Analytics

Open Source — GitScrum MCP Server est open source sous la licence MIT. Disponible sur npm et sur GitHub. Serveur Model Context Protocol pour GitScrum — Claude, GitHub Copilot, Cursor et tout client compatible MCP disposent d'un accès opérationnel complet à votre stack de gestion de projets.

L'outil analytics fournit 1 action avec 10 types de rapports couvrant chaque dimension de la performance du projet — des évaluations de santé de haut niveau à l'analyse granulaire du temps de cycle. Chaque rapport est conçu pour un contexte décisionnel spécifique, donnant à votre assistant IA accès aux mêmes données qui alimentent les tableaux de bord exécutifs et les rétrospectives agiles.

Les analytics dans GitScrum agrègent les données des tâches, sprints, suivi du temps et activité de l'équipe en métriques exploitables. Le serveur MCP expose ces rapports en langage naturel, vous permettant de demander « Comment se porte le projet Backend ? » et de recevoir des données structurées avec indicateurs de tendance, alertes de risque et scores de performance.

Aperçu des actions

L'unique action get accepte un paramètre report qui détermine quel rapport analytique générer. Tous les rapports sont limités à un projet spécifique au sein d'un espace de travail.

Paramètres

Rapports disponibles

Rapport Pulse

Le rapport pulse fournit un instantané de l'activité en temps réel — commits récents, mouvements de tâches, commentaires et engagement de l'équipe dans une courte fenêtre temporelle. Considérez-le comme un moniteur de battement cardiaque pour votre projet.

You:  "Quel est le pouls du projet Backend ?"
AI:   Appelle analytics action=get report="pulse"
      → retourne le résumé d'activité récente, contributeurs actifs et indicateurs de dynamique

You:  "Le projet Mobile App est-il toujours actif ?"
AI:   Appelle analytics action=get report="pulse"
      → rapporte le niveau d'activité et les horodatages de la dernière action

Rapport Health

Le rapport health calcule un score de santé global du projet basé sur de multiples facteurs : taux de complétion des sprints, nombre de bloquants, tâches en retard, tendances de vélocité et équilibre de la charge de travail. Le résultat est un score composite avec la ventilation des facteurs individuels.

You:  "Montre le rapport de santé du projet Backend"
AI:   Appelle analytics action=get report="health"
      → retourne le score de santé, facteurs contributifs et recommandations

You:  "Quels aspects du projet nécessitent de l'attention ?"
AI:   Appelle analytics action=get report="health"
      → l'IA met en évidence les facteurs à faible score et suggère des actions

You:  "Le projet est-il sur la bonne voie pour la release ?"
AI:   Appelle analytics action=get report="health"
      → l'IA évalue les indicateurs de santé par rapport au calendrier de livraison

Rapport Risks

Le rapport risks identifie les risques actifs du projet basés sur les patterns de données — tâches stagnantes, éléments en retard, charges de travail déséquilibrées, dépendances bloquées et indicateurs de dérive du périmètre. Chaque risque inclut un niveau de sévérité et les données contributives.

You:  "Identifie les risques du projet Backend"
AI:   Appelle analytics action=get report="risks"
      → retourne les risques catégorisés avec sévérité et preuves

You:  "Qu'est-ce qui pourrait faire dérailler notre sprint actuel ?"
AI:   Appelle analytics action=get report="risks"
      → l'IA filtre les risques pertinents pour le sprint

You:  "Y a-t-il des risques de haute sévérité que je devrais escalader ?"
AI:   Appelle analytics action=get report="risks"
      → l'IA met en évidence les éléments critiques et de haute sévérité

Métriques de flux

Le rapport flow analyse comment les éléments de travail traversent les étapes de votre workflow — du backlog à en cours jusqu'à terminé. Il identifie les goulots d'étranglement où les éléments s'accumulent, les étapes avec des temps de résidence anormalement longs et les taux de débit à chaque étape.

You:  "Montre les métriques de flux du projet Backend"
AI:   Appelle analytics action=get report="flow"
      → retourne les données de flux étape par étape avec indicateurs de goulots d'étranglement

You:  "Où les tâches restent-elles bloquées ?"
AI:   Appelle analytics action=get report="flow"
      → l'IA identifie les étapes avec un WIP élevé ou des temps de résidence longs

Rapport Velocity

Le rapport velocity suit le taux de livraison de votre équipe à travers les sprints — combien de story points ou de tâches sont complétés par sprint. C'est la métrique fondamentale pour la planification de sprint et l'estimation de capacité.

You:  "Quelle est notre tendance de vélocité ?"
AI:   Appelle analytics action=get report="velocity"
      → retourne la vélocité sprint par sprint avec la direction de la tendance

You:  "Combien de points devrions-nous planifier pour le prochain sprint ?"
AI:   Appelle analytics action=get report="velocity"
      → l'IA calcule la vélocité moyenne et recommande la capacité

You:  "Notre vélocité s'améliore-t-elle ou décline-t-elle ?"
AI:   Appelle analytics action=get report="velocity"
      → l'IA analyse la tendance et rapporte la direction avec le pourcentage de variation

Cumulative Flow

Le rapport cumulative_flow montre la distribution des éléments de travail à travers tous les statuts du workflow dans le temps. Ces données de visualisation en aires empilées révèlent les tendances du WIP, la formation de goulots d'étranglement et la régularité de la livraison.

