Cycle Time et Lead Time : mesurer et comprendre réellement le temps de delivery
Guide méthodologique complet pour distinguer le temps de travail effectif du temps d'attente, calculer vos métriques de flux sans biais et diagnostiquer les ralentissements de votre équipe.
Lorsqu’une fonctionnalité met plusieurs semaines à atteindre la production, le développement actif n’en représente souvent qu’une faible part : l’essentiel du délai tient aux files d’attente (cadrage, backlog, revue de code, validation QA). Cycle Time et Lead Time rendent ces attentes visibles pour passer d’un ressenti (« nous sommes lents ») à un diagnostic concret sur votre flux.
L’essentiel en 30 secondes
- Lead Time et Cycle Time mesurent deux segments différents : le premier couvre le délai total depuis la demande jusqu’à la livraison, le second uniquement le travail actif — leur fiabilité dépend de bornes de début et de fin stables.
- Une moyenne seule masque des situations très différentes : les délais logiciels étant asymétriques, les percentiles disponibles (P50 et P85 dans Cauba) en complément de la moyenne révèlent la dispersion et les tickets bloqués.
- Ces mesures servent à discuter du fonctionnement du flux, pas à juger des personnes ni à viser un benchmark universel : elles portent sur le délai d’un ticket individuel (à distinguer de l’horizon de livraison d’un backlog).
1. Distinguer Cycle Time et Lead Time
Dans le software delivery, le Cycle Time (temps de cycle) désigne généralement le temps écoulé entre le début effectif du travail sur un élément et sa finalisation (statut Done / Resolved). Les événements exacts retenus comme bornes dépendent toutefois du workflow et de la convention de mesure adoptée par l'équipe (souvent « In Progress » → « Done »).
Il reflète la durée d'exécution opérationnelle une fois le travail réellement engagé.
Le Lead Time (temps de traversée)
Le Lead Time mesure la durée totale du point de vue du demandeur ou du client : de l'enregistrement initial du besoin jusqu'à sa livraison effective.
Contrairement au Cycle Time, il inclut les phases amont d'attente, de cadrage et de priorisation dans le backlog. Selon les organisations, la borne initiale correspond à la création du ticket ou au point d'engagement formel où l'équipe accepte de traiter la demande.
Tableau comparatif
Ces indicateurs répondent à trois questions complémentaires :
| Métrique | Point de départ | Point d'arrivée | Ce qu'elle mesure | Question clé |
|---|---|---|---|---|
| Lead Time (Temps de traversée) | Création du ticket / Demande exprimée | Résolution finale / Mise en production | Délai total perçu par le demandeur (inclut l'attente en backlog). | « Combien de temps s'écoule entre l'idée et sa disponibilité ? » |
| Cycle Time (Temps de cycle) | Début effectif du travail (In Progress) | Résolution finale (Done / Deployed) | Temps de traitement actif par l'équipe. | « Une fois commencé, combien de temps mettons-nous à livrer ce ticket ? » |
| Temps d'attente amont (Queue Time) | Création du ticket | Début effectif du travail | Temps passé en attente avant démarrage. | « Combien de temps nos demandes dorment-elles avant prise en charge ? » |
2. Exemple concret sur un ticket et formules de calcul
Suivons un ticket d'évolution (PAY-42) sur le tableau d'une équipe :
- Création : Lundi 5 octobre à 09:00 (Création dans le backlog)
- Démarrage actif : Mercredi 7 octobre à 09:00 (Prise en charge — Passage In Progress)
- Résolution : Vendredi 9 octobre à 17:00 (PR fusionnée, validée et passée en Done)
Si l'équipe cherche à accélérer uniquement le développement, elle n'agit ici que sur 2 jours, alors que la moitié du délai perçu provient de l'attente en amont.
