Meine Session planen

# Session Brief: Monte Carlo Forecasting

## Ziel
Artefakt: Forecast Percentiles

## Arbeitsfrage
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?

## Kontext
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).

## Setup
- Format: Methoden-Session
- Dauer: 30-90 min Setup, danach 15-30 min pro Forecast
- Modus: Workshop oder async
- Teilnehmende: 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.
- Owner: Ein Analyst (Tech Lead, Flow-Master oder Coach), der Daten zieht und Simulation ausführt
- Beteiligungsmodus: Teamrunde, gemeinsames Arbeiten und Alignment
- Ergebnislogik: Artefakt fertigstellen

## Beteiligungslogik
Nutze die Session für gemeinsames Verständnis. Beiträge werden sichtbar gesammelt, Annahmen werden abgeglichen und offene Unterschiede bleiben im Artefakt nachvollziehbar.

## Ergebnislogik
Die Session arbeitet direkt auf Forecast Percentiles hin. Das Artefakt soll nach der Session teilbar, reviewbar oder weiterverwendbar sein.

## Input
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.

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

## Agenda
1. Phase 1: Forecast-Frage präzisieren (10-15 min)
   Owner: Facilitator
   Aktion: 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%). Hinweis: Unklare Frage erzeugt unklare Antwort. Mehrere parallele Fragen einzeln behandeln. Ohne Vertrauensschwelle keine Aussage. Sammle Beiträge sichtbar, gleiche Annahmen im Team ab und halte Dissens nicht nur mündlich fest. Arbeite direkt im Zielartefakt, statt nur über das Artefakt zu sprechen.
   Output: Forecast Percentiles

2. Phase 2: Datensatz prüfen und säubern (15-20 min)
   Owner: Facilitator
   Aktion: Throughput-Daten der letzten 6-12 Wochen ziehen. Anomalien (Feiertage, Outages) markieren oder ausschließen. Auf Repräsentativität prüfen: passen die Daten zum kommenden Zeitraum. Hinweis: „Garbage in, garbage out“. Datenqualität ist Forecast-Qualität. Bei Strukturwechsel im Team neue Daten sammeln, alte ignorieren. Sammle Beiträge sichtbar, gleiche Annahmen im Team ab und halte Dissens nicht nur mündlich fest. Arbeite direkt im Zielartefakt, statt nur über das Artefakt zu sprechen.
   Output: Throughput Dataset

3. Phase 3: Simulation ausführen (5-10 min)
   Owner: Facilitator
   Aktion: 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. Hinweis: Mindestens 1000 Simulationen, sonst Perzentile zu unscharf. Bei Tools mit eingebauter Funktion auf Verteilungstyp achten (Resampling aus historischen Daten ist Goldstandard). Sammle Beiträge sichtbar, gleiche Annahmen im Team ab und halte Dissens nicht nur mündlich fest. Arbeite direkt im Zielartefakt, statt nur über das Artefakt zu sprechen.
   Output: Risk Communication

4. Phase 4: Perzentile auswerten und kommunizieren (15-20 min)
   Owner: Facilitator
   Aktion: Perzentile berechnen: 50%, 70%, 85%, 95%. Kommunikation als Wahrscheinlichkeitsaussage formulieren: „Mit 85% Wahrscheinlichkeit fertig bis Datum X.“ Annahmen explizit auflisten. Hinweis: Kein Punktwert ohne Wahrscheinlichkeit. „Wir liefern bis 15.06.“ ist falsch, richtig ist „85% Wahrscheinlichkeit bis 15.06.“. Sammle Beiträge sichtbar, gleiche Annahmen im Team ab und halte Dissens nicht nur mündlich fest. Arbeite direkt im Zielartefakt, statt nur über das Artefakt zu sprechen.
   Output: Forecast Percentiles

5. Phase 5: Wöchentlich aktualisieren (10 min pro Woche)
   Owner: Owner
   Aktion: Nach jeder Woche neuen Datenpunkt einpflegen, Forecast neu berechnen. Trend dokumentieren: rückt der 85%-Wert nach vorne oder hinten. Hinweis: Stagnierender oder rückwärtslaufender 85%-Wert ist Frühwarn-Signal. Ursache untersuchen (Scope-Wachstum, Throughput-Einbruch, Item-Verzögerung). Sammle Beiträge sichtbar, gleiche Annahmen im Team ab und halte Dissens nicht nur mündlich fest. Arbeite direkt im Zielartefakt, statt nur über das Artefakt zu sprechen.
   Output: Throughput Dataset

6. Artefakt veröffentlichen (10 min)
   Owner: Owner
   Aktion: Artefakt auf Vollständigkeit prüfen, Ablageort festlegen, Version oder Status setzen und Review-Empfänger benennen.
   Output: Forecast Percentiles

## Abschluss
- Ergebnisartefakt aktualisieren: Forecast Percentiles
- Ablageort, Version und Review-Empfänger festlegen.
- Owner, nächster Schritt und Reviewtermin festlegen.

# Forecast Percentiles: Monte Carlo Forecasting

## Arbeitsfrage
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?

## Kontext
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).

## Beteiligte
- Owner: Ein Analyst (Tech Lead, Flow-Master oder Coach), der Daten zieht und Simulation ausführt
- Teilnehmende: 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.

## Input
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.

## Vorlage
# 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.

## Fertigstellungscheck
- Forecast Percentiles ist vollständig genug für Review:
- Ablageort:
- Version / Status:
- Review durch:
- Nächster Schritt:

## Nächster Schritt
- Ergebnis prüfen
- offene Fragen markieren
- Review oder Entscheidung terminieren