任务逾期率反映的是“到期未完成”这一事实的分布，能帮助定位承诺失真、依赖阻塞、优先级频繁切换和跟踪滞后等执行问题。它只说明结果，不说明原因，也无法区分任务大小与难度。当截止日期随意设定、任务粒度差异大、状态更新不及时或逾期被批量改期时，这个数字会失真，需要结合其他证据再下判断。
要点总览（TL;DR）
- 任务逾期率反映的是“到期未完成”这一事实的分布，能帮助定位承诺失真、依赖阻塞、优先级频繁切换和跟踪滞后四类执行问题，但它只说明结果，不说明原因。
- 公式为“统计窗口内到期未完成的任务数 ÷ 统计窗口内应到期的任务数”，需固定时间窗、子任务取舍、已取消任务处理和取数时点，否则不同周期不可比。
- 算出一个总数后，应按团队、任务类型、逾期时长分层拆解，并结合在途任务与依赖状态交叉判断，把指标转成可验证的原因假设。
- 截止日期随意设定、任务粒度差异大、状态更新滞后、批量改期和分母口径不一致，都会让逾期率失真，此时不能直接用来判断团队交付状态。
- 建议把逾期率与在途任务量、周期时间、阻塞时长等指标配合使用，并在报告中注明口径和已知的数据质量问题。
评估目标：逾期率要回答的执行问题
把逾期率当成团队绩效总分，是使用这个指标最常见的偏差。它更适合作为执行过程的诊断信号：在某个时间窗内，有多少应完成的任务没有按期完成，这些任务集中在哪些环节。它回答的是“承诺兑现情况”和“执行卡点分布”，而不是“谁能力强弱”。
逾期率适合回答的执行问题可以归为四类：
- 承诺是否兑现：团队或个人在统计窗口内设定的截止日期，实际按时完成的比例如何，是否存在普遍性的承诺偏乐观。
- 是否存在依赖阻塞：逾期任务是否集中在某些依赖上游交付的环节，逾期时长是否与外部等待时间高度重合。
- 优先级是否频繁切换：逾期任务是否呈现“中途被插队、原计划任务被搁置”的特征，逾期分布是否随需求变更节点波动。
- 跟踪是否滞后：逾期任务中有多少在截止日期之后很久才被更新状态，反映任务状态维护的及时性。
它不适合单独回答的问题包括：团队能力高低、任务难度是否合理、交付质量好坏、个体绩效排名。这些判断需要结合任务复杂度、返工率、缺陷密度、周期时间等指标。逾期率与交付状态判断的关系是：它提供“结果层”的入口，指出哪里可能有问题，原因需要进一步拆解和验证。
指标与范围：分子、分母和时间窗怎么定
逾期率要可复算，必须先固定口径。基本公式为：
任务逾期率 = 统计窗口内到期未完成的任务数 ÷ 统计窗口内应到期的任务数 × 100%
单位是百分比，分子和分母都按“任务条数”计，不按工时或故事点折算，除非另行说明并保持各周期一致。口径定义建议用一张表固定下来：
| 口径项 | 建议定义 | 需要说明的影响 |
|---|---|---|
| 统计时间窗 | 按截止日期落在窗口内的任务统计，如“本周应到期” | 按完成时间统计会改变分子含义，两种口径不能混用 |
| 分子 | 截止日期在窗口内、且截至统计时点仍未完成的任务 | 统计时点不同，分子会变化，需固定取数时点 |
| 分母 | 截止日期落在窗口内的全部有效任务 | 分母决定可比性，口径变动需同步说明 |
| 子任务与父任务 | 二选一：只统计叶子任务，或只统计父任务 | 同时统计会重复计数，导致分母虚高 |
| 已取消任务 | 从分母中排除，并单独记录取消数量 | 取消过多本身是计划稳定性的信号，不宜静默剔除 |
| 任务粒度 | 设定最小统计粒度，如预估工作量下限 | 粒度过细会放大逾期条数，粒度过粗会掩盖问题 |
时间窗的选择直接影响可比性。按周统计适合节奏较快的迭代团队，按月统计适合周期较长的项目。无论选哪种，相邻周期应使用同一窗口长度和同一取数时点，否则数字波动可能来自口径变化而非执行变化。任务粒度差异大的团队，建议同时报告“按条数”和“按工作量加权”两个口径，避免小任务数量多拉高逾期率。
数据口径与证据：从哪些字段取数、如何校验