Définition générale et calcul dans Cauba
Sur le plan méthodologique, ces délais résultent de la différence entre deux horodatages. Dans Cauba, le calcul est 100 % déterministe et exprimé en jours calendaires entiers (partie entière de l'écart, sans compter les heures résiduelles ni les jours ouvrés) :
3. Lire les résultats : moyenne, dispersion et percentiles
En développement logiciel, les durées de cycle suivent presque toujours une distribution asymétrique à longue traîne : la majorité des tickets sortent vite, tandis que quelques éléments restent bloqués longtemps. Une moyenne seule peut donc cacher des réalités opposées :
Observer la dispersion en complément de la moyenne permet de repérer ces blocages sans se fier à un chiffre unique.
Lire les percentiles disponibles (P50 et P85)
Pour décrire une distribution asymétrique, les pratiques Lean/Agile s'appuient sur les percentiles historiques :
- P50 : P50 (Médiane) : 50 % des tickets observés ont été terminés en X jours ou moins. Ce repère central reste peu sensible aux valeurs extrêmes.
- P85 : P85 : 85 % des tickets observés ont été livrés en Y jours ou moins. Lu en complément de la médiane, il rend visible l'étalement de la distribution (écart P85 − P50).
Dans Cauba, les indicateurs de Cycle Time calculent uniquement P50 et P85 (exprimés en jours calendaires entiers, dès qu'au moins 10 tickets terminés possèdent à la fois une date de démarrage et une date de fin). Cauba ne calcule pas de P95 sur le Cycle Time et ne remplace jamais une date de démarrage absente par la date de création.
À ne pas confondre avec la prévision d'un backlog : le P85 du Cycle Time décrit la durée historique d'un ticket individuel (en jours), tandis que les horizons P50, P85 et P95 d'une simulation Monte Carlo estiment le nombre de sprints ou de semaines nécessaires pour livrer un lot complet de tickets.
Les percentiles alimentent aussi les prévisions de livraison d’un backlog entier : Prévoir la livraison d’un backlog avec Monte Carlo
Existe-t-il un « bon » Cycle Time ?
Des slogans comme « un bon Cycle Time doit être inférieur à 3 jours » n'ont pas de valeur méthodologique.
Le temps de cycle dépend du découpage des tickets, de l'architecture, des exigences réglementaires et de l'automatisation CI/CD. La seule comparaison pertinente consiste à suivre l'évolution de votre équipe par rapport à son propre historique.
4. Questions pratiques à poser à l’équipe
Un Cycle Time qui augmente ne désigne pas une cause unique : il ouvre une discussion d'équipe autour d'hypothèses observables à vérifier sur vos tickets récents :
1. Trop de travail en cours (WIP excessif)
2. Attente en revue de code (Code Review)
3. Files d'attente en validation QA ou Staging
4. Dépendances externes non synchronisées
5. Tickets trop volumineux
6. Spécifications qui bougent en cours de route
7. Dette technique et instabilité CI/CD
8. Évolution du mix de travail
Les tickets trop gros sont une cause fréquente de tickets reportés en fin de sprint : Prévisibilité de sprint et tickets reportés
5 pistes concrètes pour fluidifier le flux
Pour agir sur le système sans surcharger l'équipe, privilégiez des expérimentations courtes :
Scrum, Vélocité et DORA : trois confusions fréquentes
Cycle Time en Scrum : contrairement à une idée reçue, le Cycle Time n'est pas réservé à Kanban. Un Sprint Burndown peut sembler normal tout en masquant des tickets validés le dernier jour ; suivre le Cycle Time aide à livrer plus régulièrement dans le sprint et limite les reports.
Le mécanisme des tickets reportés est détaillé dans un guide dédié : Prévisibilité de sprint et tickets reportés (carryover)
La Vélocité compte un volume livré par sprint (en tickets ou en estimations), tandis que le Cycle Time mesure une durée calendaire factuelle par ticket.
La première éclaire la capacité périodique ; le second mesure la réactivité et la fluidité du flux.
