Как это работает

Берётся историческая пропускная способность команды - сколько задач или SP она завершает за неделю.

Модель многократно «проигрывает» сценарии, каждый раз случайно выбирая одно из исторических значений скорости. После тысяч прогонов формируется распределение потенциальных сроков: не одно число «когда закончим», а вероятностное распределение - например, «с 90 % вероятностью завершение не позднее X недель».

Такой подход учитывает реальную волатильность работы, а не идеализированную.

Чем это полезно управленцу

Даёт диапазон и уверенность, а не точную, но ложную дату.

Позволяет осознанно управлять рисками: если «безопасный» сценарий выходит за дедлайн, можно регулировать scope или ресурсы заранее.

Доказательно общаться со стейкхолдерами: «95%-й сценарий» воспринимается иначе, чем «нам кажется, что успеем».

⚠️ На что обратить внимание

Исторические данные должны быть адекватными: задачи должны быть декомпозированы и сопоставимы по масштабу.

Если команда работает одновременно над несколькими потоками, реальная скорость может отличаться от истории — модель это покажет, но интерпретацию нужно делать аккуратно.

Принцип простой: чем качественнее входные данные — тем точнее прогноз.

🧰 Как применить у себя

Соберите данные throughput минимум за 7–26 недель.

Декомпозируйте задачи так, чтобы они были близки по размеру.

Запустите симуляцию (5–10 тысяч прогонов).

Ориентируйтесь на 85–98%-й уровень уверенности при планировании.

Периодически обновляйте данные - метод становится точнее по мере накопления истории.

А моделировать данные по проекту можно тут: https://rodrigozr.github.io/ProjectForecaster/