逾期率的取数依赖三个基础字段：截止日期、完成时间、状态变更记录。截止日期决定任务是否进入分母，完成时间决定它是否在统计时点前完成，状态变更记录用于还原任务在窗口内的真实状态变化。仅看当前状态字段不够，因为状态可能被回填或覆盖。
取数字段清单与校验步骤：
- 截止日期：确认字段是否允许为空，空值任务如何处理（建议单列“无截止日期任务数”，不混入分母）。
- 完成时间：确认完成时间是否随状态回退而清空，回退后再次完成是否保留首次完成时间。
- 状态变更记录：抽取逾期任务的状态历史，检查是否存在截止日期之后才补录完成、或完成时间早于截止日期但状态更新滞后的情况。
- 批量改期记录：统计窗口内截止日期被集中修改的任务数量，批量改期会直接改变分子分母，需要单独标注。
- 抽样核对：每个周期随机抽取一定数量的逾期任务和按时任务，人工核对截止日期、完成时间与状态记录是否一致，抽样比例和结果留档。
- 缺失值与异常值：截止日期缺失、完成时间早于创建时间、截止日期被设为极远未来等异常，单独列出并说明处理规则，不直接删除。
口径一致性检查建议在每个统计周期开始时执行一次：确认分母规则、时间窗、子任务取舍与上期一致，若有调整，在新口径下重算上期数据，保证趋势可比。状态回填和批量改期是两类主要污染源，前者让逾期看起来变少，后者让逾期被“转移”到未来窗口，都会削弱指标的解释力。
在任务跟踪工具中，截止日期、状态流转和逾期筛选是取数的基础。以 ONES 为例，任务工作项可以维护截止日期与状态，状态变更留有记录，团队可以按截止日期和状态筛选出到期未完成的任务，作为逾期率统计的原始数据来源；具体报表口径和配置方式以实际使用环境为准。
计算与评估步骤：从算出一个数到定位问题
算出一个总数只是第一步，真正有价值的是把数字拆到能指向具体执行问题的层级。建议按以下流程推进：
- 固定口径并取数：按上一节的定义导出窗口内应到期任务清单，标记完成状态和完成时间，计算总逾期率。
- 处理分母为零：当窗口内没有应到期任务时，逾期率无定义，应报告“无应到期任务”，不用 0% 代替，避免误读为执行良好。
- 按团队或小组拆解：比较各小组逾期率，同时看各组任务量和任务粒度，避免直接横向排名。
- 按任务类型拆解：区分需求、缺陷、技术任务等类型，观察逾期是否集中在某一类，例如缺陷修复是否因排期靠后而普遍逾期。
- 按逾期时长分层：把逾期任务分为逾期 1–3 天、4–7 天、7 天以上，短期逾期多与排期紧张有关，长期逾期更可能指向阻塞或遗忘。
- 交叉在途任务与依赖状态：查看逾期任务是否处于等待依赖、等待评审等状态，判断逾期是执行慢还是被外部条件卡住。
- 形成原因假设并验证：例如“逾期集中在依赖上游接口的任务”，再抽取具体任务核对依赖记录和等待时长，确认假设成立后再调整管理动作。
拆解的目的是把“逾期率偏高”转化为可验证的具体问题，例如“某类任务在等待评审环节平均滞留超过一周”。验证路径应尽量落到任务记录和状态历史上，避免仅凭数字直接归因到个人态度或能力。
示例：一个迭代的逾期率拆解
以下为演示情景，数字为假设，仅用于说明计算与拆解方法，不代表任何真实团队数据。
某迭代窗口内共有 120 个应到期任务，截至统计时点有 30 个未完成，总逾期率为 30 ÷ 120 = 25%。单看这个数字，只能说明四分之一的任务没有按期完成。进一步拆解：
| 拆解维度 | 应到期任务 | 逾期任务 | 逾期率 |
|---|---|---|---|
| 需求类 | 40 | 6 | 15% |
| 缺陷类 | 50 | 18 | 36% |
| 技术任务 | 30 | 6 | 20% |
| 逾期 1–3 天 | — | 12 | 占逾期 40% |
| 逾期 4–7 天 | — | 10 | 占逾期 33% |
| 逾期 7 天以上 | — | 8 | 占逾期 27% |
拆解后可以看到，逾期主要集中在缺陷类任务，且约四分之一逾期超过一周。抽查长期逾期任务发现，多数处于等待复现环境或等待上游修复的状态，说明问题更可能出在缺陷处理链路的等待环节，而非整体执行速度。若换一种口径，只统计叶子任务并排除已取消任务，分母可能从 120 变为 105，逾期率变为约 28.6%，与 25% 的差异来自口径而非执行变化，报告中应注明所用口径。
