Forecasting (previsión de entrega)

Estimar CUÁNDO se completará un alcance de trabajo, a partir de datos históricos de entrega en vez de opinión.

Los métodos probabilísticos (como la simulación Monte Carlo) generan un rango de fechas con su probabilidad asociada, en vez de una fecha única y falsamente precisa.

Es más fiable cuanto más histórico real tiene el equipo — con pocos Sprints, cualquier forecast es poco robusto y debe comunicarse con ese matiz.

Sustituye a la práctica de comprometerse con una fecha basada en intuición o presión comercial, sin datos que la respalden.

Se aplica igual a nivel de una historia ("¿cuándo estará lista?") que de un roadmap completo ("¿cuándo tendremos las 40 historias restantes del release?") — cuanto mayor el lote, más se compensan los outliers y más fiable es la proyección.

Herramientas de flujo (throughput, lead time por elemento) sustituyen aquí a la estimación por puntos: no hace falta estimar el tamaño de cada historia para forecastear, solo saber cuántas se completan por Sprint de media.

Ejemplo

Ejemplo ilustrativo en la app de reservas de un gimnasio: el equipo termina entre 6 y 10 elementos por Sprint. Con una simulación Monte Carlo sobre ese histórico, la previsión para los 30 elementos que quedan es un 50 % de probabilidad de acabar en 4 Sprints y un 85 % de hacerlo en 5 o menos. Así se comunica, en vez de dar una sola fecha.

Preguntas frecuentes

¿Qué es una simulación Monte Carlo?

Una técnica que repite miles de veces el futuro posible usando el histórico real del equipo y da como resultado un rango de fechas con su probabilidad.

¿Hace falta estimar en story points para hacer forecasting?

No. Basta con contar cuántos elementos termina el equipo por semana o por Sprint (el throughput), si los elementos tienen un tamaño parecido.

¿Cuántos datos hacen falta?

Cuantos más, mejor. Con muy pocos Sprints de histórico la previsión es frágil y hay que comunicarlo así.

Términos relacionados

Artículos relacionados

Cursos relacionados