9 min

Tickets reportés entre sprints : comprendre et améliorer la prévisibilité du delivery

Pourquoi les tâches passent d'une itération à la suivante, ce que le report indique réellement sur le système et comment stabiliser le flux sans simplisme.

À la clôture d’un sprint, voir certains tickets passer à l’itération suivante (spillover ou carryover) provoque souvent deux réactions extrêmes : culpabilisation ou résignation. Un report est avant tout un signal sur le système de travail, qui permet d’orienter des ajustements concrets lorsqu’on l’analyse avec des faits plutôt que comme une faute.

L’essentiel en 30 secondes

  • Un report est un signal sur le système, jamais un échec automatique ni une faute individuelle : un report ponctuel relève d’un aléa normal, alors que des reports répétés signalent une instabilité du flux.
  • Vérifier les faits avant de conclure : distinguer le périmètre initial, les ajouts en cours de sprint, les blocages et la taille des tickets — en rappelant que l’engagement porte sur le Sprint Goal, pas sur 100 % des tickets.
  • Agir sur le flux plutôt que viser 0 % de report : limiter le travail en cours (WIP), découper plus finement et fluidifier les revues stabilise mieux les itérations qu’une cible rigide qui biaise les comportements.

1. Ce qu’un report permet ou ne permet pas de conclure

Dans le delivery logiciel, un ticket est considéré comme reporté lorsqu'il est pris en compte dans une itération donnée et reste non finalisé au-delà de la frontière temporelle de celle-ci. Il passe le plus souvent du sprint N au sprint N+1, mais peut aussi traverser plusieurs itérations successives avant d'être achevé.

Observation du flux : tickets finalisés et tickets reportés (Spillover)
Sprint N (Itération source)Périmètre initial : 3 tickets
Ticket A (User Story)
Done (0 report)
Ticket B (Architecture)
Non terminé → Report
Ticket C (API Endpoint)
Done (0 report)
Sprint N+1 (Itération suivante)Pris en charge : 3 tickets
Ticket B (Carryover)
Done (1 report)
Ticket D (New Feature)
Done (0 report)
Ticket E (Frontend UI)
En cours

Le Ticket B a franchi la frontière du Sprint N sans être finalisé : il est comptabilisé comme 1 report lorsqu'il est achevé dans le Sprint N+1.

Quatre réalités opérationnelles distinctes se cachent derrière un même chiffre de report :

Travail actif non finaliséLe développement a commencé mais n'a pas franchi toutes les étapes de validation (revue, QA, déploiement) avant la clôture.
Tâche non commencée et reconduiteL'élément figurait dans le plan initial mais n'a pas été démarré faute de capacité.
Découpage en cours d'itérationUne partie de la valeur a été livrée et le reste scindé dans un nouveau ticket pour l'itération suivante.
Changement de priorité ou dépriorisationLe ticket a été délibérément mis en pause face à une urgence ou une découverte plus prioritaire.

Pourquoi un report n'est pas automatiquement un échec

Découvrir une complexité imprévue, refuser de bâcler les tests pour tenir une date ou absorber un incident critique sont des arbitrages rationnels en faveur de la qualité. Une équipe qui ne reporte jamais rien peut aussi fonctionner avec des marges excessives ou fermer administrativement des tâches inachevées.

La bonne question n'est pas de savoir s'il y a eu un report, mais si le phénomène reste isolé ou devient récurrent.

Sprint Goal vs sélection de tickets (Scrum Guide)

Le Scrum Guide (2020) précise que l'engagement de l'équipe porte sur le Sprint Goal (l'objectif de valeur du sprint), tandis que le Sprint Backlog reste une prévision évolutive.

Terminer 100 % des tickets ne prouve pas que la valeur attendue a été livrée si l'objectif métier est manqué. Inversement, un sprint peut atteindre son Sprint Goal malgré quelques tickets reportés : le report de ces tickets ne suffit donc pas, à lui seul, à conclure à un échec du sprint.

Périmètre initial vs périmètre final

Évaluer un sprint uniquement sur son état final masque les entrées et sorties en cours de route. Il est utile de distinguer cinq populations de tickets :

Périmètre initialÉléments sélectionnés au sprint planning.
Ajouts en cours de sprintIncidents de production, urgences ou tâches découvertes après le démarrage.
Éléments retirés ou annulésTickets sortis du sprint en accord avec le Product Owner pour protéger l'objectif.
Travail terminé (Done)Tickets répondant à la Definition of Done avant la clôture.
Travail reporté (Spillover)Tickets restés ouverts à la fin de l'itération.

Terminer 10 tickets sur 12 prévus n'a rien à voir avec terminer 10 tickets après avoir absorbé 6 urgences imprévues en cours de sprint.

