Análises

Código Aberto — O GitScrum MCP Server é código aberto sob a licença MIT. Disponível no npm e no GitHub. Servidor Model Context Protocol para GitScrum — Claude, GitHub Copilot, Cursor e qualquer cliente compatível com MCP têm acesso operacional completo à sua stack de gerenciamento de projetos.

A ferramenta analytics fornece 1 ação com 10 tipos de relatórios que cobrem todas as dimensões de desempenho do projeto — desde avaliações de saúde de alto nível até análise granular de cycle time. Cada relatório é construído para um contexto específico de tomada de decisão, dando ao seu assistente de IA acesso aos mesmos dados que alimentam dashboards executivos e retrospectivas ágeis.

Análises no GitScrum agregam dados de tarefas, sprints, controle de tempo e atividade da equipe em métricas acionáveis. O MCP Server disponibiliza estes relatórios através de linguagem natural, para que você possa perguntar "Quão saudável está o projeto Backend?" e receber dados estruturados com indicadores de tendência, flags de risco e scores de desempenho.

Visão Geral das Ações

A ação get aceita um parâmetro report que determina qual relatório de análise gerar. Todos os relatórios são com escopo de projeto dentro de um workspace.

Parâmetros

Relatórios Disponíveis

Relatório Pulse

O relatório pulse fornece um snapshot de atividade em tempo real — commits recentes, movimentações de tarefas, comentários e engajamento da equipe em uma janela de tempo curta. Pense nele como um monitor de batimentos cardíacos para o seu projeto.

You:  "Qual é o pulse do projeto Backend?"
AI:   Chama analytics action=get report="pulse"
      → retorna resumo de atividade recente, contribuidores ativos e indicadores de momento

You:  "O projeto Mobile App ainda está ativo?"
AI:   Chama analytics action=get report="pulse"
      → reporta nível de atividade e timestamps da última ação

Relatório de Saúde

O relatório health calcula um score geral de saúde do projeto baseado em múltiplos fatores: taxas de conclusão de sprint, contagem de bloqueios, tarefas atrasadas, tendências de velocidade da equipe e equilíbrio de carga de trabalho. O resultado é um score composto com breakdowns de cada fator.

You:  "Mostre o relatório de saúde do projeto Backend"
AI:   Chama analytics action=get report="health"
      → retorna score de saúde, fatores contribuintes e recomendações

You:  "Quais áreas do projeto precisam de atenção?"
AI:   Chama analytics action=get report="health"
      → AI destaca fatores com baixo score e sugere ações

You:  "O projeto está no caminho certo para o lançamento?"
AI:   Chama analytics action=get report="health"
      → AI avalia indicadores de saúde em relação ao cronograma de entrega

Relatório de Riscos

O relatório risks identifica riscos ativos do projeto baseados em padrões de dados — tarefas estagnadas, itens atrasados, cargas de trabalho desbalanceadas, dependências bloqueadas e indicadores de mudança de escopo. Cada risco inclui um nível de severidade e pontos de dados contribuintes.

You:  "Identifique riscos do projeto Backend"
AI:   Chama analytics action=get report="risks"
      → retorna riscos categorizados com severidade e evidência

You:  "O que poderia atrapalhar nossa sprint atual?"
AI:   Chama analytics action=get report="risks"
      → AI filtra riscos relevantes para a sprint

You:  "Existem riscos de alta severidade que devo escalar?"
AI:   Chama analytics action=get report="risks"
      → AI destaca itens críticos e de alta severidade

Métricas de Fluxo

O relatório flow analisa como itens de trabalho se movem através dos estágios do workflow — do backlog passando por em progresso até concluído. Identifica gargalos onde itens se acumulam, estágios com tempos de residência anormalmente longos e taxas de throughput em cada estágio.

You:  "Mostre métricas de fluxo do projeto Backend"
AI:   Chama analytics action=get report="flow"
      → retorna dados de fluxo estágio a estágio com indicadores de gargalo

You:  "Onde as tarefas estão travando?"
AI:   Chama analytics action=get report="flow"
      → AI identifica estágios com alto WIP ou tempos de residência longos

Relatório de Velocidade

O relatório velocity acompanha a taxa de entrega da sua equipe através das sprints — quantos story points ou tarefas são completados por sprint. Esta é a métrica fundamental para planejamento de sprint e estimativa de capacidade.