结论表述可以写成：“本迭代缺陷类任务逾期率明显高于其他类型，长期逾期任务多处于等待环境或上游修复状态，建议优先排查缺陷处理链路的等待时长。”这样的表述指向可验证的环节，避免直接评价团队交付能力。
解读与限制：什么情况下会误导判断
逾期率是结果型指标，以下场景会让它偏离真实执行状态：
| 失真场景 | 表现 | 应对方式 |
|---|---|---|
| 截止日期随意设定 | 日期由个人随手填写，缺乏排期依据，逾期率随填写习惯波动 | 核对截止日期的设定规则，区分承诺日期与参考日期 |
| 任务粒度与难度差异大 | 小任务数量多拉高逾期条数，大任务逾期少但影响大 | 同时报告按条数和按工作量加权的口径 |
| 状态更新滞后 | 任务实际已完成但未及时改状态，被计入逾期 | 抽样核对完成时间与状态变更时间，评估更新及时性 |
| 批量改期 | 逾期任务被集中推迟截止日期，逾期率骤降 | 单独统计改期数量，观察改期与逾期的联动 |
| 分母口径不一致 | 不同周期子任务取舍或取消任务处理不同，趋势不可比 | 固定口径，调整时重算历史数据 |
使用建议是：把逾期率与在途任务量、周期时间、阻塞时长等指标放在一起看。逾期率上升而在途任务量同时上升，可能说明排期过满；逾期率上升但周期时间稳定，可能说明截止日期设定偏紧。任何单一数字都不足以支撑对团队交付状态的完整判断，解读时应说明口径、时间窗和已知的数据质量问题，把结论限定在可验证的范围内。
常见问题
团队刚开始记录截止日期，历史数据不完整，逾期率还能用吗？
可以用，但要先处理数据完整性问题。建议先统计“无截止日期任务数”和“截止日期缺失比例”，把缺失严重的周期单独标注，不与数据完整的周期直接比较趋势。起步阶段可以先固定一个统计窗口和取数时点，连续记录几个周期，观察口径稳定后的数字变化，再逐步用于诊断。历史数据不完整时，结论应限定在“当前口径下观察到的情况”，避免据此评价过去的执行表现。
逾期率下降，是否说明团队交付状态变好了？
不一定。逾期率下降可能来自执行改善，也可能来自批量改期、任务被取消、截止日期设定变宽松或状态更新更及时。判断时需要同时看几个信号：窗口内应到期任务量是否明显减少、改期任务数量是否集中上升、在途任务量是否同步变化。如果逾期率下降但应到期任务量大幅缩水，更可能是计划口径变化而非执行改善。建议在报告中同时列出改期数量和取消数量，让读者能区分数字变化的来源。
按条数统计和按工作量加权统计，应该选哪个？
两者回答的问题不同。按条数统计反映“有多少任务没按期完成”，适合观察任务流转和跟踪及时性；按工作量加权反映“有多少工作量被延误”，更接近交付影响。任务粒度差异大的团队，建议两个口径同时报告：条数口径用于发现流程卡点，加权口径用于评估对交付的实际影响。选定后应保持各周期一致，切换口径时需重算历史数据并注明，避免趋势被口径变化干扰。
逾期任务集中在等待依赖状态，管理上应该先动哪里？
先确认等待的对象和时长，再决定动作。可以抽取长期逾期的任务，核对它们等待的是上游交付、评审还是环境资源，统计各类等待的平均滞留时间。如果集中在某一类等待，优先处理该类环节的排期和交接规则；如果等待分散且时长普遍偏长，则更可能是整体排期过满或资源不足。调整后继续用同一口径观察逾期率和等待时长的变化，验证动作是否有效，避免仅凭一次数字波动就反复调整规则。
逾期率能不能直接用于个人绩效考核？
不建议单独使用。逾期率无法区分任务难度、依赖条件和截止日期设定是否合理，直接用于个人排名容易把外部阻塞和排期问题归到个人身上。如果确实需要纳入考核，应同时考虑任务复杂度、依赖等待时长、改期记录和完成质量等证据，并明确截止日期的设定责任归属。更稳妥的做法是把逾期率作为团队层面的过程诊断信号，用于发现流程卡点，个人评价结合多维度记录综合判断。
