Von Bauchgefühl zu gemeinsamer Größenordnung, Unsicherheit und Lieferprognose.
Ein Forecast mit Größenklassen, Annahmen, Unsicherheit und Review-Rhythmus.
Du kannst entscheiden, welche Lieferwahrscheinlichkeit kommuniziert wird und welche Unsicherheiten aktiv reduziert werden müssen.
Forecast regelmäßig mit realen Durchlaufdaten aktualisieren und Annahmen transparent halten.
Wie ordnen sich diese Items relativ zueinander entlang der Größenachse, und wo entstehen Ausreißer oder Cluster, die genauere Diskussion brauchen?
Affinity Estimation gruppiert viele Items schnell relativ und macht Ausreißer sichtbar.
Die Gruppen werden anschließend in kommunizierbare Größenklassen überführt.
In welche Größenklasse fällt jedes Item relativ zu unseren Referenzen, und welche Items sind so groß, dass sie vor Planung geschnitten werden müssen?
T-Shirt Sizing macht Größenordnungen für Team und Stakeholder verständlich, ohne Scheingenauigkeit zu erzeugen.
Für kritische Items werden danach optimistische, realistische und pessimistische Perspektiven ergänzt.
Welche realistische Bandbreite (von optimistisch bis pessimistisch) beschreibt das Schätzobjekt, und welche Risiken treiben die Differenz zwischen den drei Werten?
Three Point Estimation macht Unsicherheit explizit und verhindert eine einzelne scheinbar präzise Zahl.
Die Schätzbereiche können anschließend in eine probabilistische Prognose einfließen.
Mit welcher Wahrscheinlichkeit ist der gewünschte Scope bis zum Stichtag fertig (oder wie viel Scope schaffen wir bis dahin), und welche Annahmen treiben die Verteilung?
Monte Carlo Forecasting übersetzt historische Daten und Unsicherheit in Wahrscheinlichkeiten für Lieferzeit oder Scope.
Der Forecast wird als Entscheidungsgrundlage kommuniziert und regelmäßig aktualisiert.
Die Artefakte bleiben zugeklappt, bis du sie wirklich brauchst.
Kompakte Arbeitsvorlage für Affinity Estimation mit Kontext, Input, Ergebnisartefakten und nächstem Schritt.
# Affinity Estimation Canvas
## Kontext
Wofür wird die Methode eingesetzt?
## Kernfrage
Welche Frage soll am Ende beantwortet sein?
## Input
Welche Daten, Beobachtungen oder Materialien liegen vor?
## Arbeitsfläche
- Bereich 1:
- Bereich 2:
- Bereich 3:
- Beziehungen / Muster:
## Ergebnisartefakte
- Affinity Size Map:
- Grouped Estimates:
- Unclear Items:
## Offene Fragen
- ...
## Nächster Schritt
Owner, Datum, Erfolgssignal.Kompakte Arbeitsvorlage für Monte Carlo Forecasting mit Kontext, Input, Ergebnisartefakten und nächstem Schritt.
# Monte Carlo Forecasting Arbeitsvorlage
## Ziel
Prognostiziert Lieferzeit oder Scope probabilistisch anhand historischer Durchsatz- oder Cycle-Time-Daten.
## Kontext
Wann und wofür nutzen wir diese Methode?
## Input
Welche Daten, Beobachtungen, Entscheidungen oder Materialien liegen vor?
## Durchführung
Kurze Notizen entlang des Runsheets.
## Ergebnisartefakte
- Forecast Percentiles:
- Throughput Dataset:
- Risk Communication:
## Annahmen und offene Fragen
- ...
## Entscheidung / Nächster Schritt
Owner, Datum und Erfolgssignal.