Resumo Executivo

Lucas Otaviani Bergamo de Oliveira; Ricardo Antônio Câmara da Silva

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

No cenário organizacional contemporâneo, a busca por resultados ágeis e a manutenção da qualidade no desenvolvimento de software exigem o uso estratégico de indicadores de desempenho. A adoção de metodologias ágeis, consolidada a partir do início do século XXI, promoveu uma transição dos modelos rígidos de gerenciamento para estruturas baseadas em flexibilidade, colaboração e adaptação contínua. Uma gestão eficaz nesse ambiente deve equilibrar autonomia, alinhamento estratégico e um senso de propósito compartilhado entre os membros das equipes (Adkins, 2020). A motivação dos times de engenharia está intrinsecamente ligada à transparência dos processos e ao sentimento de pertencimento, fatores que são fortalecidos quando o trabalho é mensurado de forma justa e clara (York, 2024). Nesse contexto, as métricas desempenham um papel fundamental, pois permitem medir e aprimorar a dinâmica das equipes, gerando aprendizados valiosos para a melhoria contínua e facilitando a comunicação com as partes interessadas (Adaptworks, 2024). Enquanto métricas tradicionais tendem a focar em previsibilidade e controle de horas, os indicadores ágeis priorizam a entrega de valor ao cliente e a colaboração mútua.

Os indicadores de desempenho funcionam como instrumentos que proporcionam informações detalhadas sobre o processo de desenvolvimento tanto do produto quanto do software em si. Essas ferramentas podem ser classificadas em quatro categorias principais: métricas de processo, que avaliam a dinâmica e o ritmo de trabalho; métricas de qualidade, voltadas ao controle de defeitos e cobertura de testes; métricas organizacionais, que abrangem finanças e satisfação do cliente; e métricas de equipe, que analisam a motivação e o desempenho coletivo (Pegoraro, 2014). Em empresas que operam sob o modelo de software como serviço, conhecido pela sigla SaaS, a agilidade é um requisito operacional para sustentar a entrega constante de novas funcionalidades. O uso de frameworks como o Scrum permite uma abordagem flexível que se alinha aos ciclos de desenvolvimento rápido, auxiliando na evolução incremental do produto (Ciasca, 2023). No entanto, a ausência de visibilidade sobre os processos internos pode levar à subutilização de indicadores e a gargalos no fluxo de trabalho, comprometendo as metas anuais de engenharia.

O departamento de engenharia de uma organização SaaS localizada em São Paulo, composto por três equipes remotas, enfrenta desafios relacionados ao alinhamento estratégico e ao cumprimento de metas de desempenho (Galena, 2024). As metas estabelecidas para o ano de 2024 focavam na redução de falhas em novos produtos, no aumento da conclusão de ciclos de desenvolvimento dentro do prazo e na diminuição de problemas detectados na fase de garantia de qualidade. Contudo, os índices de entrega de valor apresentaram-se abaixo do esperado, evidenciando a necessidade de implementar novos meios de monitoramento que permitissem identificar falhas operacionais de forma mais precisa. A falta de dados comprobatórios sobre o que funciona ou não no fluxo de trabalho impede tomadas de decisões estratégicas baseadas em evidências reais (ClickUp, 2024). Diante dessa lacuna, torna-se imperativo selecionar um conjunto de métricas que ofereça transparência e estimule uma cultura de melhoria contínua fundamentada em dados quantitativos e qualitativos.

A fundamentação teórica deste estudo sustenta que a implementação de métricas não deve ser vista apenas como uma forma de controle, mas como um mecanismo de suporte ao sucesso organizacional. A análise interpretativa das percepções dos envolvidos permite compreender como as metas influenciam a rotina de trabalho e como os indicadores podem ser ajustados para refletir a realidade técnica (Minayo, 2012). O objetivo central reside em propor um artefato que selecione e organize métricas ágeis e tradicionais capazes de mitigar a falta de visibilidade nos processos de uma empresa SaaS. A justificativa para tal abordagem reside na necessidade de superar indicadores generalistas que ignoram as especificidades de cada projeto, como complexidade e escopo. Ao final desta etapa contextual, estabelece-se que a investigação busca responder qual o conjunto mais adequado de métricas para uma organização que adota o Scrum, visando a eficiência operacional e a satisfação do cliente final.

