Methoden Seite an Seite ansehen.
Wähle bis zu vier Methoden. Ergänze sie über die Suche und teile den Vergleich über seinen Link.
| Kriterium |  Agile Affinity Estimation |  Engineering Kanban |  Delivery Monte Carlo Forecasting |  Agile Story Splitting |
|---|---|---|---|---|
Zweckunterschiedlich | Wenn viele Aufgaben zügig eingeordnet werden müssen, sortiert sie nach wahrgenommenem Aufwand und Ähnlichkeit. Sie reduziert den Aufwand für Feinschätzung bei großen Mengen. | Wenn Arbeit parallel in zu vielen Strömen steckt, leidet Durchsatz und niemand sieht die Engpässe. Kanban macht den Fluss von Arbeit sichtbar und begrenzt Überlast so, dass ein System ruhiger und vorhersagbarer wird. | Wenn Liefertermine unsicher sind und Einzel-Schätzungen zu viel Sicherheit vortäuschen, zeigt Monte Carlo Forecasting die Bandbreite plausibler Enddaten. Historische Flussdaten werden so nutzbar, dass Risiko, Wahrscheinlichkeit und Erwartungswert sauber auseinanderhalten bleiben. | Wenn eine Story zu groß für einen sauberen Fluss wird, zerlegt sie Umfang entlang von Wert und Risiko. Sie bringt Arbeit in eine Form, die früher lieferbar und leichter prüfbar ist. |
Komplexitätunterschiedlich | Mittel | Mittel | Hoch | Mittel |
Zeitunterschiedlich | 30-90 min | Ongoing | 30-90 min Setup, danach laufend | 30-60 min |
Teilnehmendeunterschiedlich | 3-12 | 2-12 | 1-8 | 2-6 |
Formatunterschiedlich | Workshop | Workshop + Async | Workshop + Async | Workshop + Async |
Outputunterschiedlich | Affinity Size Map, Grouped Estimates, Unclear Items | Kanban Board, WIP Policies, Flow Metrics | Forecast Percentiles, Throughput Dataset, Risk Communication | Smaller Stories, Acceptance Criteria, Split Rationale |
Tagskeine Überschneidung | SchätzungBacklogRelative Schätzung | FlowVisuelles ManagementDelivery | PrognoseFlowDelivery | BacklogIterationDelivery |