Как прогнозировать сроки задач: от PERT до Монте-Карло
В статье показываем, какие методы прогнозирования сроков работают лучше экспертной оценки и как в Кайтене использовать Монте-Карло на основе реальных данных
Вопрос «когда будет готово?» — один из самых частых и сложных в управлении проектами. Примерная оценка почти всегда оказывается ошибочной. Согласно исследованиям, люди систематически недооценивают сроки задач более чем на 50%. Это происходит, потому что люди привыкли оценивать сроки «на глаз», не учитывая контекста и не применяя никакие дополнительные инструменты.
В статье мы разберем методы прогнозирования длительности одной задачи — от простейших формул до симуляций Монте-Карло — и ответим на вопрос: как правильно определять срок задачи и что в этом может помочь?
Начнем с простого: экспертная точечная оценка
Экспертная точечная оценка — простой и привычный способ спрогнозировать срок задачи, когда исполнитель или менеджер называет конкретное число: например, «сделаем за 5 дней». Метод кажется удобным, потому что не требует данных, расчетов и подготовки. Но именно он чаще всего и подводит: в такой оценке нет ни диапазона, ни вероятности, ни понимания, насколько срок вообще устойчив.
Канеман и Тверски назвали причину систематических ошибок «ошибкой планирования»: люди представляют оптимальный сценарий, и игнорируют статистику аналогичных задач. В экспериментах медианная недооценка сроков часто превышала 50%.
Метод подходит, когда нужно быстро назвать ориентир, но не подходит, если команде важно реально понимать срок и риск отклонения.
Трехточечная оценка: метод треугольного распределения
В этом случае вместо одного срока человек называет 3: оптимистичный (О), наиболее вероятный (М) и пессимистичный (Р). Такой подход лучше отражает реальность, потому что показывает не одну дату, а диапазон возможных исходов. Это способ учесть неопределенность, если исторических данных еще нет.
Прогноз строят так: берут три оценки с равным весом — O, M и P — и считают ожидаемый срок как среднее этих трех значений.
Если взять пример, где O = 3 дня, M = 5, P = 13, то E составит 7 дней. По эффективности это все еще экспертный метод, а не прогноз на данных.
Он уже лучше точечной оценки, потому что заставляет учесть границы задачи, но по точности остается где-то между низкой и средней.
Трехточечная оценка: PERT
PERT разработали в 1958 ВМС США для программы Polaris. В отличие от треугольного распределения, PERT присваивает наиболее вероятной оценке вес в 4 раза больше, чем крайним значениям. Поэтому итоговая оценка получается менее грубой, чем в треугольном распределении.
Ожидаемый срок считается по формуле:
Также в этом случае дополнительно считают стандартное отклонение PERT:
Допустим, команда оценивает задачу так: если все пройдет гладко — 3 дня, скорее всего — 5 дней, если появятся задержки — 13 дней.
Подставляем значения в формулу:
E = (3 + 4×5 + 13) / 6 = (3 + 20 + 13) / 6 = 36 / 6 = 6 дней
Значит, ожидаемый срок по PERT — 6 дней.
Теперь посчитаем примерный разброс:
σ ≈ (13 − 3) / 6 = 10 / 6 ≈ 1,67 дня
Это не значит, что задача точно займет 6 дней. Это значит, что 6 дней — наиболее разумный прогноз, если опираться на 3 сценария, а не на одну оценку. На сравнении кривых как раз видно, что PERT сильнее тяготеет к моде, а треугольное распределение — распределяет вес более грубо.
Процентильный анализ исторического Сycle time
Этот метод используют, когда у команды уже есть завершенные похожие задачи. Вместо экспертных оценок берут Сycle time — фактическое время выполнения — и строят прогноз на реальных данных. Тут команда больше не спрашивает, сколько задача должна занять, а смотрит, сколько такие задачи занимали на практике.
Допустим, у вас есть 20 завершенных задач одного типа. Если 17 из 20 были выполнены за 8 дней или быстрее, значит P85 ≈ 8 дней. Тогда прогноз звучит не как «задача займет 8 дней», а как «с вероятностью 85% такая задача будет выполнена за 8 дней или быстрее».
На диаграмме рассеяния каждая точка — завершенная задача. Горизонтальные линии процентилей дают вероятностный прогноз:
- P50 означает срок, в который укладывается 50% задач,
- P85 — срок, в который укладывается 85% задач,
- P95 — срок, в который укладывается 95% задач.
P85 — рекомендуемый уровень для SLE (Service Level Expectation) в Kanban.
Но у метода есть и важная проверка на устойчивость процесса. Перед тем как доверять процентилям, важно проверить «толстый хвост» распределения:
Если k ≥ 5.6, то распределение считается нестабильным, и процентильный прогноз уже ненадежен. Если k < 5.6, то система достаточно устойчивая, и процентили можно использовать. По надежности это один из самых сильных методов, если данных достаточно.
Байесовское обновление оценки
Метод нужен для промежуточной ситуации, когда данных еще мало, но они уже появляются. Он позволяет не выбирать между «верим эксперту» и «верим истории», а объединить обе вещи в одной оценке.
