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 |  Delivery Monte Carlo Forecasting |  Agile Story Splitting |  Agile NoEstimates |
|---|---|---|---|---|
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 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. | Wenn Schätzung mehr bremst als nützt, lenkt sie den Fokus auf Fluss, Kleinteiligkeit und echte Durchlaufzeit. Sie ersetzt Vorhersagezwang durch ein Arbeitsmodell, das schneller liefert. |
Komplexitätunterschiedlich | Mittel | Hoch | Mittel | Mittel |
Zeitunterschiedlich | 30-90 min | 30-90 min Setup, danach laufend | 30-60 min | laufend |
Teilnehmendeunterschiedlich | 3-12 | 1-8 | 2-6 | 2-12 |
Formatunterschiedlich | Workshop | Workshop + Async | Workshop + Async | Workshop + Async |
Outputunterschiedlich | Affinity Size Map, Grouped Estimates, Unclear Items | Forecast Percentiles, Throughput Dataset, Risk Communication | Smaller Stories, Acceptance Criteria, Split Rationale | Throughput Data, Flow Forecast, Slicing Rules |
Tagskeine Überschneidung | SchätzungBacklogRelative Schätzung | PrognoseFlowDelivery | BacklogIterationDelivery | SchätzungPrognoseFlow |