Pronóstico Monte Carlo
Uso de datos históricos para hacer predicciones probabilísticas sobre entregas futuras.
1El Problema con la Estimación Tradicional
Planificación tradicional: Estimar cada elemento, sumar las estimaciones, comprometerse con una fecha.
Por qué falla:
- Las estimaciones individuales no son confiables (sesgo de optimismo)
- Los errores se acumulan (muchas estimaciones → grandes errores)
- Las estimaciones de un solo punto ignoran la variabilidad
- Nadie rastrea si las estimaciones fueron precisas
El resultado: Fechas en las que nadie cree, presión para "comprometerse" y erosión de la confianza.
Monte Carlo ofrece un enfoque diferente: usar datos históricos para simular muchos futuros posibles y luego reportar probabilidades.
2Cómo Funciona Monte Carlo
Concepto básico:
- Recopilar datos históricos: ¿Cuántos elementos completamos cada semana durante las últimas N semanas?
- Simular muchos futuros: Muestrear aleatoriamente del historial miles de veces
- Agregar resultados: ¿Qué porcentaje de simulaciones terminó en cada fecha?
- Reportar probabilidades: "Hay un 85% de probabilidad de que terminemos para el 15 de marzo"
Ejemplo:
Rendimiento histórico (elementos/semana): 5, 8, 6, 4, 7, 6, 9, 5
Para pronosticar la finalización de 20 elementos:
- Simulación 1: Semana 1 obtiene 6, Semana 2 obtiene 5, Semana 3 obtiene 4, Semana 4 obtiene 8 = terminado en 4 semanas (6+5+4+8=23)
- Simulación 2: Semana 1 obtiene 4, Semana 2 obtiene 4, Semana 3 obtiene 5, Semana 4 obtiene 5, Semana 5 obtiene 4 = terminado en 5 semanas
- ... (repetir 10,000 veces)
Resultado: "El 85% de las simulaciones se completaron en 4 semanas. El 95% en 5 semanas."
Monte Carlo no requiere estimar elementos individuales. Usa el rendimiento histórico real. El pasado predice el futuro mejor que las estimaciones optimistas.
3Interpretación de Resultados Monte Carlo
Monte Carlo te da niveles de confianza, no fechas únicas.
Cómo leer los resultados:
- "50% de confianza: 10 de marzo" — Lanzamiento de moneda; puede suceder o no
- "85% de confianza: 17 de marzo" — Bastante probable, razonable para comprometerse
- "95% de confianza: 24 de marzo" — Muy probable, margen para casi cualquier cosa
¿Qué nivel de confianza usar?
Depende de las consecuencias de equivocarse:
- Bajo riesgo: 50-70% de confianza está bien
- Negocio normal: 85% es la elección común
- Alto riesgo: 95% o más
La conversación honesta: "Si necesitas 85% de confianza, la fecha es el 17 de marzo. Si necesitas 95% de confianza, es el 24 de marzo. ¿Qué importa más: la fecha más temprana o la certeza?"
4Monte Carlo para Preguntas de 'Cuándo'
Pregunta: "¿Cuándo estarán listos estos 20 elementos?"
Método:
- Contar elementos por completar: 20
- Obtener datos históricos de rendimiento (últimas 8-12 semanas)
- Ejecutar simulación Monte Carlo
- Reportar fecha al nivel de confianza deseado
Ejemplo de resultado:
- 50% de confianza: Completado para la semana del 4 de marzo
- 85% de confianza: Completado para la semana del 11 de marzo
- 95% de confianza: Completado para la semana del 18 de marzo
Este es un pronóstico de "Cuándo" — alcance fijo, fecha variable.
5Monte Carlo para Preguntas de 'Cuánto'
Pregunta: "¿Cuánto podemos entregar para el 31 de marzo?"
Método:
- Calcular semanas hasta la fecha límite: 4 semanas
- Obtener datos históricos de rendimiento
- Simular rendimiento para 4 semanas, muchas veces
- Reportar cantidad de elementos al nivel de confianza deseado
Ejemplo de resultado:
- 85% de confianza: Al menos 20 elementos
- 50% de confianza: Al menos 25 elementos
- 15% de confianza: Al menos 30 elementos
Este es un pronóstico de "Cuánto" — fecha fija, alcance variable.
La conversación de planificación: "Para el 31 de marzo, tenemos 85% de confianza de que podemos completar al menos 20 elementos. Si quieres 30 elementos, necesitaríamos extender la fecha o agregar capacidad."
6Aplicación Práctica
Para comenzar:
- Rastrear rendimiento: Contar elementos completados por semana durante al menos 6-8 semanas
- Usar una herramienta: Hojas de cálculo, plugins de Jira, herramientas especializadas (ActionableAgile, Nave, etc.)
- Comenzar simple: Rendimiento bruto sin descomposición
- Reportar honestamente: Compartir intervalos de confianza, no falsa precisión
Mejorar pronósticos:
- Más datos históricos = mejores pronósticos
- Procesos estables = rangos más ajustados
- Descomponer trabajo en tamaños similares
- Rastrear precisión y refinar
Lo que Monte Carlo no resuelve:
- Nuevos tipos de trabajo sin historial
- Cambios importantes de proceso (pasado ≠ futuro)
- Tamaños de muestra pequeños (basura entra, basura sale)
- Elementos que dependen de factores externos
Para esas situaciones, usa el juicio junto con los datos.
Monte Carlo hace explícita la incertidumbre. Esto se siente incómodo al principio, pero construye confianza con el tiempo. 'Entregamos en la fecha en la que dijimos tener 85% de confianza' supera a 'Perdimos otra fecha límite.'
Producto pregunta '¿Cuándo podemos tener estas 15 funcionalidades?' El equipo ejecuta Monte Carlo, reporta: '85% de confianza para finales de marzo, 95% para mediados de abril.' Se produce una conversación honesta sobre compensaciones.
El equipo tiene 3 semanas de datos de rendimiento y acaba de cambiar su proceso. Ejecutan Monte Carlo y se comprometen con la fecha del 85%. El valor predictivo es bajo porque el pasado no representa el futuro.
- Monte Carlo simula muchos futuros posibles basados en datos históricos
- Los resultados son probabilidades (85% de confianza), no estimaciones de un solo punto
- Funciona para '¿Cuándo estará X listo?' y '¿Cuánto para la fecha Y?'
- Requiere datos históricos suficientes y procesos estables
- Hace explícita la incertidumbre—construye confianza a través de pronósticos honestos