Lieferprognosen mit Monte-Carlo-Simulation: Termine mit Wahrscheinlichkeit zusagen

Eine Monte-Carlo-Simulation prognostiziert Liefertermine, indem sie die Durchsatzzahlen der letzten Wochen tausendfach zufällig neu kombiniert und daraus eine Verteilung möglicher Fertigstellungstermine berechnet. Statt eines einzigen Datums erhalten Sie eine Aussage wie „mit 85 Prozent Wahrscheinlichkeit bis Ende Juli“. Das Verfahren braucht keine Schätzungen in Stunden oder Punkten, sondern nur die Zahl der Einträge, die ein Team pro Woche tatsächlich abschließt.

Dieser Beitrag erklärt das Verfahren an einem durchgerechneten Beispiel, zeigt, welche Daten Sie brauchen, und beschreibt, wie Sie die Aussagen gegenüber Geschäftsführung und Kunden vertreten, ohne ein Datum zu versprechen, das niemand halten kann.

Was ist eine Monte-Carlo-Simulation bei Lieferprognosen?

Eine Monte-Carlo-Simulation spielt die Zukunft eines Vorhabens viele tausend Mal durch, jeweils mit zufällig gezogenen Werten aus der Vergangenheit. Der Name geht auf das Verfahren zurück, das Nicholas Metropolis und Stanislaw Ulam 1949 in einer Veröffentlichung zur Monte-Carlo-Methode beschrieben. In der Softwareentwicklung und im Projektgeschäft verbreiteten es unter anderem Troy Magennis und Daniel Vacanti, dessen Buch „Actionable Agile Metrics for Predictability“ 2015 erschien.

Die Simulation arbeitet so: Sie kennen den Durchsatz Ihres Teams, also die Zahl der abgeschlossenen Einträge pro Woche, aus den vergangenen zwölf Wochen. Für eine Simulation wählt der Rechner für jede kommende Woche zufällig einen dieser zwölf Werte aus, addiert die Wochen so lange, bis der Rückstand abgearbeitet ist, und merkt sich die Zahl der benötigten Wochen. Das wiederholt er zehntausend Mal. Aus den zehntausend Ergebnissen entsteht eine Verteilung: In so und so vielen Läufen war das Team nach neun Wochen fertig, in so und so vielen nach zehn.

Das Ergebnis lesen Sie als Perzentile. Das 50. Perzentil nennt die Zahl der Wochen, die in der Hälfte der Läufe reichte, das 85. die Zahl, die in 85 von 100 Läufen reichte. Für die Zusage gegenüber Dritten nutzen Teams meist das 85. oder 95. Perzentil.

Warum sind Durchschnittswerte für Termine gefährlich?

Durchschnittswerte sind gefährlich, weil ein Termin auf dem Durchschnitt in der Hälfte aller Fälle verfehlt wird. Sam Savage, Dozent an der Stanford University, beschrieb das 2009 in seinem Buch „The Flaw of Averages“: Pläne, die auf Durchschnittswerten beruhen, gehen im Durchschnitt schief.

Ein Beispiel zeigt die Größenordnung. Ein Team schließt im Schnitt 4,75 Einträge pro Woche ab, der Rückstand umfasst 40 Einträge. Die Division ergibt 8,4 Wochen, und das Team sagt acht Wochen zu. Die Streuung der Wochenwerte liegt bei etwa 1,45 Einträgen. Nach acht Wochen hat das Team im Mittel 38 Einträge erledigt, und die Wahrscheinlichkeit, 40 oder mehr zu erreichen, beträgt knapp ein Drittel. Zwei von drei Terminen dieser Art werden demnach verfehlt, obwohl jede einzelne Rechnung korrekt aussah.

Dazu kommt, dass Schätzungen in Stunden oder Story Points oft hinter dem tatsächlichen Verlauf zurückbleiben, weil sie Wartezeiten, Unterbrechungen und Nacharbeit nicht enthalten. Der Durchsatz dagegen misst, was nach allen diesen Einflüssen tatsächlich fertig wurde.

Wie rechnet man eine Lieferprognose durch?

Sie rechnen eine Lieferprognose in fünf Schritten durch, vom Erfassen der Abschlüsse bis zur Zusage mit Wahrscheinlichkeit.

1. Durchsatz erfassen: Zählen Sie für jede der letzten zehn bis zwanzig Wochen, wie viele Einträge das Team abgeschlossen hat. Ein Eintrag zählt, wenn er die Definition of Done erfüllt.
2. Rückstand zählen: Ermitteln Sie die Zahl der Einträge, die für das Ziel fehlen. Schneiden Sie sie auf eine ähnliche Größe, damit das Zählen aussagekräftig ist.
3. Zuwachs einrechnen: Wenn ein Rückstand erfahrungsgemäß wächst, weil Einträge sich beim Bearbeiten teilen, rechnen Sie eine Zuwachsrate ein. Wächst die Liste typischerweise um ein Fünftel, rechnen Sie mit 48 statt 40 Einträgen.
4. Simulation laufen lassen: Eine Tabellenkalkulation genügt für die Berechnung, ebenso ein kleines Skript oder eines der frei verfügbaren Werkzeuge der Community.
5. Perzentile ablesen: Nennen Sie das 50., 85. und 95. Perzentil mit der Wahrscheinlichkeit dazu.