You:  "Qual é nossa tendência de velocidade?"
AI:   Chama analytics action=get report="velocity"
      → retorna velocidade sprint a sprint com direção de tendência

You:  "Quantos pontos devemos planejar para a próxima sprint?"
AI:   Chama analytics action=get report="velocity"
      → AI calcula velocidade média e recomenda capacidade

You:  "Nossa velocidade está melhorando ou declinando?"
AI:   Chama analytics action=get report="velocity"
      → AI analisa tendência e reporta direção com variação percentual

Fluxo Cumulativo

O relatório cumulative_flow mostra a distribuição de itens de trabalho entre todos os status do workflow ao longo do tempo. Estes dados de visualização de área empilhada revelam tendências de WIP, formação de gargalos e consistência de entregas.

You:  "Mostre dados do diagrama de fluxo cumulativo do Backend"
AI:   Chama analytics action=get report="cumulative_flow"
      → retorna dados de série temporal com contagens de itens por status

You:  "Nosso WIP está aumentando?"
AI:   Chama analytics action=get report="cumulative_flow"
      → AI analisa tendência de itens em progresso ao longo do tempo

Throughput

O relatório throughput mede o número de itens de trabalho completados por período de tempo. Diferente da velocidade (que usa story points), throughput conta itens independente do tamanho. Esta métrica é valiosa para equipes que não estimam ou querem uma medida de entrega mais simples.

You:  "Qual é nosso throughput este mês?"
AI:   Chama analytics action=get report="throughput"
      → retorna itens completados por semana/dia com dados de tendência

You:  "Estamos entregando consistentemente?"
AI:   Chama analytics action=get report="throughput"
      → AI avalia variância e consistência do throughput

Cycle Time e Lead Time

Cycle time mede a duração desde quando o trabalho começa (item move para em progresso) até quando é completado. Lead time mede a duração total desde a criação do item até a conclusão. Juntos, revelam eficiência e previsibilidade do processo.

Cycle Time

You:  "Qual é nosso cycle time médio?"
AI:   Chama analytics action=get report="cycle_time"
      → retorna cycle times médio, mediano e percentis

You:  "Quanto tempo leva para completar uma tarefa depois que começamos?"
AI:   Chama analytics action=get report="cycle_time"
      → AI reporta cycle time médio com breakdown de distribuição

Lead Time

You:  "Qual é o lead time do projeto Backend?"
AI:   Chama analytics action=get report="lead_time"
      → retorna lead times médio, mediano e percentis

You:  "Quanto tempo da solicitação até a entrega?"
AI:   Chama analytics action=get report="lead_time"
      → AI reporta tempo de entrega de ponta a ponta com tendência

Relatório de Atividade

O relatório activity analisa padrões de engajamento da equipe — quem está ativo, que tipos de ações realizam, períodos de pico de atividade e distribuição de contribuições. Isso fornece visibilidade sobre dinâmicas de equipe e equilíbrio de carga de trabalho.

You:  "Mostre o relatório de atividade do projeto Backend"
AI:   Chama analytics action=get report="activity"
      → retorna breakdown de atividade por membro, tipo e período

You:  "Quem foi mais ativo no projeto esta semana?"
AI:   Chama analytics action=get report="activity"
      → AI classifica membros da equipe por nível de atividade

Fluxo de Decisão Baseado em Dados

Relatórios de análises são mais poderosos quando combinados. Veja como usá-los para decisões informadas:

Planejamento de Sprint

You:  "Me ajude a planejar a próxima sprint"
AI:   1. Chama analytics report="velocity" → velocidade média = 34 pontos
      2. Chama analytics report="risks" → 2 riscos ativos a tratar
      3. Chama analytics report="health" → score de saúde = 78/100
      → "Baseado em velocidade de 34 pts/sprint com 2 riscos ativos,
         recomendo planejar 28-30 pontos com tarefas de mitigação de risco"

Preparação para Retrospectiva

You:  "Prepare dados para nossa retrospectiva"
AI:   1. Chama analytics report="cycle_time" → média 3,2 dias
      2. Chama analytics report="flow" → gargalo em code review
      3. Chama analytics report="throughput" → 23 itens completados
      → "Sprint entregou 23 itens, cycle time médio 3,2 dias.
         Estágio de code review é um gargalo — 40% do cycle time gasto lá"

Reporte para Stakeholders

You:  "Gere um resumo de status do projeto para a liderança"
AI:   1. Chama analytics report="health" → score geral e breakdown
      2. Chama analytics report="velocity" → tendência de entrega
      3. Chama analytics report="risks" → resumo de riscos
      → Produz resumo executivo estruturado com métricas

Referência de Métricas Ágeis

Próximos Passos

• Standup: Envie e revise standups diários junto com dados de análise.
• Atividade: Monitore feeds de atividade do projeto em tempo real.
• Orçamento: Acompanhe métricas financeiras junto com desempenho de entrega.
• Sprints: Planeje sprints usando dados de velocidade e capacidade.