A metodologia adotada para a condução desta pesquisa possui natureza qualitativa, exploratória e aplicada, fundamentando-se no paradigma da Design Science Research, também conhecida pela sigla DSR. Essa abordagem orienta a construção e a avaliação de soluções inovadoras destinadas a resolver problemas reais do mundo organizacional, integrando o rigor científico à relevância prática (Lacerda et al., 2013). O processo de investigação foi estruturado em cinco etapas sequenciais: identificação do problema, definição do design da solução, desenvolvimento do artefato, demonstração e avaliação, e conclusões. A escolha pela DSR justifica-se pela necessidade de compreender o domínio do problema para construir um artefato que não apenas solucione uma questão prática, mas também contribua para o avanço do conhecimento teórico na área de engenharia de software (Bax, 2015). O pesquisador utilizou sua experiência prévia no setor para apoiar as reflexões e análises críticas durante cada fase do processo (Flick, 2009).

Na primeira etapa, referente à identificação do problema, realizaram-se entrevistas semiestruturadas com os principais stakeholders da empresa, incluindo o Gerente de Tecnologia, lideranças técnicas, gestores de desenvolvimento e os responsáveis pelo produto. As entrevistas ocorreram de forma online, utilizando a plataforma Google Meet, e foram segregadas por cargos para capturar diferentes perspectivas sobre a dinâmica das equipes. O roteiro de perguntas buscou investigar como os times lidavam com o desenvolvimento ágil, de que forma as metas anuais influenciavam a rotina e quais eram os principais obstáculos para a evolução dos indicadores atuais. Cada sessão de entrevista teve uma duração média de 120 minutos, proporcionando um espaço de escuta profunda para a compreensão do ambiente e das dores organizacionais. Essa fase foi crucial para diagnosticar que, embora os processos estivessem estruturados, havia uma carência de métricas que explicassem as causas raízes dos resultados negativos.

A segunda etapa consistiu na definição do design da solução, onde se elaborou um esboço das métricas a serem empregadas. Para fundamentar essa construção, realizou-se uma revisão bibliográfica abrangente, consultando livros de referência, artigos acadêmicos no Google Acadêmico e materiais técnicos disponíveis em sites especializados (Silva et al., 2021). A pesquisa bibliográfica forneceu insumos sobre os benefícios e impactos de diferentes indicadores no meio corporativo, permitindo que a proposta fosse desenhada de maneira orientada e consistente com os objetivos delineados. O caráter exploratório desta fase permitiu familiarizar-se com as nuances do uso de métricas em contextos de alta incerteza, garantindo que a solução proposta fosse robusta o suficiente para atender às demandas da empresa SaaS estudada (Gil, 2022).

O desenvolvimento do artefato, correspondente à terceira etapa, envolveu a criação de uma tabela-resumo que correlacionou os problemas diagnosticados nas entrevistas com as métricas sugeridas pela literatura e pela experiência prática. O artefato detalhou o funcionamento de cada indicador, sua periodicidade de coleta, os responsáveis pelo monitoramento e a forma como cada um contribuiria para o alcance das metas estratégicas da organização. Na quarta etapa, de demonstração e avaliação, o artefato foi apresentado aos stakeholders para a coleta de feedbacks. O intuito foi verificar se a solução proposta atendia às expectativas e se era aplicável ao fluxo de trabalho existente. Após a apresentação, o artefato recebeu aprovação total, sem a necessidade de alterações imediatas, sendo considerado apto para a futura implantação. A quinta etapa finalizou o ciclo metodológico com a entrega formal do artefato, estabelecendo as bases para que a eficácia das métricas seja validada em ciclos operacionais futuros.