Die Werte sind eine Näherung mit Mittelwert und Streuung der zwölf Wochen aus dem Beispiel. Eine echte Simulation über die Rohdaten liefert ähnliche Größenordnungen und zusätzlich die Form der Verteilung, die bei seltenen Ausreißern abweicht. Der Zuwachs von 40 auf 48 Einträge verschiebt die Zusage um zwei Wochen, ein Hinweis darauf, wie viel Gewicht die Qualität der Zählung hat.

Wann ist eine Monte-Carlo-Prognose zuverlässig?

Eine Monte-Carlo-Prognose ist zuverlässig, wenn vier Bedingungen erfüllt sind: Der Durchsatz der Vergangenheit gilt auch für die Zukunft, die Einträge sind ähnlich groß, das Team bleibt weitgehend stabil, und die Zahl der gleichzeitig bearbeiteten Einträge schwankt nicht stark. Die Verbindung zwischen Durchlaufzeit, Durchsatz und begonnener Arbeit beschrieb John Little 1961 mit dem nach ihm benannten Gesetz: Die durchschnittliche Zahl der Einträge im System entspricht dem Durchsatz mal der durchschnittlichen Durchlaufzeit. Wer die Arbeit im Fluss begrenzt, macht seine Prognose stabiler. Der Beitrag zu Work in Progress begrenzen zeigt, wie das gelingt.

Die Prognose verliert ihre Aussagekraft, wenn sich die Lage grundlegend ändert: ein Team wächst oder schrumpft, die Art der Arbeit wechselt, oder eine externe Abhängigkeit verzögert die Fertigstellung. In diesen Fällen setzen Sie die Datenbasis neu auf und rechnen mit den Wochen seit der Änderung.

Monte-Carlo oder Schätzung: Was passt zu welcher Lage?

Die Simulation passt zu Teams, die stetig liefern und eine Historie haben, die Schätzung zu neuen Vorhaben ohne Datenbasis. Die beiden Verfahren schließen einander nicht aus: Für ein neues Vorhaben beginnen Sie mit einer groben Schätzung der Zahl der Einträge und ersetzen sie durch Messwerte, sobald das Team einige Wochen geliefert hat.

Wie vertreten Sie Prognosen gegenüber Geschäftsführung und Kunden?

Sie vertreten eine Prognose, indem Sie die Wahrscheinlichkeit zur Entscheidungsgrundlage machen: Die Geschäftsführung wählt das Risiko, und das Team nennt das Datum dazu. Eine Zusage zum 85. Perzentil bedeutet, dass in 15 von 100 vergleichbaren Fällen mehr Zeit nötig wäre. Wer diese Zahl offen nennt, verlagert die Diskussion vom Datum auf das Risiko und auf die Frage, ob der Umfang oder das Budget angepasst werden kann, wenn ein früherer Termin gefordert ist.

Das hilft auch bei Verträgen und Festterminen. Bei einem Vorhaben mit hohen Folgekosten bei Verspätung wählen Sie das 95. Perzentil und halten Umfang als variablen Anteil bereit, wie es der Beitrag zu agilen Festpreisprojekten beschreibt. Die Prognose ergänzt die Planung über viele Teams: Für Termine, die von mehreren Teams abhängen, lesen Sie zusätzlich den Beitrag zur Release-Planung.

Welche Fehler treten bei Prognosen am häufigsten auf?

Am häufigsten treten vier Fehler auf. Erstens verwenden Teams zu wenig Historie, etwa nur drei Wochen, und die Verteilung bildet das Muster nicht ab. Zweitens zählen sie Einträge unterschiedlicher Größe als gleichwertig, ohne die größten aufzuteilen. Drittens fließt Arbeit in die Zahl ein, die später verworfen wird, sodass der Durchsatz höher erscheint als der Nutzen. Viertens wird die Prognose einmal erstellt und nie aktualisiert, obwohl neue Wochen die Aussage verbessern würden. Eine Aktualisierung nach jeder Woche ist mit wenig Aufwand möglich, und die Abweichung zwischen Prognose und Wirklichkeit zeigt früh, ob ein Vorhaben aus dem Takt gerät. Als Frühwarnsystem liefern Flow Metrics die Messgrößen dazu.

Prognosen steuern mit Niehues Consulting

Niehues Consulting ist eine Beratung für KI-Management und Organisationsdesign aus der Lieferperspektive mit Sitz in Düsseldorf. Gründer Marin Niehues baut Organisationen, die liefern, in Projekten von VC-finanzierten Scaleups bis zu DAX-40-Konzernen und in über 20 Ländern auf sechs Kontinenten. Im Leistungsfeld Delivery Management und Organisationsdesign steuert er Lieferung als Delivery Manager, Projektmanager oder Product Owner.

Das Vorgehen folgt dem Niehues Delivery Model. Für Lieferprognosen zählen zwei Prüffragen besonders: Was ist der Ausgangswert, und woran messen wir den Erfolg? Wer verantwortet den Betrieb ab dem ersten Tag? Daraus folgt, dass Datenerfassung und Prognose in die laufende Steuerung des Teams gehören und dort jede Woche aktualisiert werden. Den Einstieg bildet eine kostenfreie Erstberatung von 30 Minuten, die Sie über den Kontakt vereinbaren. Umfang und Konditionen eines Vorhabens werden in der kostenfreien Erstberatung besprochen.