Previsão Monte Carlo

1O Problema com a Estimativa Tradicional

Planejamento tradicional: Estimar cada item, somar as estimativas, comprometer-se com uma data.

Por que falha:

Estimativas individuais não são confiáveis (viés de otimismo)
Erros se acumulam (muitas estimativas → grandes erros)
Estimativas de ponto único ignoram a variabilidade
Ninguém acompanha se as estimativas foram precisas

O resultado: Datas em que ninguém acredita, pressão para "se comprometer" e erosão da confiança.

Monte Carlo oferece uma abordagem diferente: usar dados históricos para simular muitos futuros possíveis e, em seguida, relatar probabilidades.

2Como Funciona o Monte Carlo

Conceito básico:

Coletar dados históricos: Quantos itens completamos a cada semana nas últimas N semanas?
Simular muitos futuros: Amostrar aleatoriamente do histórico milhares de vezes
Agregar resultados: Qual porcentagem das simulações terminou em cada data?
Relatar probabilidades: "Há 85% de chance de terminarmos até 15 de março"

Exemplo:

Throughput histórico (itens/semana): 5, 8, 6, 4, 7, 6, 9, 5

Para prever a conclusão de 20 itens:

Simulação 1: Semana 1 sorteia 6, Semana 2 sorteia 5, Semana 3 sorteia 4, Semana 4 sorteia 8 = concluído em 4 semanas (6+5+4+8=23)
Simulação 2: Semana 1 sorteia 4, Semana 2 sorteia 4, Semana 3 sorteia 5, Semana 4 sorteia 5, Semana 5 sorteia 4 = concluído em 5 semanas
... (repetir 10.000 vezes)

Resultado: "85% das simulações foram concluídas em 4 semanas. 95% em 5 semanas."

Monte Carlo não requer estimar itens individuais. Ele usa o desempenho histórico real. O passado prevê o futuro melhor do que estimativas otimistas.

3Interpretando Resultados Monte Carlo

Monte Carlo fornece níveis de confiança, não datas únicas.

Como ler os resultados:

"50% de confiança: 10 de março" — Cara ou coroa; pode acontecer, pode não acontecer
"85% de confiança: 17 de março" — Bastante provável, razoável para se comprometer
"95% de confiança: 24 de março" — Muito provável, margem para quase tudo

Qual nível de confiança usar?

Depende das consequências de estar errado:

Baixo risco: 50-70% de confiança está bom
Negócio normal: 85% é a escolha comum
Alto risco: 95% ou mais

A conversa honesta: "Se você precisa de 85% de confiança, a data é 17 de março. Se você precisa de 95% de confiança, é 24 de março. O que importa mais—a data mais cedo ou a certeza?"

4Monte Carlo para Perguntas 'Quando'

Pergunta: "Quando esses 20 itens estarão prontos?"

Método:

Contar itens a completar: 20
Obter dados históricos de throughput (últimas 8-12 semanas)
Executar simulação Monte Carlo
Relatar data no nível de confiança desejado

Exemplo de resultado:

50% de confiança: Concluir até a semana de 4 de março
85% de confiança: Concluir até a semana de 11 de março
95% de confiança: Concluir até a semana de 18 de março

Esta é uma previsão "Quando" — escopo fixo, data variável.

5Monte Carlo para Perguntas 'Quanto'

Pergunta: "Quanto podemos entregar até 31 de março?"

Método:

Calcular semanas até o prazo: 4 semanas
Obter dados históricos de throughput
Simular throughput para 4 semanas, muitas vezes
Relatar contagem de itens no nível de confiança desejado

Exemplo de resultado:

85% de confiança: Pelo menos 20 itens
50% de confiança: Pelo menos 25 itens
15% de confiança: Pelo menos 30 itens

Esta é uma previsão "Quanto" — data fixa, escopo variável.

A conversa de planejamento: "Até 31 de março, estamos 85% confiantes de que podemos completar pelo menos 20 itens. Se você quer 30 itens, precisaríamos estender a data ou adicionar capacidade."

6Aplicação Prática

Começando:

Acompanhar throughput: Contar itens completados por semana por pelo menos 6-8 semanas
Usar uma ferramenta: Planilhas, plugins do Jira, ferramentas especializadas (ActionableAgile, Nave, etc.)
Começar simples: Throughput bruto sem decomposição
Relatar honestamente: Compartilhar intervalos de confiança, não falsa precisão

Melhorando previsões:

Mais dados históricos = melhores previsões
Processos estáveis = faixas mais estreitas
Decompor trabalho em tamanhos similares
Acompanhar precisão e refinar

O que Monte Carlo não resolve:

Novos tipos de trabalho sem histórico
Grandes mudanças de processo (passado ≠ futuro)
Tamanhos de amostra pequenos (lixo entra, lixo sai)
Itens que dependem de fatores externos

Para essas situações, use julgamento junto com os dados.

Monte Carlo torna a incerteza explícita. Isso parece desconfortável no início, mas constrói confiança ao longo do tempo. 'Entregamos na data em que dissemos estar 85% confiantes' supera 'Perdemos outro prazo.'

Bom Uso

Produto pergunta 'Quando podemos ter essas 15 funcionalidades?' Equipe executa Monte Carlo, relata: '85% de confiança até o final de março, 95% até meados de abril.' Conversa honesta sobre trade-offs se segue.

Mau Uso

Equipe tem 3 semanas de dados de throughput e acabou de mudar seu processo. Eles executam Monte Carlo e se comprometem com a data de 85%. Valor preditivo é baixo porque o passado não representa o futuro.