Os resultados obtidos a partir do diagnóstico inicial revelaram que o departamento de engenharia da empresa é composto por três equipes, cada uma contando com seis a oito desenvolvedores. Um detalhe operacional relevante é a ausência de profissionais dedicados exclusivamente aos papéis de Scrum Master ou analista de garantia de qualidade, o que exige que os próprios desenvolvedores assumam responsabilidades adicionais durante os ciclos de trabalho. O ciclo de desenvolvimento adotado é uma adaptação do Scrum, iniciando com o planejamento, seguido por um período de estudos que varia de um a cinco dias úteis, uma fase de execução de duas semanas, uma etapa de validação técnica e, por fim, a publicação e a retrospectiva. Embora esse fluxo ofereça autonomia, as entrevistas apontaram que a falta de indicadores claros impedia a identificação de áreas com maior incidência de defeitos e gerava conflitos de priorização entre velocidade de entrega e qualidade do código.

Para enfrentar o problema da falta de visibilidade, propôs-se a implementação da métrica de Burndown, que permite acompanhar a evolução do trabalho ao longo de um período específico. Esse indicador mostra visualmente quanto trabalho resta para ser concluído em relação ao planejamento inicial, auxiliando na identificação precoce de atrasos (Pegoraro, 2014). A análise do Burndown contribui diretamente para a meta de entregar 80% dos projetos para a fase de validação dentro do prazo definido. Ao observar a linha de tendência, os gestores podem tomar decisões ágeis sobre a redefinição de prioridades ou a realocação de recursos antes que o prazo final seja comprometido. Além disso, o uso dessa ferramenta favorece a comunicação transparente, permitindo que todos os membros da equipe visualizem o impacto de suas entregas parciais no resultado coletivo, reduzindo incertezas e estimulando a autogestão.

Complementarmente, a métrica de Burnup foi sugerida para monitorar o progresso acumulado em relação ao escopo total planejado. Diferente do Burndown, o Burnup evidencia as mudanças de escopo que ocorrem durante o ciclo, permitindo que a linha de pontuação planejada seja ajustada conforme novas demandas são adicionadas ou removidas (Pegoraro, 2014). Essa visibilidade é essencial para o sucesso organizacional, pois reforça a previsibilidade dos resultados e o cumprimento das metas estabelecidas, mesmo em ambientes de mudanças frequentes. No contexto da gestão de pessoas, o Burnup incentiva o planejamento compartilhado e ajuda a evitar a sobrecarga de trabalho ao evidenciar desacelerações no ritmo de entrega, permitindo uma redistribuição equilibrada de tarefas entre os desenvolvedores.

A qualidade do software foi endereçada por meio da proposta da Taxa de Defeitos, adaptada para um formato de gráfico de árvore que mapeia as áreas do sistema com maior concentração de falhas. Esse indicador fornece visibilidade estratégica sobre o desempenho da equipe, permitindo identificar rapidamente gargalos que possam comprometer a satisfação do cliente (Sebouai, 2025). A meta da organização é manter uma média anual inferior a 25 defeitos por mês, e a Taxa de Defeitos atua como um suporte para decisões sobre revisões de processos e iniciativas de melhoria contínua. A visualização por módulos ajuda a orientar treinamentos específicos e práticas de revisão de código, promovendo uma cultura de responsabilidade compartilhada pela qualidade do produto final.

Outro indicador de qualidade introduzido foi a Densidade de Defeitos, uma métrica tradicional que mede a quantidade relativa de falhas em relação ao tamanho do módulo ou sistema, geralmente calculado por mil linhas de código (Kramer, 2024). Esse indicador possibilita comparar a qualidade de diferentes componentes de forma justa, independentemente de sua dimensão técnica. Ao tornar visível a relação entre o tamanho do código e a incidência de erros, os desenvolvedores são incentivados a refletir sobre suas práticas de codificação e estratégias de teste. A transparência proporcionada pela Densidade de Defeitos permite que as lideranças reforcem boas práticas de desenvolvimento, contribuindo para o engajamento do time e para a redução de riscos operacionais a longo prazo.