2. Exemple concret et rôle de la variabilité

Observons une itération fictive de 2 semaines :

Scope initialement planifié
12 tickets
Urgences / ajouts en cours de sprint
+3 tickets
Périmètre total géré
15 tickets
Tickets finalisés dans les délais
10 tickets (8 du scope initial + 2 ajoutés)
Tickets reportés au sprint suivant
4 tickets (2 du scope initial + 1 ajouté + 1 bloqué)
Tickets retirés / abandonnés
1 ticket
Résumer ce sprint à « 10 tickets terminés sur 15 (soit 66,7 %) » masque l'essentiel : 3 tickets ont été ajoutés en cours de sprint (soit 25 % des 12 tickets initialement planifiés), dont 2 ont été terminés et 1 reporté, tandis qu'1 ticket a été retiré. Le diagnostic gagne à séparer la capacité de l'équipe de la perméabilité du sprint aux interruptions.

Prévisibilité et variabilité des résultats

Dans le delivery logiciel, la prévisibilité ne signifie ni certitude absolue ni plan figé : un système est plus prévisible lorsque la variabilité de ses résultats est suffisamment comprise et contenue pour éclairer les décisions.

Pourquoi la moyenne seule peut tromper

Comparons deux équipes sur 5 sprints consécutifs :

Équipe A — Taux de complétion : 82 %, 84 %, 81 %, 83 %, 82 % (Moyenne = 82,4 % | Écart-type = 1,1 %)
Équipe B — Taux de complétion : 100 %, 60 %, 95 %, 55 %, 100 % (Moyenne = 82,0 % | Écart-type = 22,5 %)
Malgré des moyennes quasi identiques (82,4 % contre 82,0 %), les taux observés pour l'équipe A sont beaucoup plus stables sur ces cinq sprints, tandis que ceux de l'équipe B présentent une variabilité nettement supérieure. Cette courte série permet d'observer une différence de stabilité, mais ne suffit pas à établir à elle seule la prévisibilité durable de l'un ou l'autre système.

La stabilité mesure la régularité des résultats observés, pas la vitesse ni la valeur produite.

3. Causes possibles et informations pour les distinguer

Un taux de report élevé ne prouve pas une cause unique. Abordez ces six pistes comme des hypothèses à confronter aux faits (horodatages, taille des tickets, ajouts en cours de route) sans confondre corrélation et causalité :

Travail en cours (WIP) trop élevé

Hypothèse : Trop de tickets avancent en parallèle et multiplient les changements de contexte.
Comment vérifier : Vérifier le nombre de tickets ouverts simultanément par rapport à la taille de l'équipe et tester des limites de WIP.

Tickets trop volumineux (découpage insuffisant)

Hypothèse : Certains tickets dépassent la durée utile du sprint ou masquent une complexité sous-estimée.
Comment vérifier : Comparer la durée des tickets reportés à celle des tickets terminés et découper les sujets en tranches plus fines.

Démarrage tardif dans le sprint

Hypothèse : Des tickets ne sont pris en charge que dans les 2 ou 3 derniers jours, laissant trop peu de temps pour la revue et les tests.
Comment vérifier : Regarder la date de démarrage des tickets reportés et éviter de lancer de gros chantiers en fin d'itération.

Goulets en revue de code ou QA

Hypothèse : Le développement finit tôt mais les tickets s'accumulent avant la validation finale.
Comment vérifier : Identifier le temps passé dans chaque statut intermédiaire et traiter les revues avant d'ouvrir de nouveaux tickets.

Interruptions et ajouts non planifiés

Hypothèse : Incidents ou demandes urgentes absorbent la capacité initialement prévue.
Comment vérifier : Mesurer la part d'ajouts en cours de sprint et instaurer une règle de substitution claire (un urgent entre, un prévu sort).

Critères flous ou dépendances externes

Hypothèse : Une dépendance tiers ou un critère d'acceptation manquant n'apparaît qu'en cours de réalisation.
Comment vérifier : Vérifier les prérequis bloquants avant l'entrée en sprint (Definition of Ready / Done).

Croiser avec le temps d'écoulement (Cycle Time)

Le report n'observe que la photo à la clôture du sprint. Regarder le temps de traversée actif (Cycle Time) des tickets reportés aide à distinguer un problème de flux ou d'attente d'un simple démarrage tardif.

Si les tickets reportés affichent des durées actives beaucoup plus longues que le reste du flux, la priorité porte souvent sur le découpage, les revues ou le WIP.

