Run SheetDeliveryProbabilistic Forecasting

Monte Carlo Forecasting

KomplexitätHigh

Zeit30-90 min Setup, danach laufend

Teilnehmende1-8

FormatBoth

MaturityEstablished

Vorbedingung

Was vorher fertig sein muss

Vorher abschließenKanban

Flow-System mit konsistent gemessenem Throughput oder Cycle Time über mindestens 6-12 Wochen.

Ohne: Ohne historische Daten kann die Simulation keine plausiblen Verteilungen ziehen, Forecast ist Zufallszahl.

Vorher abschließenStory Splitting

Arbeitseinheiten sind ähnlich genug geschnitten, sodass historische Items mit zukünftigen vergleichbar sind.

Ohne: Bei sehr heterogenen Items mischt die Simulation Äpfel mit Birnen, Perzentile werden unzuverlässig.

Vorbereitung

Was vor Start vorliegen muss

Materialien

Throughput- oder Cycle-Time-Dataset als CSV oder Sheet; Monte-Carlo-Tool (Actionable Agile, Throughput Forecaster, Python-Skript, Excel mit Random-Funktionen); Forecast-Fragebogen; Dokumentation für Stakeholder-Briefing.

Personen / Rollen

Ein Analyst (Tech Lead, Flow-Master oder Coach), der Daten zieht und Simulation ausführt; ein Product Owner als Forecast-Auftraggeber; das Team für Annahmen-Plausibilisierung; optional ein Sponsor.

Vorabinfos

Konkrete Forecast-Frage („Wann fertig?“ oder „Wie viel bis Datum X?“); historische Throughput-Daten; Restscope (Item-Anzahl); bekannte Anomalien im Datenfenster (Feiertage, Outages, Hires/Aborts).

Zeitbedarf

30-90 min Setup, danach 15-30 min pro Forecast

Setup

Datenfenster festlegen (Faustregel: mindestens 11 Datenpunkte, typisch 12 Wochen). Anomalien markieren. Tool auf 1000+ Simulationen konfigurieren. Forecast-Frage präzise formulieren (Scope, Stichtag, Wahrscheinlichkeit).

Kernfrage

Die eine Frage, die diese Methode beantwortet

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?

Ablauf

Marker: Phase

Schritt	Dauer	Aktion	Hinweis
1Phase 1: Forecast-Frage präzisieren	10-15 min	Eine von zwei Standardfragen wählen: „Wann ist N Items fertig?“ oder „Wie viel Items bis Datum X?“. Scope und Stichtag fixieren. Vertrauensschwelle festlegen (typisch 70% oder 85%).	Unklare Frage erzeugt unklare Antwort. Mehrere parallele Fragen einzeln behandeln. Ohne Vertrauensschwelle keine Aussage.
2Phase 2: Datensatz prüfen und säubern	15-20 min	Throughput-Daten der letzten 6-12 Wochen ziehen. Anomalien (Feiertage, Outages) markieren oder ausschließen. Auf Repräsentativität prüfen: passen die Daten zum kommenden Zeitraum.	„Garbage in, garbage out“. Datenqualität ist Forecast-Qualität. Bei Strukturwechsel im Team neue Daten sammeln, alte ignorieren.
3Phase 3: Simulation ausführen	5-10 min	Tool mit 1000+ Simulationen starten. Bei „Wann fertig“: pro Simulation Throughput pro Woche zufällig ziehen, kumulieren, bis Scope erreicht. Bei „Wie viel“: pro Woche ziehen, bis Stichtag.	Mindestens 1000 Simulationen, sonst Perzentile zu unscharf. Bei Tools mit eingebauter Funktion auf Verteilungstyp achten (Resampling aus historischen Daten ist Goldstandard).
4Phase 4: Perzentile auswerten und kommunizieren	15-20 min	Perzentile berechnen: 50%, 70%, 85%, 95%. Kommunikation als Wahrscheinlichkeitsaussage formulieren: „Mit 85% Wahrscheinlichkeit fertig bis Datum X.“ Annahmen explizit auflisten.	Kein Punktwert ohne Wahrscheinlichkeit. „Wir liefern bis 15.06.“ ist falsch, richtig ist „85% Wahrscheinlichkeit bis 15.06.“.
5Phase 5: Wöchentlich aktualisieren	10 min pro Woche	Nach jeder Woche neuen Datenpunkt einpflegen, Forecast neu berechnen. Trend dokumentieren: rückt der 85%-Wert nach vorne oder hinten.	Stagnierender oder rückwärtslaufender 85%-Wert ist Frühwarn-Signal. Ursache untersuchen (Scope-Wachstum, Throughput-Einbruch, Item-Verzögerung).

