Monte Carlo Simulation – Dein Weg zu präzisen Projektprognosen

Das Management oder der Kunde fragen dich, bis wann sie mit dem Produkt deiner Arbeit rechnen können. Und wie viel wird sie das Projekt kosten?
Realistische Aufwandschätzungen für Entwicklungsprojekte sind eine Herausforderung. Wie oft entpuppte sich deine Schätzung im Nachhinein als zu optimistisch?
Mach deine Kunden glücklich: Mit der Monte Carlo Simulation hast du eine Methode, um Projektdauer und -kosten zuverlässiger vorherzusagen.

Bei Monte Carlo denkst du an ein Fürstentum?

Monte Carlo Simulationen (kurz MCS) eignen sich, um zu «berechnen» wie lange ein Entwicklungsprojekt dauert und/oder wie viel das Projekt kostet. Im agilen Requirements Engineering kannst du mittels MCS wahrscheinlichkeitsbasierte Prognosen zum Durchsatz des Projektteams erstellen.
Aus Erfahrung weisst du, wie viele Aufgaben vom Kanban Board dein Projektteam in einem bestimmten Zeitraum erledigt hat. Von der User Story Map kennst du die Anzahl Aufgaben (User Stories) im vorliegenden Projekt. Basierend auf diesen Angaben machst du mit Monte Carlo eine Vielzahl an Zufallssimulationen. Anhand der Ergebnisse ist ersichtlich, wie wahrscheinlich es ist, dass dein Projektteam alle Aufgaben bis zum Endtermin schafft. [1], [2]

User Story Map im agilen Projektumfeld
User Stories und Monte Carlo Simulationen – das passt ! (Bildquelle: Brands&People, unsplash.com)

Her damit Das kann die MCS

Mittels MCS kannst du Unsicherheiten in Projekten beziffern. Anwendung finden MCS auch bei Risikoanalysen in der Versicherungs- und Finanzbranche, sowie für Untersuchungen zu Streuungen von Prozessen und Systemen. [3]

Die MCS bietet folgende Vorteile ✅ [4], [5], [6]:

  • Realistische und zuverlässige Schätzung der Projektkosten
  • Präzise Prognosen wie wahrscheinlich es ist, Meilensteine und Deadlines zu erreichen
  • Quantifizierung von Risiken
  • Methodisches Vorgehen führt zu objektiven Schätzungen
  • Effekte wie unerwartete Probleme, Ferienabwesenheiten etc. werden berücksichtigt
  • Den Stakeholdern aufzeigen, dass der best case nicht der wahrscheinlichste Fall ist

Finger weg Hier eignet sich die MCS NICHT

Eine MCS eignet sich nicht in jedem Fall. Beachte folgende Einschränkungen und Nachteile ❌ [3], [5]:

  • Zu wenig Daten aus vergangenen Projekten
  • Schlechte Qualität der hinterlegten Daten
  • Analyse kann nur so gut sein, wie die Planung der zu bearbeitenden Aufgaben
  • Nur für ein ganzes Projekt oder eine Projektphase geeignet. Wahrscheinlichkeiten für einzelne Aufgaben können nicht zuverlässig berechnet werden

So führst du eine MCS durch

Willst du wissen, wie viel Zeit du für dein Projekt einplanen musst? Liste die Aufgaben auf, welche du im Rahmen des Projekts erledigen musst. Nun machst du für jede Aufgabe eine 3-Punkt-Schätzung [5]:

  • ? Best case (optimistisch): Was ist die kürzeste Durchlaufzeit?
  • ? Middle case (realistisch): Was ist die wahrscheinlichste Durchlaufzeit?
  • ? Worst case (pessimistisch): Was ist die längste Durchlaufzeit?