Pour passer de la vélocité à des prévisions de dates : Passer des estimations aux prévisions fondées sur les livraisons réelles
Le Lead Time for Changes (DORA) mesure le délai technique entre un commit et le déploiement en production.
Le Lead Time de delivery produit traité dans ce guide commence dès la création du besoin dans le backlog : les deux mesures sont utiles mais couvrent deux périmètres différents.
5. Données nécessaires, bornes et limites d’interprétation
Il n'existe pas de borne universelle pour le Cycle Time : le choix des statuts dépend de la question analysée, à condition de conserver la même convention dans le temps :
Données nécessaires depuis Jira (et biais fréquents)
Pour calculer Lead Time et Cycle Time sans biais depuis Jira, un export CSV ciblé suffit dès lors que vous disposez des horodatages appropriés :
- Date de création (Created) : requise pour le Lead Time.
- Date de démarrage (Started / In Progress Date) : indispensable pour le Cycle Time. Sans cette colonne, ne la remplacez pas par la date de création.
- Date de résolution (Resolved) : borne de fin des tickets terminés.
- Statut actuel (Status) : permet d'isoler les tickets réellement terminés (et d'écarter les tickets annulés/abandonnés).
- Tickets rouverts ou statuts sautés : un ticket passé directement de Backlog à Done sans date de démarrage ne permet pas de calculer un Cycle Time fiable.
Ce que Cauba calcule exactement
À partir de votre export CSV (Jira, Azure DevOps, Linear, GitHub, GitLab), Cauba applique des calculs 100 % déterministes :
- Lead Time (Création → Fin) et Cycle Time (Démarrage → Fin) en jours calendaires entiers, sans aucun fallback si une date manque.
- Percentiles P50 (médiane) et P85 du Cycle Time (calculés dès 10 tickets terminés disposant des dates de début et de fin) et dispersion (P85 − P50).
- Règle FLOW-002 (détection d'un écart élevé entre Lead Time et Cycle Time sur les tickets ayant les trois dates cohérentes) et règle TREND-005 (corrélation de tendance entre hausse du WIP et allongement du Cycle Time).
Si une donnée requise est absente ou l'échantillon insuffisant, Cauba affiche explicitement l'indicateur comme indisponible avec sa raison.
Guides méthodologiques recommandés
Prévisibilité de Sprint et Tickets Reportés (Carryover)
Comprenez pourquoi le spillover de fin de sprint découle souvent d’un temps de cycle non maîtrisé et comment stabiliser vos engagements.
Préparer un export Jira pour analyser son flux de livraison
Guide pas à pas pour extraire un fichier CSV sans plugin, mapper vos statuts et calculer vos métriques de flux dans Cauba.
Passer des estimations aux prévisions fondées sur les livraisons réelles
Comprenez comment compléter vos délais par ticket avec le débit observé (Throughput) pour prévoir la livraison d’un périmètre.
Prévoir la livraison d’un backlog avec Monte Carlo
Comprenez ce que signifient les horizons P50, P85 et P95 d’une prévision Monte Carlo, et où se situent ses limites.
Questions fréquentes sur Cycle Time et Lead Time
Sources et lectures de référence
- Daniel S. Vacanti — Actionable Agile Metrics for Predictability (2015). Ouvrage de référence sur les métriques de flux, l'asymétrie des distributions de Cycle Time et l'usage des percentiles.
- David J. Anderson — Kanban: Successful Evolutionary Change for Your Technology Business (2010). Définition formelle des notions de Commitment Point, Lead Time et limitation du travail en cours (WIP).
- Scrum.org & ProKanban — The Kanban Guide for Scrum Teams (2020). Guide officiel intégrant les 4 métriques de flux (Cycle Time, WIP, Throughput, Work Item Age) au framework Scrum.
- DORA (DevOps Research and Assessment) — State of DevOps Report. Définition du Lead Time for Changes (commit to deploy) dans le cadre de l'ingénierie logicielle.
