Вопрос «Когда это будет готово?» самый стрессовый в разработке. Традиционный ответ строится на оценках: мы берем часы или Story Points, суммируем их, добавляем буфер на всякий случай и называем дату. И почти всегда ошибаемся. Почему? Потому что разработка — это не конвейер, а процесс с высокой неопределенностью. Кто-то заболел, сервер упал, задача оказалась сложнее.
Метод Монте-Карло предлагает альтернативу. Вместо того чтобы гадать, сколько времени займет каждая конкретная задача, мы используем математическую статистику и исторические данные вашей команды. Это способ сказать заказчику правду, подкрепленную цифрами, а не пустыми надеждами.
Как это работает: Симуляция будущего
Представьте, что вы хотите узнать, сколько времени займет дорога на работу. Вы не пытаетесь угадать длительность каждого светофора. Вы просто вспоминаете свои последние 30 поездок: иногда это занимало 20 минут, иногда 45, а однажды в снегопад — 90.
Монте-Карло делает то же самое с проектом. Алгоритм берет данные о вашей производительности (Throughput) за прошлые периоды и моделирует будущее тысячи раз.
- Симуляция 1: Компьютер предполагает, что в первый день вы закроете 2 задачи (как было 3 недели назад), во второй 0 (как в прошлую пятницу), в третий — 5.
- Симуляция 2: Сценарий меняется случайным образом на основе вашей истории.
- Итог: После 10 000 прогонов алгоритм выдает распределение вероятностей.
Вы получаете не одну дату, а спектр: «С вероятностью 50% мы закончим 10 марта. С вероятностью 85% — 15 марта».
Сравнение подходов к прогнозированию
| Характеристика | Традиционная оценка (Story Points/Часы) | Метод Монте-Карло (Вероятностный прогноз) |
| Основа прогноза | Субъективное мнение и догадки команды о будущем. | Объективные исторические данные о производительности (Throughput). |
| Учет рисков | Добавляется произвольный буфер (например, +20%). | Риски и вариативность уже заложены в историю вашей работы. |
| Результат | Точная дата (которая часто оказывается ложной) | Диапазон дат с уровнем уверенности (например, 85% или 95%). |
| Затраты времени | Высокие. Требует длительных сессий планирования и оценки каждой задачи. | Низкие. Не требует оценки отдельных задач, нужны только данные о закрытых тикетах. |
Два главных вопроса, на которые отвечает Монте-Карло
Этот метод позволяет ответить на два типа вопросов, интересующих бизнес:
1. Сколько задач мы успеем сделать к дате X?
Например, у вас релиз через месяц. Симуляция покажет: «К 1 октября вы успеете сделать от 25 до 35 задач с вероятностью 85%». Это позволяет Product Owner’у заранее отсечь лишнее и не обещать невозможного.
2. Когда мы закончим эти 50 задач?
У вас есть фиксированный объем бэклога. Симуляция скажет: «Есть 85% шанс, что вы закончите работу к 15 апреля». Обратите внимание, мы всегда говорим о проценте уверенности. В профессиональном прогнозировании не бывает 100% гарантий.
Глубокое погружение: Уровень уверенности (Confidence Level)
Самая важная концепция здесь — это уровень уверенности.
Часто, когда менеджеры называют дату, они (неосознанно) называют дату с вероятностью 50%. Это как подбросить монетку. Вы бы сели в самолет, который долетит до пункта назначения с вероятностью 50%? Вряд ли.
Монте-Карло учит нас оперировать уровнем 85% или 95%.
- 50% (Медиана): Оптимистичный срок. Все должно идти идеально.
- 85% (Рекомендуемый): Реалистичный срок. Учитывает большинство типичных проблем и задержек.
- 98%: Пессимистичный срок. Учитывает форс-мажоры.
Разница между датой с 50% и 85% вероятностью — это и есть ваш реальный риск, который нужно закладывать в план.
Резюме: Конец эпохи гадания
Метод Монте-Карло меняет правила игры. Он освобождает команду от мучительных часов игры в «Покер планирования» ради попытки угадать будущее. Вместо того чтобы спорить, весит задача 3 или 5 баллов, вы просто работаете, а статистика делает прогноз за вас.
Это инструмент для зрелых организаций, которые готовы принять факт: будущее нельзя предсказать точно, но им можно управлять с помощью вероятностей.
Часто задаваемые вопросы (FAQ)
Да, в уме это не посчитать. Но вам не нужен суперкомпьютер. Существуют плагины для Jira (например, ActionableAgile) или простые бесплатные Excel-таблицы, куда достаточно выгрузить даты закрытия задач.
Если команда новая, данных нет. Вам придется отработать хотя бы 3–4 спринта или несколько недель, чтобы накопить статистику Throughput. До этого момента любые прогнозы будут пальцем в небо, какой бы метод вы ни использовали.
Нет. Метод работает на основе количества задач (Throughput). Закон больших чисел нивелирует разницу в размерах задач на дистанции. Это позволяет многим командам вообще отказаться от оценок в баллах (#NoEstimates).
Исторические данные станут менее релевантными. Если половина команды уволилась, ваш прошлый Throughput больше не предсказывает будущее. В этом случае нужно накапливать новую статистику.
Абсолютно. Вы можете использовать его, чтобы прогнозировать, сколько задач влезет в следующий Спринт, или чтобы понять дату завершения большого Эпика, который длится несколько спринтов.