Nun startet die Simulation. Ein geeignetes Softwaretool kombiniert zufällig eine mögliche Projektdurchlaufzeit. Also wird z.B. für Aufgabe 1 die pessimistische Zeit gewählt und für Aufgabe 2 der best case. Dies wird für alle Aufgaben des Projekts gemacht. So ergibt sich ein möglicher «Pfad» für das Projekt.
Optional kannst du die Wahrscheinlichkeiten unter Beachtung von Chancen und Risiken angeben. Das heisst, du gewichtest die einzelnen Szenarien.
Diesen Prozess wiederholt die Software für ein zuverlässiges Resultat min. 10’000 mal. Alle diese Projektdauern stellst du zur Interpretation in einem Diagramm dar. Es ergibt sich eine Gauss-Verteilung mit der ersichtlich ist, mit welcher statistischen Wahrscheinlichkeit das Projekt nach einer bestimmten Zeit abgeschlossen ist. [5]

Einfach starten, anstatt warten – Ein Beispiel

Angenommen du bist Blogger und willst wissen wie viele neue Blog Beiträge du in den nächsten 3 Monaten veröffentlichen kannst. Zuerst erstellst du folgende Liste, die zeigt, wie viele Beiträge du im letzten Jahr geschrieben hast:

Anzahl Blogbeiträge pro Monat vom letzten Jahr
Tabelle mit Anzahl Blog Beiträgen im letzten Jahr, als Datenbank für die Simulation (Bildquelle: Dario Bracher)

Jetzt stellst du in der 1. Simulation zufällig eine Kombination von 3 Monaten zusammen.
Apr+Aug+Nov = 4+1+2 = 7 Blog Beiträge
Das ist ein möglicher Fall von vielen. Doch wie wahrscheinlich ist dieser Fall? Um das herauszufinden, wiederholst du die Simulation. Hier machen wir das 1’000 mal. So ergibt sich ein Histogramm, das nahe an einer Normalverteilung liegt. Die Daten stellst du tabellarisch oder graphisch dar. [7]

Resultat von 1000 Simulationen. Anzahl Blogbeiträge in 3 Monaten und zugehörige Häufigkeit. Tabelle und Diagramm
Resultat nach 1000 Simulationen in Tabellenform und als Histogramm (Bildquelle: Dario Bracher)

Jetzt kannst du ablesen, dass du durchschnittlich 9 bis 10 Blog Beiträge innert 3 Monaten verfassen wirst. Es besteht also eine 50% Chance, dass du dies schaffst.
Dieselben Daten kannst du kumuliert aufzeichnen.

Kurve der kumulierten Häufigkeit als Resultat aus der Monte Carlo Simulation
Resultat aus der MCS dargestellt als Kumulierte Häufigkeit (Bildquelle: Dario Bracher)

Hier erkennst du beispielsweise, dass du in 12% der Fälle weniger als 6 Blog Beiträge in 3 Monaten schreiben wirst. Und in 10% der Fälle erscheinen mehr als 13 neue Beiträge in 3 Monaten auf deinem Blog. [8]

Weiterführende Links zum Thema

Video: Anwendungen von Monte-Carlo Simulation: die Klassenfahrt | Risk Kit
Blog & Video: Building A Probabilistic Risk Estimate Using Monte Carlo Simulations
Video: Monte Carlo Technique: How to perform Business Simulations & Assess Projects Profitability | Excel

 Quellen

[1] Anwendung der Monte-Carlo-Simulation als Entscheidungsmodell für kommunale Energiekonzepte, Folie 9 ff. (Zugriff: 21.04.2023)
[2] Monte-Carlo-Simulationen für das Lean-Projektmanagement (Zugriff: 21.04.2023)
[3] Risk management, Monte Carlo simulation in cost estimating (Zugriff: 21.04.2023)
[4] Was bedeutet Monte-Carlo-Analyse im Projektmanagement (Zugriff: 21.04.2023)
[5] Project Planning goes Monte Carlo (Zugriff: 23.04.2023)
[6] 4 einfache Schritte zum Erstellen einer Monte-Carlo-Simulation (Zugriff: 23.04.2023)
[7] Was ist eine Monte-Carlo Simulation im Projekt Management (Zugriff: 23.04.2023)
[8] Monte Carlo analysis (Zugriff: 23.04.2023)

Beitrag teilen

Dario Bracher

Dario Bracher bloggt aus dem Unterricht des CAS Requirements Engineering. Als Mechanical Engineer ist er beim Engineering Dienstleister konplan tätig. Er sieht immer wieder Schätzungen, die weit an den effektiven Aufwänden vorbeizielen. Ihn interessiert deshalb, wie man treffende Prognosen erstellt.

Alle Beiträge ansehen von Dario Bracher →

Schreibe einen Kommentar