Methoden Seite an Seite ansehen.
Wähle bis zu vier Methoden. Ergänze sie über die Suche und teile den Vergleich über seinen Link.
| Kriterium |  Delivery Monte Carlo Forecasting |  Agile Affinity Estimation |  Agile Bucket System |  Agile Story Splitting |
|---|---|---|---|---|
Zweckunterschiedlich | 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 viele Aufgaben zügig eingeordnet werden müssen, sortiert sie nach wahrgenommenem Aufwand und Ähnlichkeit. Sie reduziert den Aufwand für Feinschätzung bei großen Mengen. | Wenn eine größere Menge Arbeit schnell grob geschätzt werden soll, verteilt sie Items in vorgegebene Größenräume. Sie spart Diskussion, ohne die Vergleichbarkeit ganz aufzugeben. | 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 | Hoch | Mittel | Mittel | Mittel |
Zeitunterschiedlich | 30-90 min Setup, danach laufend | 30-90 min | 30-90 min | 30-60 min |
Teilnehmendeunterschiedlich | 1-8 | 3-12 | 3-12 | 2-6 |
Formatunterschiedlich | Workshop + Async | Workshop | Workshop | Workshop + Async |
Outputunterschiedlich | Forecast Percentiles, Throughput Dataset, Risk Communication | Affinity Size Map, Grouped Estimates, Unclear Items | Bucketed Backlog, Relative Estimates, Split Candidates | Smaller Stories, Acceptance Criteria, Split Rationale |
Tagskeine Überschneidung | PrognoseFlowDelivery | SchätzungBacklogRelative Schätzung | SchätzungBacklogRelative Schätzung | BacklogIterationDelivery |