O Rendimento de Primeira Passagem, também conhecido como First Pass Yield, foi proposto para medir a proporção de itens que passam pelas etapas de validação sem a necessidade de correções adicionais. Essa métrica reflete a capacidade da equipe em entregar valor de forma assertiva logo na primeira tentativa, reduzindo significativamente os ciclos de retrabalho. A meta associada é garantir que 80% dos projetos sejam aprovados na fase de garantia de qualidade sem necessidade de ajustes posteriores. O acompanhamento desse indicador orienta ações de aprimoramento no refinamento de requisitos e no fortalecimento de testes automatizados, promovendo um ambiente de trabalho mais sustentável e eficiente.

Para avaliar a percepção subjetiva e a saúde das iterações, sugeriu-se o Sprint Health Check, que combina aspectos qualitativos e quantitativos. Essa métrica utiliza sentimentos como “em dia”, “atenção” ou “em risco” para avaliar competências como colaboração, confiança nos objetivos e clareza de processos (Kniberg, 2014). Ao dar voz aos desenvolvedores que operam no dia a dia, o Sprint Health Check fortalece o engajamento e permite identificar fragilidades na execução que métricas puramente numéricas poderiam ignorar. Essa prática fornece ideias valiosas para os líderes técnicos sobre a necessidade de apoio ou orientação, garantindo que o ambiente de trabalho permaneça equilibrado e produtivo.

Por fim, o Diagrama de Fluxo Cumulativo foi incluído para oferecer uma visão clara e quantitativa do fluxo de trabalho ao longo do tempo. Essa ferramenta visual permite identificar gargalos, analisar a capacidade de entrega da equipe e avaliar a estabilidade do processo (Pegoraro, 2014). A leitura do diagrama ajuda a entender se o fluxo está equilibrado ou se há acúmulo de tarefas em fases específicas, como na validação técnica. O uso desse indicador apoia gestores na tomada de decisões assertivas para ajustar limites de trabalho em progresso e equilibrar a capacidade produtiva, promovendo um ritmo de entrega consistente e previsível. A integração de todas essas métricas no artefato final cria um elo direto entre os problemas levantados e as soluções propostas, mitigando a superficialidade na coleta de dados e a baixa visibilidade de informações relevantes.

A discussão dos resultados aponta que a implementação adequada dessas métricas pode transformar a cultura organizacional da empresa SaaS. A transição de uma análise baseada apenas em resultados finais para uma exploração dos meios e processos permite que a equipe evolua de forma consistente. Observou-se que a falta de confiança em indicadores generalistas era um fator de frustração para os desenvolvedores, que sentiam que as especificidades de seus projetos eram ignoradas. Com a adoção de métricas que relativizam o tamanho das entregas e oferecem justificativas para os resultados, espera-se um aumento na confiabilidade dos dados e no comprometimento com as metas estratégicas. O acompanhamento aprofundado dos indicadores fortalecerá a capacidade das equipes em lidar com a complexidade do produto, garantindo que os objetivos de estabilidade, segurança e eficiência sejam atingidos de forma sustentável.

Conclui-se que o objetivo foi atingido por meio da proposição de um artefato estruturado que integra métricas ágeis e tradicionais, oferecendo uma solução prática para a subutilização de indicadores e a falta de transparência nos processos de desenvolvimento de software em uma empresa SaaS. A aplicação da metodologia Design Science Research permitiu identificar que a carência de visibilidade sobre os gargalos operacionais era o principal entrave para o cumprimento das metas de engenharia, sendo mitigada pela seleção de indicadores como Burndown, Burnup, Taxa de Defeitos e Diagrama de Fluxo Cumulativo. A introdução de métricas qualitativas, como o Sprint Health Check, complementou a análise técnica ao considerar o bem-estar e a percepção das equipes, promovendo uma cultura orientada a dados que valoriza tanto a eficiência quanto a colaboração. A aprovação do artefato pelos stakeholders confirma sua relevância prática e potencial para otimizar a tomada de decisão estratégica, estabelecendo um modelo de monitoramento contínuo que favorece a entrega de valor e a melhoria constante dos processos organizacionais.