You:  "Montre les données du diagramme de flux cumulé pour le Backend"
AI:   Appelle analytics action=get report="cumulative_flow"
      → retourne les données de séries temporelles avec le nombre d'éléments par statut

You:  "Notre WIP augmente-t-il ?"
AI:   Appelle analytics action=get report="cumulative_flow"
      → l'IA analyse la tendance des éléments en cours dans le temps

Throughput

Le rapport throughput mesure le nombre d'éléments de travail complétés par période. Contrairement à la vélocité (qui utilise les story points), le throughput compte les éléments indépendamment de leur taille. Cette métrique est précieuse pour les équipes qui n'estiment pas ou qui souhaitent une mesure de livraison plus simple.

You:  "Quel est notre throughput ce mois-ci ?"
AI:   Appelle analytics action=get report="throughput"
      → retourne les éléments complétés par semaine/jour avec données de tendance

You:  "Livrons-nous de manière régulière ?"
AI:   Appelle analytics action=get report="throughput"
      → l'IA évalue la variance et la régularité du throughput

Cycle Time et Lead Time

Le cycle time mesure la durée entre le début du travail (l'élément passe en cours) et sa complétion. Le lead time mesure la durée totale entre la création de l'élément et sa complétion. Ensemble, ils révèlent l'efficacité et la prévisibilité des processus.

Cycle Time

You:  "Quel est notre cycle time moyen ?"
AI:   Appelle analytics action=get report="cycle_time"
      → retourne le cycle time moyen, médian et par percentiles

You:  "Combien de temps faut-il pour compléter une tâche une fois démarrée ?"
AI:   Appelle analytics action=get report="cycle_time"
      → l'IA rapporte le cycle time moyen avec la répartition de la distribution

Lead Time

You:  "Quel est notre lead time pour le projet Backend ?"
AI:   Appelle analytics action=get report="lead_time"
      → retourne le lead time moyen, médian et par percentiles

You:  "Combien de temps entre la demande et la livraison ?"
AI:   Appelle analytics action=get report="lead_time"
      → l'IA rapporte le temps de livraison de bout en bout avec la tendance

Rapport Activity

Le rapport activity analyse les patterns d'engagement de l'équipe — qui est actif, quels types d'actions ils effectuent, les périodes de pointe d'activité et la distribution des contributions. Cela offre une visibilité sur la dynamique d'équipe et l'équilibre de la charge de travail.

You:  "Montre le rapport d'activité du projet Backend"
AI:   Appelle analytics action=get report="activity"
      → retourne la ventilation de l'activité par membre, type et période

You:  "Qui a été le plus actif sur le projet cette semaine ?"
AI:   Appelle analytics action=get report="activity"
      → l'IA classe les membres de l'équipe par niveau d'activité

Workflow de décision basé sur les données

Les rapports analytiques sont plus puissants lorsqu'ils sont combinés. Voici comment les utiliser pour des décisions éclairées :

Planification de sprint

You:  "Aide-moi à planifier le prochain sprint"
AI:   1. Appelle analytics report="velocity" → vélocité moyenne = 34 points
      2. Appelle analytics report="risks" → 2 risques actifs à traiter
      3. Appelle analytics report="health" → score de santé = 78/100
      → "Basé sur une vélocité de 34 pts/sprint avec 2 risques actifs,
         je recommande de planifier 28-30 points avec des tâches d'atténuation des risques"

Préparation de rétrospective

You:  "Prépare les données pour notre rétrospective"
AI:   1. Appelle analytics report="cycle_time" → moyenne 3,2 jours
      2. Appelle analytics report="flow" → goulot d'étranglement en revue de code
      3. Appelle analytics report="throughput" → 23 éléments complétés
      → "Le sprint a livré 23 éléments, cycle time moyen de 3,2 jours.
         L'étape de revue de code est un goulot d'étranglement — 40 % du cycle time y est passé"

Reporting aux parties prenantes

You:  "Génère un résumé du statut du projet pour la direction"
AI:   1. Appelle analytics report="health" → score global et ventilation
      2. Appelle analytics report="velocity" → tendance de livraison
      3. Appelle analytics report="risks" → résumé des risques
      → Produit un résumé exécutif structuré avec métriques

Référence des métriques agiles

Prochaines étapes

• Standup : Soumettez et consultez les standups quotidiens avec les données analytiques.
• Activité : Surveillez les flux d'activité du projet en temps réel.
• Budget : Suivez les métriques financières avec la performance de livraison.
• Sprints : Planifiez les sprints à l'aide des données de vélocité et de capacité.