Они перераспределяют энтропию в её полезную часть.

Показатель $Q_m$ аддитивен по смыслу и позволяет агрегировать значения. Это даёт возможность выявлять области, где неопределённость не просто присутствует, а накапливается во времени, формируя зоны повышенного управленческого напряжения — или, иначе говоря, нагрева.

Именно такие участки требуют приоритетного внимания.

Построив временной профиль суммарной управленческой теплоты проекта, можно выявить пиковые значения и разместить перед ними контрольные активности. Такие вмешательства намеренно замедляют ход работ и «срезают нагрев» в моменты, когда это управленчески оправдано. В рамках модели можно также определить предельный уровень суммарной теплоты, при котором управляемость ещё сохраняется.

В результате спринты перестают быть механической нарезкой времени и начинают определяться внутренней логикой работы. Искусственная ритмичная сегментация сближается с естественной, образуя осмысленный гибрид.

Метод не устраняет неопределённость. Он управляет её распределением во времени и в пространстве состояний. Управление здесь — это поддержание допустимого теплового режима проекта, при котором цель остаётся достижимой даже при ошибках и отклонениях.

«Тепловые» параметры производственной задачи

Ключевая часть метода — определение параметров, задающих относительную управленческую теплоту задач. Поскольку абсолютную неопределённость оценить затруднительно, нас интересует не её точное значение, а сопоставимая мера, позволяющая сравнивать задачи и отслеживать их динамику.

Для упрощения примем, что неопределённость распределена относительно равномерно и оказывает сопоставимое влияние на параметры задачи. В этом случае достаточно оценить её по одному измерению — наиболее удобным из которых является время исполнения.

Используем трёхточечную оценку PERT:

• $O$ — оптимистичная оценка,
• $E$ — ожидаемое время,
• $P$ — пессимистичная оценка.

Стандартное отклонение:

$$\sigma = \frac{P - O}{6}$$

Чтобы получить безразмерную величину, нормируем $\sigma$, разделив на длительность рабочего дня $T_d$:

$$Q_m=\frac{\sigma}{T_d}$$

Поскольку при прочих равных условиях временной разброс оценки ($\sigma$) в среднем увеличивается с ростом горизонта исполнения задачи, данный показатель отражает степень неопределённости и, как правило, возрастает вместе с длительностью.

Абсолютные значения теплоты несущественны. Значение имеют лишь относительные соотношения и динамика во времени.

Параметры управляющей активности

Рассмотрим влияние управляющих задач. Базовый механизм контроля — добавление независимых точек зрения, что снижает среднее отклонение оценки.

Предположим, что к моменту контроля у задачи уже сформировано устойчивое направление, а управляющая активность добавляет $N$ дополнительных экспертных оценок от участников, не связанных с непосредственным исполнением.

Скорректированная теплота:

$$Q_c = Q_m \left( 1 - \frac{1}{\sqrt{N + 1}} \right)$$

где $N$ — число дополнительных экспертных мнений.

Предполагается, что независимые оценки уменьшают стандартное отклонение пропорционально корню из числа наблюдений — аналогично снижению дисперсии при агрегировании независимых измерений.

Если управляющее воздействие применяется сразу к нескольким задачам, эффективность коррекции снижается пропорционально их числу.

Обычно управляющие активности имеют оптимальную продолжительность, при которой их эффективность максимальна. При отклонении от этой длительности — как в сторону сокращения, так и в сторону чрезмерного увеличения — эффект снижается.

Проект как тепловая система

На данном этапе проект представлен как совокупность производственных задач, которые, параллельно достижению своих целей, вносят неопределённость в проектную среду. Эту неопределённость мы определили как управленческую теплоту задачи.

Проектная среда — это прежде всего люди и сложившиеся процессы их взаимодействия. Разные команды по-разному воспринимают возникающие вызовы и неопределённости. Поэтому для проектной команды можно ввести понятие теплоёмкости — параметра, определяющего, на сколько градусов повышается температура проекта при поглощении заданного количества теплоты.

Температуру проектной среды определим следующим образом:

$$T_p = k\,{\sum_i \frac{Q_{m,i}}{C_t}}$$

где:

• $Q_{m,i}$ — теплота выполненной задачи;
• $C_t$ — теплоёмкость проектной команды;
• $k$ — коэффициент нормировки, задающий удобную шкалу представления температуры.

На данном этапе теплоёмкость рассматривается как постоянная величина, хотя в реальных условиях она может изменяться.

Если оставить проект без управляющих воздействий, рано или поздно накопится критическая неопределённость: участники перестанут ясно понимать текущее состояние работ, начнут спонтанно обсуждать проблемы, проводить малоэффективные совещания без заметных результатов и внятной фиксации решений.

Это состояние напоминает кипение: накопленная теплота начинает уходить в «пар» — в коммуникационный шум и хаотические попытки стабилизации.

Назовём соответствующее значение температуры T_к точкой кипения проекта и выберем коэффициент $k$ таким образом, чтобы эта точка соответствовала 100 °M (градусам управленческой температуры).

Естественно, «кипение» проекта — это аномальное состояние. Более практичным представляется поддержание температуры на уровне не выше 80 °M. Такой режим не требует чрезмерной зарегулированности, но при этом сохраняет необходимый запас для управленческого манёвра.

График температуры проекта при отсутствии управления представляет собой монотонно возрастающую во времени кривую, по которой можно заранее определить оптимальный момент для размещения управляющей активности.

Важно отметить, что проект никогда не стартует с нулевой температуры. Он изначально обладает ненулевой энтропией распределения состояний — именно это и делает его проектом. Когда же распределение стабилизируется, а вариативность начинает управляться статистически, а не через структурные решения, деятельность по сути переходит в режим операционного процесса. В этом смысле переход от проекта к процессу можно рассматривать как своеобразный фазовый переход, происходящий по мере снижения энтропии.

Запланировав управляющую активность, мы корректируем температурный профиль проекта и тем самым получаем возможность определить оптимальный момент для следующего вмешательства.

Планируя управление таким образом, можно поддерживать проект в управляемом состоянии, не перегружая его избыточными непроизводственными активностями.

Легко заметить, что при стабильной команде и равномерно спланированной загрузке проект будет прерываться контрольными активностями почти с одинаковым интервалом — подобно тому, как это происходит в гибких методиках.

Однако в предлагаемой модели сохраняется адаптивность: темп управления подстраивается под текущие особенности работ и возможную неравномерность загрузки. Кроме того, появляется возможность планировать локальные управляющие воздействия именно в тех зонах, где наблюдается повышенный рост рисков и неопределённости.

Сводимость предлагаемой модели к методике Scrum практична и полезна: метрики типового Scrum-проекта достаточно хорошо изучены, что в дальнейшем позволит откалибровать модель на основе уже накопленных эмпирических данных.

Цель данной статьи — описать термодинамическую модель проекта в рамках теории сегментирования и показать базовые механизмы её функционирования. В следующей статье модель будет представлена подробнее с практической точки зрения в виде завершённого метода.