Referências Bibliográficas:

Adaptworks. 2024. Métricas ágeis de desempenho — como medir e interpretar efetivamente. Disponível em: <https://blog.adapt.works/metricas-ageis-de-desempenho-como-medir-e-interpretar-efetivamente/>. Acesso em: 28 mar. 2025.

Adkins, L. 2020. Treinamento de equipes ágeis: um guia para scrum masters, agile coaches e gerentes de projeto em transição. Alta Books, Rio de Janeiro, RJ, Brasil.

Bax, Marcello. 2015. Design science: filosofia da pesquisa em ciência da informação e tecnologia.

Ciasca, M. 2023. Manifesto ágil: origem e evolução. Disponível em: <https://stefanini.com/pt-br/insights/artigos/manifesto-agil-origem-e-evolucao>. Acesso em: 17 mar. 2025.

ClickUp. 2024. 15 métricas ágeis e KPIs que você deve monitorar em 2025. Disponível em: <https://clickup.com/pt-BR/blog/14338/metricas-ageis>. Acesso em: 20 mar. 2025.

Flick, U. Introdução à pesquisa qualitativa. Porto Alegre: Artmed, 2009.

Galena. 2024. Como definir metas eficazes para o treinamento e desenvolvimento organizacional. Disponível em: <https://galena.com/blog/como-definir-metas-eficazes-para-treinamento-e-desenvolvimento-organizacional/>. Acesso em: 20 mar. 2025.

GIL, Antonio Carlos. Como Elaborar Projetos de Pesquisa. Rio de Janeiro: Atlas, 2022.

Kniberg, Henrik, 2014. Squad health check model – visualizing what to improve. Disponível em: <https://engineering.atspotify.com/2014/09/squad-health-check-model>. Acesso em: 04 set. 2025.

Kramer, Nimrod. 2024. Defect density & escate rate: agile metrics guide 2024. Disponível em: <https://daily.dev/blog/defect-density-and-escape-rate-agile-metrics-guide-2024>. Acesso em: 04 set. 2025.

Lacerda, D. P.; Dresch, A.; Proença, A.; Antunes Júnior, J. A. V. 2013. Design Science Research: método de pesquisa para a engenharia de produção. Engenharia de Produção. Universidade do Vale do Rio dos Sinos, São Leopoldo, RS, Brasil; Universidade Federal do Rio de Janeiro, Instituto Alberto Luiz Coimbra de Pós-graduação e Pesquisa de Engenharia, Rio de Janeiro, RJ, Brasil.

Minayo, M. C. S. 2012. Análise qualitativa: teoria, passos e fidedignidade. Fundação Oswaldo Cruz, Centro Latino-Americano de Estudos de Violência e Saúde Escola Nacional de Saúde Pública, Rio de Janeiro, RJ, Brasil.

Pegoraro, R.A. 2014. Métricas de avaliação para abordagens ágeis em projetos de software. Tese de Doutorado em Engenharia de Produção. Universidade Federal do Rio Grande do Sul, Porto Alegre, RS, Brasil.

Sebouai, Houssem, 2025. what is defect rate? how to measure and improve it. Disponível em: <https://axify.io/blog/defect-rate>. Acesso em: 05 set. 2025.

Silva, A. R. R.; Bessa, B. S. 2021. Pesquisa exploratória sobre ambientes ágeis e de inovação. Monografia em Engenharia de Produção. Mackenzie, São Paulo, SP, Brasil.

York, Alex. 2024. Transparência na liderança: Conduza sua equipe com classe. Disponível em: <https://clickup.com/pt-BR/blog/136373/transparencia-na-lideranca>. Acesso em: 28 mar. 2025.

Resumo executivo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy