Monte-Carlo-Prognose in Jira, einfach erklärt

Monte Carlo klingt nach Statistik-Hausaufgabe. Tatsächlich ist es eher, als würden Sie viele Male mit Ihrer eigenen Historie würfeln und schauen, wo die Ergebnisse landen.

Die Idee in einem Absatz

Sie wissen nicht, wie schnell die nächsten Wochen laufen. Sie wissen aber, wie schnell die letzten Wochen liefen. Monte Carlo baut aus diesen realen vergangenen Tagen tausende mögliche Szenarien und zeigt Ihnen, wie oft jeder Endtermin vorkommt. Termine, die oft vorkommen, sind wahrscheinlich. Termine, die fast nie vorkommen, sind riskante Zusagen.

Ein durchgerechnetes Beispiel

Angenommen, die letzten 84 Tage zeigen ein Team, das 0, 1, 2 oder 3 Vorgänge pro Tag erledigt, im Schnitt etwa 1,5. Vierzig Vorgänge bleiben übrig. Die Division ergibt rund 27 Tage, doch dieser Durchschnitt verdeckt die Streuung. Über 10.000 simulierte Szenarien ist die Hälfte in etwa 27 Tagen fertig, 85 % in etwa 31 und 95 % in etwa 34. Die letzten beiden Zahlen sind die, die sich zuzusagen lohnen.

Warum das besser ist als Story Points

• Keine Schätzrunden: Es nutzt, was das Team abgeschlossen hat, nicht was es geschätzt hat.
• Es zeigt das Risiko direkt: Der Abstand zwischen dem Datum bei 50 % und dem bei 95 % ist Ihre Unsicherheit.
• Es aktualisiert sich selbst: Jeder erledigte Vorgang schärft die nächste Prognose.

Häufige Fehler

• Epics und Storys mischen, sodass Arbeit doppelt gezählt wird.
• Einen Zeitraum zugrunde legen, der ein anderes Team enthält oder nur aus einer Urlaubszeit besteht.
• Das Datum bei 50 % zusagen. Die Hälfte aller Szenarien verfehlt es.

Probieren Sie es an Ihrem eigenen Projekt aus

Clearlane Forecast führt 10.000 Simulationen in Jira aus und zeigt das wahrscheinliche, das sichere und das absolut sichere Datum auf einem Bildschirm, mit einem „Was wäre, wenn“ zum Testen von Umfangsänderungen.