4. Actions et expériences à envisager

Plutôt que d'imposer une cible chiffrée, testez une ou deux expériences courtes sur 2 à 3 sprints et observez leur effet :

1. Limiter le travail en cours (WIP)Privilégier « finir ce qui est commencé » plutôt que d'ouvrir de nouveaux tickets en parallèle.
2. Découper en petits incréments verticauxViser des tickets livrables et vérifiables en quelques jours pour réduire le risque de débordement.
3. Fluidifier les revues et validations au quotidienÉviter l'empilement des revues en fin de sprint en les traitant au fil de l'eau.
4. Expliciter les règles face aux urgencesPrévoir une capacité tampon ou décider explicitement quel ticket sort lorsqu'une urgence entre.
5. Retracer 2 ou 3 tickets reportés en rétrospectiveExaminer ensemble, sans blâme, où ces tickets ont attendu et ce qui aurait permis de lever le blocage plus tôt.

Le piège du 0 % de report (loi de Goodhart)

Selon la loi de Goodhart, « lorsqu'une mesure devient une cible, elle cesse d'être une bonne mesure ». Exiger 0 % de report pousse rapidement au sous-engagement, au découpage cosmétique en fin de sprint ou à la clôture prématurée sans tests complets.

L'indicateur de report perd alors toute valeur diagnostique.

5. Limites des données et du calcul

Dans les exports Jira, un ticket ayant traversé plusieurs itérations apparaît souvent avec plusieurs colonnes « Sprint ». Reconstruire les reports à partir de ces données comporte des limites réelles :

  • Les colonnes Sprint multiples n'indiquent pas l'ordre chronologique sans croisement avec les dates réelles des itérations.
  • Un ticket peut être rattaché administrativement à un sprint sans qu'aucun travail actif n'y ait eu lieu.
  • Sans date de fin (Resolved) ou avec des bornes de sprint ambiguës, le sprint de complétion ne peut pas être établi avec certitude.
  • Les sprints techniques ou tampons (bac à idées) doivent être écartés pour ne pas biaiser la lecture.

Une analyse fiable s'appuie sur les dates réelles et les bornes d'itérations confirmées, jamais sur de simples noms de sprints.

Comptage par tickets vs effort réel

Mesurer les reports en nombre de tickets (item count) offre un signal simple, mais 2 tickets reportés sur 20 peuvent concentrer l'essentiel de la complexité du sprint si le découpage est très hétérogène.

Les Story Points ne suppriment pas non plus l'incertitude : l'approche la plus robuste reste de suivre le nombre de tickets tout en maintenant un découpage homogène.

Comment Cauba calcule les reports

Cauba applique une méthode 100 % déterministe sans inventer de données manquantes :

  • Classification en buckets : les tickets terminés dans la fenêtre d'analyse sont répartis selon le nombre exact de reports observés (0 report, 1 report, 2 reports ou plus).
  • Transparence sur l'indisponibilité : en cas de date de complétion manquante ou de borne d'itération ambiguë, le ticket est classé indisponible avec le motif précis.
  • Exclusion des itérations non représentatives : vous pouvez écarter les sprints techniques ou hors-normes.
  • Lecture dans le diagnostic : cette répartition (0, 1 ou 2 reports et plus) figure dans le rapport détaillé de l'équipe afin d'observer si les reports restent ponctuels ou deviennent récurrents.

Cauba ne génère aucun score arbitraire de réussite de sprint : il éclaire factuellement la stabilité de votre flux.

Cycle Time vs Lead Time : Définitions et Calculs

Comprenez comment mesurer le temps de cycle de vos tickets et exploiter vos percentiles (P50, P85) pour sécuriser vos sprints.

Préparer un export Jira pour analyser son flux de livraison

Tutoriel complet pour extraire un CSV propre avec vos sprints et vos statuts, prêt pour l’analyse dans Cauba.

Passer des estimations aux prévisions fondées sur les livraisons réelles

Distinguez estimation, prévision, objectif et engagement, et appuyez vos projections de livraison sur le débit observé et sa variabilité.

Foire aux questions (FAQ)

C'est un ticket pris en compte dans une itération et resté non terminé au-delà de sa date de clôture, qu'il passe au sprint suivant (N+1) ou traverse plusieurs itérations.

Références méthodologiques & lectures recommandées

  • Ken Schwaber & Jeff Sutherland — The Scrum Guide (2020). Clarification sur le Sprint Goal comme engagement et le Sprint Backlog comme prévision.
  • Daniel S. Vacanti — Actionable Agile Metrics for Predictability (2015). Ouvrage de référence sur la stabilité des flux, les limites du WIP et les prévisions probabilistes.
  • David J. Anderson — Kanban: Successful Evolutionary Change for Your Technology Business (2010). Principes de gestion des goulets d'étranglement et régulation des travaux en cours.
  • Klaus Leopold — Rethinking Agile (2018). Analyse systémique des interactions entre équipes et causes organisationnelles des retards de livraison.