Artefakt

Was am Ende rauskommt

Form

Forecast-Dokument mit Forecast-Frage, Datenfenster, Perzentilen, Verteilung-Chart, Annahmen-Liste, Stand-Datum. Wöchentliches Update mit Trend. Verlinkt mit Flow-Dashboard.

Tool-Alternativen

Actionable Agile (kommerzielles SaaS)
Throughput Forecaster (kostenfreies Excel)
Python mit numpy.random.choice für Resampling
R mit eigenen Simulationsskripten
Custom-Dashboard in Tableau oder PowerBI

Versionierung / Ownership

Pro Forecast-Snapshot mit Datum archivieren. Trend-Tabelle mit Datum, 50%/70%/85%/95%-Werten und Scope-Stand. Bei Frage-Änderung neue Forecast-ID, alte nicht überschreiben.

markdown

Monte Carlo Forecasting Arbeitsvorlage

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 Run Sheets.

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

## Annahmen und offene Fragen

- ...

## Entscheidung / Nächster Schritt

Owner, Datum und Erfolgssignal.

Beispielausgabe

Konkret gefülltes Szenario

monte-carlo-forecasting-beispiel.md

markdown

## Monte-Carlo-Forecast - Webhook-System v1, 2026-05-18

**Forecast-Frage**: Wann ist Release „Webhook-System v1“ (18 verbleibende Items) fertig?

**Datenfenster**: Throughput letzte 12 Wochen, Items/Woche: 5, 7, 6, 4, 8, 6, 5, 7, 6, 5, 6, 7. Median 6, Min 4, Max 8. Keine Anomalien.

**Simulation**: 10.000 Durchläufe, Resampling aus 12 Wochenwerten.

**Perzentile**
- 50%: 3,0 Wochen (08.06.)
- 70%: 3,3 Wochen (10.06.)
- 85%: 3,6 Wochen (12.06.)
- 95%: 4,0 Wochen (15.06.)

**Kommunikation**: „Mit 85% Wahrscheinlichkeit ist Webhook-System v1 bis 12.06. fertig. Bei 95% bis 15.06.“

**Annahmen**: Team-Setup unverändert, keine Tech-Migration, Slicing bleibt diszipliniert, 18 Items werden nicht in größere zerlegt.

**Trend (3-Wochen-Vergleich)**: 85%-Wert war vor 3 Wochen 4,2 Wochen, ist jetzt 3,6 Wochen. Beschleunigung durch besseres Slicing.

Was tun

Scope-Tracking parallel führen. Forecast bei Scope-Änderung neu berechnen. Scope-Growth als separater Frühwarn-Indikator.

Abbruchkriterien

Done-Signale, in unter einer Minute prüfbar

Weniger als 6 Wochen Flow-Daten verfügbar, Resampling-Basis zu klein.

Items variieren stark in Größe, Throughput-Zählung ist nicht aussagekräftig.

Team oder Tech-Stack hat sich kürzlich stark verändert, historische Daten passen nicht.

Stakeholder akzeptiert keine Wahrscheinlichkeitsaussagen, fordert Punktwert.

Scope ist während des Forecast-Zeitraums stark im Fluss, Annahmen halten nicht.

Initiative ist Einzelprojekt ohne Vergleichsdaten, Forecast hätte keine Basis.

Run Sheet durchgearbeitet?

Zum Steckbrief für Zweck, ähnliche Methoden und Quellen — oder direkt zur nächsten Methode im Katalog.

Zum Steckbrief Weitere Methoden