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 Story Splitting |  Agile Planning Poker |  Agile Affinity Estimation |
|---|---|---|---|---|
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 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 Schätzungen im Team zu stark auseinandergehen, bringt sie unterschiedliche Erwartungen auf einen gemeinsamen Prüfstand. Sie trennt grobe Komplexität von ungesagten Annahmen. | Wenn viele Aufgaben zügig eingeordnet werden müssen, sortiert sie nach wahrgenommenem Aufwand und Ähnlichkeit. Sie reduziert den Aufwand für Feinschätzung bei großen Mengen. |
Komplexitätunterschiedlich | Hoch | Mittel | Niedrig | Mittel |
Zeitunterschiedlich | 30-90 min Setup, danach laufend | 30-60 min | 2-5 min je Item | 30-90 min |
Teilnehmendeunterschiedlich | 1-8 | 2-6 | 3-9 | 3-12 |
Formatunterschiedlich | Workshop + Async | Workshop + Async | Workshop + Async | Workshop |
Outputunterschiedlich | Forecast Percentiles, Throughput Dataset, Risk Communication | Smaller Stories, Acceptance Criteria, Split Rationale | Relative Estimates, Assumption Notes, Split Candidates | Affinity Size Map, Grouped Estimates, Unclear Items |
Tagskeine Überschneidung | PrognoseFlowDelivery | BacklogIterationDelivery | SchätzungAgilRelative SchätzungTeam | SchätzungBacklogRelative Schätzung |