Monte-Carlo-Prognosen

Traditionelle Planung: Jedes Element schätzen, die Schätzungen summieren, sich auf ein Datum festlegen.

Warum das scheitert:

• Einzelne Schätzungen sind unzuverlässig (Optimismus-Bias)
• Fehler potenzieren sich (viele Schätzungen → große Fehler)
• Einzelpunkt-Schätzungen ignorieren Variabilität
• Niemand verfolgt, ob Schätzungen genau waren

Das Ergebnis: Termine, die niemand glaubt, Druck sich zu „verpflichten", und Vertrauensverlust.

Monte Carlo bietet einen anderen Ansatz: Nutze historische Daten, um viele mögliche Zukünfte zu simulieren, und berichte dann Wahrscheinlichkeiten.

Grundkonzept:

1. Historische Daten sammeln: Wie viele Elemente haben wir in den letzten N Wochen pro Woche abgeschlossen?
2. Viele Zukünfte simulieren: Tausende Male zufällig aus der Historie ziehen
3. Ergebnisse aggregieren: Welcher Prozentsatz der Simulationen war bis zu welchem Datum fertig?
4. Wahrscheinlichkeiten berichten: „Es besteht eine 85%ige Chance, dass wir bis zum 15. März fertig sind"

Beispiel:

Historischer Durchsatz (Elemente/Woche): 5, 8, 6, 4, 7, 6, 9, 5

Um die Fertigstellung von 20 Elementen vorherzusagen:

• Simulation 1: Woche 1 zieht 6, Woche 2 zieht 5, Woche 3 zieht 4, Woche 4 zieht 8 = fertig in 4 Wochen (6+5+4+8=23)
• Simulation 2: Woche 1 zieht 4, Woche 2 zieht 4, Woche 3 zieht 5, Woche 4 zieht 5, Woche 5 zieht 4 = fertig in 5 Wochen
• ... (10.000 Mal wiederholen)

Ergebnis: „85% der Simulationen waren innerhalb von 4 Wochen abgeschlossen. 95% innerhalb von 5 Wochen."

Monte Carlo liefert Konfidenzniveaus, keine einzelnen Termine.

Wie man Ergebnisse liest:

• „50% Konfidenz: 10. März" — Münzwurf; könnte passieren, könnte nicht
• „85% Konfidenz: 17. März" — Ziemlich wahrscheinlich, vernünftig für eine Zusage
• „95% Konfidenz: 24. März" — Sehr wahrscheinlich, Puffer für fast alles

Welches Konfidenzniveau verwenden?

Hängt von den Konsequenzen ab, wenn man falsch liegt:

• Niedriges Risiko: 50-70% Konfidenz ist in Ordnung
• Normales Geschäft: 85% ist eine übliche Wahl
• Hohes Risiko: 95% oder höher

Das ehrliche Gespräch: „Wenn Sie 85% Konfidenz brauchen, ist der Termin der 17. März. Wenn Sie 95% Konfidenz brauchen, ist es der 24. März. Was ist wichtiger – der frühere Termin oder die Sicherheit?"

Frage: „Wann werden diese 20 Elemente fertig sein?"

Methode:

1. Zu erledigende Elemente zählen: 20
2. Historische Durchsatzdaten holen (letzte 8-12 Wochen)
3. Monte-Carlo-Simulation durchführen
4. Datum beim gewünschten Konfidenzniveau berichten

Beispielausgabe:

• 50% Konfidenz: Abschluss bis Woche vom 4. März
• 85% Konfidenz: Abschluss bis Woche vom 11. März
• 95% Konfidenz: Abschluss bis Woche vom 18. März

Dies ist eine „Wann"-Prognose — fester Umfang, variables Datum.

Frage: „Wie viel können wir bis zum 31. März liefern?"

Methode:

1. Wochen bis zur Deadline berechnen: 4 Wochen
2. Historische Durchsatzdaten holen
3. Durchsatz für 4 Wochen viele Male simulieren
4. Elementanzahl beim gewünschten Konfidenzniveau berichten

Beispielausgabe:

• 85% Konfidenz: Mindestens 20 Elemente
• 50% Konfidenz: Mindestens 25 Elemente
• 15% Konfidenz: Mindestens 30 Elemente

Dies ist eine „Wie viele"-Prognose — festes Datum, variabler Umfang.

Das Planungsgespräch: „Bis zum 31. März sind wir zu 85% zuversichtlich, dass wir mindestens 20 Elemente abschließen können. Wenn Sie 30 Elemente wollen, müssten wir entweder das Datum verlängern oder Kapazität hinzufügen."

Erste Schritte:

1. Durchsatz verfolgen: Abgeschlossene Elemente pro Woche für mindestens 6-8 Wochen zählen
2. Ein Tool verwenden: Tabellenkalkulation, Jira-Plugins, spezialisierte Tools (ActionableAgile, Nave, etc.)
3. Einfach anfangen: Roher Durchsatz ohne Zerlegung
4. Ehrlich berichten: Konfidenzintervalle teilen, keine falsche Präzision

Prognosen verbessern:

• Mehr historische Daten = bessere Prognosen
• Stabile Prozesse = engere Bereiche
• Arbeit in ähnliche Größen zerlegen
• Genauigkeit verfolgen und verfeinern

Was Monte Carlo nicht löst:

• Neue Arbeitsarten ohne Historie
• Größere Prozessänderungen (Vergangenheit ≠ Zukunft)
• Kleine Stichprobengrößen (Müll rein, Müll raus)
• Elemente, die von externen Faktoren abhängen

Für diese Situationen nutzen Sie Urteilsvermögen neben den Daten.