Prévisions Monte Carlo

1Le problème avec l'estimation traditionnelle

Planification traditionnelle : Estimer chaque élément, additionner les estimations, s'engager sur une date.

Pourquoi ça échoue :

Les estimations individuelles ne sont pas fiables (biais d'optimisme)
Les erreurs s'accumulent (beaucoup d'estimations → grandes erreurs)
Les estimations à point unique ignorent la variabilité
Personne ne vérifie si les estimations étaient exactes

Le résultat : Des dates auxquelles personne ne croit, de la pression pour « s'engager », et une érosion de la confiance.

Monte Carlo offre une approche différente : utiliser les données historiques pour simuler de nombreux futurs possibles, puis rapporter des probabilités.

2Comment fonctionne Monte Carlo

Concept de base :

Collecter les données historiques : Combien d'éléments avons-nous complétés chaque semaine au cours des N dernières semaines?
Simuler de nombreux futurs : Échantillonner aléatoirement à partir de l'historique des milliers de fois
Agréger les résultats : Quel pourcentage de simulations se termine à chaque date?
Rapporter les probabilités : « Il y a 85 % de chances que nous terminions d'ici le 15 mars »

Exemple :

Débit historique (éléments/semaine) : 5, 8, 6, 4, 7, 6, 9, 5

Pour prévoir la complétion de 20 éléments :

Simulation 1 : Semaine 1 tire 6, Semaine 2 tire 5, Semaine 3 tire 4, Semaine 4 tire 8 = terminé en 4 semaines (6+5+4+8=23)
Simulation 2 : Semaine 1 tire 4, Semaine 2 tire 4, Semaine 3 tire 5, Semaine 4 tire 5, Semaine 5 tire 4 = terminé en 5 semaines
... (répéter 10 000 fois)

Résultat : « 85 % des simulations se sont terminées en 4 semaines. 95 % en 5 semaines. »

Monte Carlo ne nécessite pas d'estimer les éléments individuels. Il utilise la performance historique réelle. Le passé prédit mieux l'avenir que les estimations optimistes.

3Interpréter les résultats Monte Carlo

Monte Carlo vous donne des niveaux de confiance, pas des dates uniques.

Comment lire les résultats :

« 50 % de confiance : 10 mars » — Pile ou face; pourrait arriver, pourrait ne pas arriver
« 85 % de confiance : 17 mars » — Assez probable, raisonnable de s'engager
« 95 % de confiance : 24 mars » — Très probable, marge pour presque tout

Quel niveau de confiance utiliser?

Dépend des conséquences d'avoir tort :

Faibles enjeux : 50-70 % de confiance convient
Affaires normales : 85 % est un choix courant
Enjeux élevés : 95 % ou plus

La conversation honnête : « Si vous avez besoin de 85 % de confiance, la date est le 17 mars. Si vous avez besoin de 95 % de confiance, c'est le 24 mars. Qu'est-ce qui compte le plus — la date plus tôt ou la certitude? »

4Monte Carlo pour les questions « Quand »

Question : « Quand ces 20 éléments seront-ils terminés? »

Méthode :

Compter les éléments à compléter : 20
Obtenir les données de débit historiques (8-12 dernières semaines)
Exécuter la simulation Monte Carlo
Rapporter la date au niveau de confiance souhaité

Exemple de résultat :

50 % de confiance : Terminé d'ici la semaine du 4 mars
85 % de confiance : Terminé d'ici la semaine du 11 mars
95 % de confiance : Terminé d'ici la semaine du 18 mars

C'est une prévision « Quand » — portée fixe, date variable.

5Monte Carlo pour les questions « Combien »

Question : « Combien pouvons-nous livrer d'ici le 31 mars? »

Méthode :

Calculer les semaines jusqu'à l'échéance : 4 semaines
Obtenir les données de débit historiques
Simuler le débit pour 4 semaines, plusieurs fois
Rapporter le nombre d'éléments au niveau de confiance souhaité

Exemple de résultat :

85 % de confiance : Au moins 20 éléments
50 % de confiance : Au moins 25 éléments
15 % de confiance : Au moins 30 éléments

C'est une prévision « Combien » — date fixe, portée variable.

La conversation de planification : « D'ici le 31 mars, nous sommes confiants à 85 % de pouvoir compléter au moins 20 éléments. Si vous voulez 30 éléments, nous devrions soit prolonger la date, soit ajouter de la capacité. »

6Application pratique

Pour commencer :

Suivre le débit : Compter les éléments complétés par semaine pendant au moins 6-8 semaines
Utiliser un outil : Tableurs, extensions Jira, outils spécialisés (ActionableAgile, Nave, etc.)
Commencer simple : Débit brut sans décomposition
Rapporter honnêtement : Partager les intervalles de confiance, pas une fausse précision

Améliorer les prévisions :

Plus de données historiques = meilleures prévisions
Processus stables = plages plus serrées
Décomposer le travail en tailles similaires
Suivre la précision et affiner

Ce que Monte Carlo ne résout pas :

Nouveaux types de travail sans historique
Changements majeurs de processus (passé ≠ futur)
Petits échantillons (données de mauvaise qualité)
Éléments qui dépendent de facteurs externes

Pour ces situations, utiliser le jugement en plus des données.

Monte Carlo rend l'incertitude explicite. Cela semble inconfortable au début, mais cela construit la confiance avec le temps. « Nous avons livré à la date pour laquelle nous étions confiants à 85 % » bat « Nous avons encore raté une échéance. »

Bonne utilisation

Le produit demande « Quand pouvons-nous avoir ces 15 fonctionnalités? » L'équipe exécute Monte Carlo, rapporte : « 85 % de confiance d'ici fin mars, 95 % d'ici mi-avril. » Une conversation honnête sur les compromis s'ensuit.

Mauvaise utilisation

L'équipe a 3 semaines de données de débit et vient de changer son processus. Elle exécute Monte Carlo et s'engage sur la date à 85 %. La valeur prédictive est faible parce que le passé ne représente pas le futur.