Delivery

Monte Carlo Forecasting

Prognostiziert Lieferzeit oder Scope probabilistisch anhand historischer Durchsatz- oder Cycle-Time-Daten.

DeliveryHighBoth30-90 min Setup, danach laufend

Run Sheet öffnen Session planenVergleich starten

Zweck

Lieferprognosen als Wahrscheinlichkeitsverteilung statt als einzelnes Datum kommunizieren.

Funktionsweise

Historische Flow-Daten werden wiederholt simuliert, um mögliche Fertigstellungstermine oder Scope-Ergebnisse zu berechnen.

Visuelle Orientierung

Methodenskizze für ein schnelles Grundgefühl.

Visuelle MethodenskizzeWechselwirkungen, Ursachen und Rückkopplungen verstehen

Signal

Wirkung

Folge

Ursache

Ablauf

1Forecast-Frage formulieren
2Historische Flow-Daten wählen
3Simulationen ausführen
4Perzentile interpretieren
5Forecast regelmäßig aktualisieren

Ideal für

Release Forecasting
Kanban Flow
Liefertermin-Kommunikation

Nicht gut für

Teams ohne Historie
Sehr heterogene Items
Einmalige Großprojekte ohne Vergleichsdaten

Vertiefung

Im Detail

Monte Carlo Forecasting nutzt historische Delivery-Daten, um viele plausible Zukunftsverläufe zu simulieren. Statt eine einzelne Dauer zu schätzen, werden Durchsatz oder Cycle Time zufällig aus beobachteten Daten gezogen und über viele Simulationen aggregiert. Das Ergebnis ist eine Wahrscheinlichkeitsverteilung, etwa eine 50-, 70- oder 85-Prozent-Aussage. Dadurch können Teams Risiko explizit kommunizieren und Forecasts regelmäßig mit neuen Daten aktualisieren.

Einordnung

Die Methode passt für Teams mit ausreichend historischen Flow-Daten und Arbeitseinheiten, die ähnlich genug geschnitten sind. Sie unterstützt Release-Forecasts, Liefertermin-Kommunikation und Scope-Entscheidungen. Sie ist weniger geeignet, wenn Datenqualität schlecht ist, das System gerade stark verändert wurde oder Arbeitspakete extrem unterschiedlich groß sind.

Durchführung

Kläre Systemgrenzen, Datenfenster und Forecast-Frage vorab. Kommuniziere Wahrscheinlichkeiten statt Garantien und zeige Annahmen transparent. Aktualisiere Forecasts regelmäßig und nutze Abweichungen, um Flow-Policies und Slicing zu verbessern.

Output-Artefakte

Forecast PercentilesThroughput DatasetRisk Communication

Quellen

Actionableagile: Aamfp Scrum.org: Getting 85 Agile Metrics Actionableagile Part 1

In Playbooks

Schätzung und Forecasting verbessernVon Bauchgefühl zu gemeinsamer Größenordnung, Unsicherheit und Lieferprognose.

Artefakt-Vorlagen

Monte Carlo Forecasting ArbeitsvorlageKompakte Arbeitsvorlage für Monte Carlo Forecasting mit Kontext, Input, Ergebnisartefakten und nächstem Schritt.

markdown

# 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 Run Sheets.

## Ergebnisartefakte
- Forecast Percentiles:
- Throughput Dataset:
- Risk Communication:

## Annahmen und offene Fragen

- ...

## Entscheidung / Nächster Schritt

Owner, Datum und Erfolgssignal.