Demo Org · Analytics Organisation Demo-Modus · synthetische Daten ⚙️ Setup 👤 EN
Demo-Modus · dieses Cockpit läuft mit Beispieldaten. Eigene Jira-Daten: ⚙️ Setup → Datenquelle (Upload oder Import-Skript).  ● LIVE echter Import-Wert · ○ MOCK Platzhalter
ℹ️ Legende, Bedienung & Datenherkunft
Ampeln: 🟢 gut · 🟡 beobachten · 🔴 Handlungsbedarf · ⚪ Info — datengetrieben je Team und Zeitraum berechnet (u. a. Little's Law, p85/p50-Faktor, >30-Tage-Anteil, Termin-Quote), jeweils mit „Warum", 💡 nächstem Schritt und ℹ️-Erklärung für Kanban-Neulinge. Der 📅 Zeitraum ist frei wählbar — alle Kennzahlen werden clientseitig aus den eingebetteten Rohdaten neu berechnet.
🚦 Flow-Coach: Namen wählen → persönliche Kennzahlen & Tipps; Tipps sind klickbar und springen direkt zur passenden Kachel. Bei Rot: direkter Draht zum Coach. Epics sind als Container aus allen Flussmetriken ausgeschlossen.
Live aus der Ticket-Historie: CFD (aus den Status-Changelogs aller Tickets rekonstruiert), WIP-Spalten (inkl. „Ready for Work"), Lead-Time-Scatter (Punkte öffnen Jira), Histogramm, Throughput, Created vs. Resolved, Aging, Work-Item-Type, Class of Service, Due Date, Refinement-KPI (Labels refinement_needed/_done) und die persönlichen Coach-Werte je Assignee — im Analysten-Tab zusätzlich PRJ/SUP-Split und SUP-SLAs (First Response & Resolution), Programm-Board komplett live. Flow Efficiency ist eine Schätzung aus der Status-Historie (Zeit in „In Progress + Review" ÷ Gesamtdurchlaufzeit) — exakte Werte bräuchten Warte-Status-Tracking.
📅 Zeitraum: – 1 Wo. 2 Wo. 4 Wo. 8 Wo. 🎚 Schwellenwerte

🚦 Persönlicher Flow-Coach NEU

Flow-Metriken

Cumulative Flow Diagram (CFD)

Bestand je Workflow-Schritt über Zeit — zeigt WIP, Queues, Engpässe und Durchlauftrend.
DiscoveryReadyIn ProgressReviewDone
ℹ︎ Datenquelle Rekonstruiert aus den Status-Changelogs (REST /issue/{key}/changelog) · 8 Wochen, Done-Baseline auf Fensterstart normiert

WIP nach Spalte

Aktueller Bestand je aktiver Spalte (Live). Personal-WIP-Limit: 2 — Bestand liegt weit darüber.
ℹ︎ Datenquelle

Lead Time Scatterplot

Erstellt→Abschluss je Ticket · Linien = 50/85/95 %. Punkte sind klickbar → öffnen das Ticket in Jira. Hohe Streuung durch spät geschlossene Alt-Items.
ℹ︎ Datenquelle Cycle Time = Done-Datum − In-Progress-Datum

Lead Time Histogram

Verteilung Erstellt→Abschluss (Tage). Langer rechter Schwanz = Alt-Backlog gesammelt geschlossen.
ℹ︎ Datenquelle

Throughput Run Chart

Erledigte Tickets pro Woche (KW-Start). Peak 16.06 = Bereinigung alter Backlog-Items.
ℹ︎ Datenquelle

Created vs. Resolved

Zufluss vs. Abfluss pro Woche. Erstell-Bursts (Planning) Mitte Juni → System wächst netto.
CreatedResolved
ℹ︎ Datenquelle Nativ: Jira-Chart-Macro „Created vs Resolved"

WIP Aging Chart

Alter der laufenden Tickets · Punkte sind klickbar → Ticket in Jira. Das älteste pulsiert: schließen = +10 Punkte (Zombie-Jagd 🎯).
ℹ︎ Datenquelle

Flow Efficiency

Aktive Arbeitszeit ÷ Gesamt-Durchlaufzeit — geschätzt aus der Status-Historie (Zeit in „In Progress + Review").
ℹ︎ Datenquelle Braucht Wait-Status-Tracking (Custom Charts / eazyBI)

Due Date Performance

Erledigte Tickets mit Termin: pünktlich vs. verspätet. Termine kaum gepflegt & meist gerissen.
ℹ︎ Datenquelle

Verteilung nach Class of Service

Befund: fast alles „Standard" — Expedite/Fixed-Date/Intangible werden praktisch nicht genutzt.
ℹ︎ Datenquelle Nativ: Jira-Chart-Macro „Pie" nach Label/Priority

Verteilung nach Work Item Type

Ticket-Mix der aktiven Arbeit — ohne Epics (Container sind aus der Flow-Betrachtung ausgeschlossen).
ℹ︎ Datenquelle
✕

👤

Wer schaut gerade auf die Daten?

Los geht’s

🚦 Flow Cockpit einrichten

Organisation

← ZurückWeiter →
Einstellungen jederzeit änderbar über ⚙️ Setup oben rechts. Sprache: EN/DE-Knopf im Header.
🚦