Previsione Monte Carlo

1Il Problema con la Stima Tradizionale

Pianificazione tradizionale: Stimare ogni elemento, sommare le stime, impegnarsi su una data.

Perché fallisce:

Le stime individuali sono inaffidabili (bias di ottimismo)
Gli errori si accumulano (molte stime → grandi errori)
Le stime a punto singolo ignorano la variabilità
Nessuno verifica se le stime erano accurate

Il risultato: Date a cui nessuno crede, pressione per "impegnarsi" ed erosione della fiducia.

Monte Carlo offre un approccio diverso: utilizzare i dati storici per simulare molti futuri possibili, poi riportare le probabilità.

2Come Funziona Monte Carlo

Concetto di base:

Raccogliere dati storici: Quanti elementi abbiamo completato ogni settimana nelle ultime N settimane?
Simulare molti futuri: Campionare casualmente dalla cronologia migliaia di volte
Aggregare i risultati: Quale percentuale di simulazioni è terminata entro ogni data?
Riportare le probabilità: "C'è una probabilità dell'85% che finiremo entro il 15 marzo"

Esempio:

Throughput storico (elementi/settimana): 5, 8, 6, 4, 7, 6, 9, 5

Per prevedere il completamento di 20 elementi:

Simulazione 1: Settimana 1 estrae 6, Settimana 2 estrae 5, Settimana 3 estrae 4, Settimana 4 estrae 8 = fatto in 4 settimane (6+5+4+8=23)
Simulazione 2: Settimana 1 estrae 4, Settimana 2 estrae 4, Settimana 3 estrae 5, Settimana 4 estrae 5, Settimana 5 estrae 4 = fatto in 5 settimane
... (ripetere 10.000 volte)

Risultato: "L'85% delle simulazioni è stato completato entro 4 settimane. Il 95% entro 5 settimane."

Monte Carlo non richiede la stima dei singoli elementi. Utilizza le prestazioni storiche effettive. Il passato prevede il futuro meglio delle stime ottimistiche.

3Interpretare i Risultati Monte Carlo

Monte Carlo fornisce livelli di confidenza, non date singole.

Come leggere i risultati:

"50% di confidenza: 10 marzo" — Lancio di moneta; potrebbe accadere, potrebbe non accadere
"85% di confidenza: 17 marzo" — Abbastanza probabile, ragionevole impegnarsi
"95% di confidenza: 24 marzo" — Molto probabile, margine per quasi tutto

Quale livello di confidenza usare?

Dipende dalle conseguenze di sbagliare:

Bassa posta in gioco: 50-70% di confidenza va bene
Business normale: 85% è la scelta comune
Alta posta in gioco: 95% o superiore

La conversazione onesta: "Se hai bisogno dell'85% di confidenza, la data è il 17 marzo. Se hai bisogno del 95% di confidenza, è il 24 marzo. Cosa conta di più—la data precedente o la certezza?"

4Monte Carlo per Domande 'Quando'

Domanda: "Quando saranno completati questi 20 elementi?"

Metodo:

Contare gli elementi da completare: 20
Ottenere i dati di throughput storico (ultime 8-12 settimane)
Eseguire la simulazione Monte Carlo
Riportare la data al livello di confidenza desiderato

Esempio di output:

50% di confidenza: Completamento entro la settimana del 4 marzo
85% di confidenza: Completamento entro la settimana dell'11 marzo
95% di confidenza: Completamento entro la settimana del 18 marzo

Questa è una previsione "Quando" — ambito fisso, data variabile.

5Monte Carlo per Domande 'Quanto'

Domanda: "Quanto possiamo consegnare entro il 31 marzo?"

Metodo:

Calcolare le settimane fino alla scadenza: 4 settimane
Ottenere i dati di throughput storico
Simulare il throughput per 4 settimane, molte volte
Riportare il conteggio degli elementi al livello di confidenza desiderato

Esempio di output:

85% di confidenza: Almeno 20 elementi
50% di confidenza: Almeno 25 elementi
15% di confidenza: Almeno 30 elementi

Questa è una previsione "Quanto" — data fissa, ambito variabile.

La conversazione di pianificazione: "Entro il 31 marzo, siamo confidenti all'85% di poter completare almeno 20 elementi. Se vuoi 30 elementi, dovremmo estendere la data o aggiungere capacità."

6Applicazione Pratica

Per iniziare:

Tracciare il throughput: Contare gli elementi completati per settimana per almeno 6-8 settimane
Usare uno strumento: Fogli di calcolo, plugin Jira, strumenti specializzati (ActionableAgile, Nave, ecc.)
Iniziare semplice: Throughput grezzo senza scomposizione
Riportare onestamente: Condividere intervalli di confidenza, non falsa precisione

Migliorare le previsioni:

Più dati storici = previsioni migliori
Processi stabili = intervalli più stretti
Scomporre il lavoro in dimensioni simili
Tracciare l'accuratezza e affinare

Cosa Monte Carlo non risolve:

Nuovi tipi di lavoro senza cronologia
Cambiamenti di processo importanti (passato ≠ futuro)
Campioni di piccole dimensioni (spazzatura dentro, spazzatura fuori)
Elementi che dipendono da fattori esterni

Per quelle situazioni, usa il giudizio insieme ai dati.

Monte Carlo rende esplicita l'incertezza. Questo sembra scomodo all'inizio, ma costruisce fiducia nel tempo. 'Abbiamo consegnato alla data in cui abbiamo detto di essere confidenti all'85%' batte 'Abbiamo mancato un'altra scadenza.'

Buon Uso

Il prodotto chiede 'Quando possiamo avere queste 15 funzionalità?' Il team esegue Monte Carlo, riporta: '85% di confidenza entro fine marzo, 95% entro metà aprile.' Segue una conversazione onesta sui compromessi.

Cattivo Uso

Il team ha 3 settimane di dati di throughput e ha appena cambiato il suo processo. Eseguono Monte Carlo e si impegnano sulla data all'85%. Il valore predittivo è basso perché il passato non rappresenta il futuro.