Teoria prawdopodobieństwa i planowanie projektu

Question

Zarządzam projektem, który musi zostać oszacowany zgodnie z surowymi wymaganiami i specyfikacjami. Z tego powodu, oszacowania dotyczące określonych funkcji i zadań są ustawione jako dyskretne wartości, zamiast tylko jednej wartości dyskretnej (na przykład od 10 do 20, zamiast dokładnie 17).

Jestem ciekawy, jeśli chcę uzyskać przybliżone prawdopodobieństwo ukończenia jakiegoś zadania w najniższym oszacowaniu, jak mam się do tego podejść? Proszę, ze względu na dyskusję, pomiń takie czynniki, jak moje umiejętności oceniania, wykorzystana platforma, itp.

Myślałem o użyciu Poisson distribution, z λ = (low + high)/2, zakładając, że prawdopodobieństwo dla każdego z proponowane wartości są zgodne z prawem rzadkich zdarzeń/rozkładu normalnego. Nie uwzględnia to faktu, że wychodzenie z moich limitów szacunkowych jest bardziej nieprawdopodobne niż prawdopodobne, ale wciąż ...

Co o tym sądzisz i jakie podejście wybierzesz do takiego eksperymentu?

Answer 1

Evidence Based Scheduling

Zasadniczo chodzi o to, aby obserwować, ile potrzeba w zespole do zakończenia zadania podobne do oszacować, jak długo może to potrwać jeszcze przez jednego z nich mają być zakończone.

Answer 2

Poisson został zrobiony tyle razy, z tym samym niskim wskaźnikiem sukcesu. Drugi oparty na dowodach harmonogram, ponieważ sam się koryguje i działa na rzeczywistych danych.

Answer 3

Polecam lekturę Waltzing With Bears autorstwa Toma DeMarco i Tima Listera - przechodzi ona do szacowania harmonogramu na pewną głębokość.

Zgodnie z ogólną zasadą powiedziałbym, że prawdopodobieństwo ukończenia dowolnego projektu w najniższym szacowanym czasie wynosi w przybliżeniu zero. Wynika to zarówno z analizy, którą dają w książce, jak iz osobistego doświadczenia.

Answer 4

Nie sądzę, że masz informacje, aby wykonać to połączenie. Aby to zrobić, musisz wiedzieć, czy krzywa prawdopodobieństwa została znormalizowana (prawdopodobnie) i czy była ona wypaczona (prawie na pewno) oraz jakie były różne wartości statystyczne (średnia, odchylenie standardowe i tak dalej).

Jeśli masz takie, o których nie sądzę, że będziesz pytać. Poza tym twoje umiejętności w zakresie szacowania, założenia, które zrobiłeś i ich dokładność itd. Są czynnikami, z których większość jest bardzo trudna do oszacowania.

Dlatego planowanie oparte na dowodach jest dobre - nie musisz dokładnie wiedzieć, dlaczego rzeczy zajmują określoną ilość czasu, po prostu wiesz, że tak.

Kilka prostych rzeczy, powiedziałbym, warto pomyśleć o:

1) Z mojego doświadczenia wynika, że ​​realne szanse na to są swoje najniższe szacunki są mniej więcej zero. Gówno dzieje się przy projektach oprogramowania, większość ludzi nie jest tak dobra w szacowaniu i wszystko pójdzie nie tak. Jeśli chcesz dobrego oszacowania, idź z tym.

2) Zastanów się bardzo dokładnie, do czego chcesz uzyskać numer. Jeśli zamierzasz przekazać go klientowi lub większości menedżerów, wówczas:

(a) nie zapamiętają zastrzeżeń, nie zapamiętają górnego końca zakresu i nie będą pamiętać prawdopodobieństw lub teoria. Zapamiętają ładną niską liczbę, którą im dałeś, a reszta to tylko "wah wah".

(b) klienci i menedżerowie chcą pewności, więc musisz dać im coś, na co masz pewność. Jeśli przyjmiesz, że twoje oszacowanie jest normalnie rozprowadzane, a masz najlepsze przypadki i najgorsze przypadki, jeśli podasz im średnią z dwóch, spóźnisz się z 50% czasu. Z perspektywy menedżerów to źle. Jeśli chcesz dotrzymać terminu w 95% przypadków, musisz podać średnią + 2 odchylenia standardowe. Ponownie, jeśli chcesz z grubsza oszacować, to najgorszy przypadek jest prawdopodobnie najłatwiejszy do zdobycia.

Zasadniczo obietnica i nadmierna dostawa. Bądź facetem, który nigdy nie przegapi terminów i często dostarcza wcześnie. Nie wymaga to zmiany sposobu pracy, po prostu trzeba zarządzać oczekiwaniami.

Answer 5

Proponuję zastosować szacowanie w trzech punktach. Przypisywanie minimalnego, najbardziej prawdopodobnego i maksymalnego czasu i rodzaju dystrybucji losowej (Pert, Trójkąt, Beta itd. W zależności od cech lub danych historycznych) do każdego zadania w ramach Projektu. Symuluj z Monte Carlo kilka razy (na przykład 5000 razy) i zobacz, co dodaje. Możesz także pójść dalej, włączając element ryzyka (a także korelację między ryzykami, jeśli chcesz), aby uzyskać lepszy obraz tego, co może się wydarzyć. Narzędzie takie jak Palisade @Risk może Ci pomóc.