Ожидаемый срок считается по формуле:
В этой формуле P(θ) — исходное представление о сроке до того, как мы посмотрели на новые данные.
P(data | θ) показывает, насколько вероятны наблюдаемые данные, если средняя длительность действительно равна истинной средней длительности задачи.
А P(θ | data) — уже обновленная оценка после того, как мы учли новые данные.
Если совсем просто, смысл формулы такой:
Новая оценка срока = то, что мы думали раньше, скорректированное фактами.
Рассмотрим на примере:
Допустим, команда изначально считает, что средняя длительность таких задач — 5 дней. Потом появляется 4 завершенные задачи со средним Cycle time 8 дней. Если подставить эти значения в формулу с разумными параметрами неопределенности, итоговая оценка сдвинется вверх, но не сразу до 8 дней: например, примерно к 6,9 дня.
Это хороший метод для раннего этапа, когда 20-30 задач еще не накопились. Если данных мало, априорная оценка защищает от ошибок малой выборки; если данных становится много, экспертная часть постепенно стирается.
Прогноз по аналогичным задачам
Прогноз по аналогичным задачам, или Reference Class Forecasting, помогает выйти из ловушки внутреннего взгляда на задачу. Этот подход полезен, когда своей истории еще мало, но уже есть похожие задачи, на которые можно опереться. Вместо того чтобы оценивать текущую задачу только по ощущениям команды, мы смотрим, сколько в реальности занимали аналогичные задачи раньше.
Логика простая: если похожая работа обычно длится дольше, чем нам кажется сейчас, лучше скорректировать срок заранее, а не надеяться, что в этот раз все пройдет быстрее обычного.
Практическая формула коррекции выглядит так:
Здесь Tref — средний срок по похожим задачам, Tintuitive — интуитивная оценка текущей задачи, r — коэффициент доверия этой оценке.
Как происходит расчет срока:
- Сначала определяется референтный класс — набор завершенных задач, аналогичных текущей (например, тот же тип, примерный размер, та же команда).
- Далее строится распределение длительностей в этом референтном классе.
- Следующий шаг — позиционирование текущей задачи на этом распределении: есть ли основания считать, что она будет быстрее/дольше среднего?
- В конце — корректируется позиция с учетом степени надежности вашей интуиции.
Например, если похожие задачи в среднем занимали 10 дней, а команда интуитивно считает, что текущая задача займет 6 дней. Если взять r = 0.3, получится 10 + 0.3 × (6 − 10) = 8.8 дня. Итоговый прогноз все еще учитывает мнение команды, но заметно охлаждает оптимизм.
Метод Монте-Карло: симуляция для одной задачи
Монте-Карло — это уже не одна формула, а моделирование возможных исходов. Метод берет исторические данные или заданное распределение длительности и прогоняет тысячи случайных сценариев.
Как происходит расчет для одной задачи:
- Нужно собрать исторические Cycle time задач того же типа (минимум 20-30 значений).
- Для каждой из N = 10 000 итераций, случайно выбрать одно значение из исторических данных. Это метод бутстрэпа — выборка с возвратом.
- Далее строится кумулятивная гистограмма результатов.
- В конце рассчитываются процентили: P50, P85, P95.
Формула расчета выглядит так:
В этом случае CTj — реальные cycle time завершенных задач. Здесь используется выборка с возвратом: одно значение может быть выбрано многократно.
Монте-Карло считается одним из самых сильных подходов для прогноза. Но вручную такой расчет почти никто не делает: нужно собрать выборку похожих задач, подготовить данные, прогнать симуляцию и потом еще правильно интерпретировать результат.
В Кайтене можно спрогнозировать срок задачи по этому методу прямо внутри карточки-задачи. Для этого нужно перейти в саму карточку, в раздел «Спросить ИИ».
В списке функций появится кнопка «Спланировать срок». Когда вы запускаете этот сценарий, система анализирует массив похожих карточек и на основе их фактической длительности строит прогноз по методу Монте-Карло.
После этого AI-ассистент подбирает похожие карточки для анализа, смотрит, сколько времени такие задачи реально занимали и проводит симуляцию на основе этой истории.
Результат появляется прямо в карточке, в разделе с комментариями — там же, где команда уже работает с задачей. Он показывает:
- сколько карточек было проанализировано;
- какой метод использовался;
- ожидаемую длительность задачи;
- практическую рекомендацию по сроку.
AI-ассистент прикладывает список карточек, которые использовал в анализе: с ID и названиями. Так можно проверить, на каких задачах основан прогноз и действительно ли они похожи на текущую.
Кроме списка карточек, система показывает и диаграмму вероятности завершения задачи. Так вы сможете не только принять итоговую рекомендацию, но и посмотреть, как именно выглядит распределение вероятностей.
Главная ценность этой функции — сильный метод прогноза становится применимым в повседневной работе. Обычно Монте-Карло не используют из-за сложного анализа: все понимают, что подход хороший, но до ручных расчетов дело не доходит. Но когда такой прогноз встроен прямо в карточку задачи, он становится частью обычного планирования.
Сколько данных нужно для каждого метода
Желательный объем исторических данных, достаточный для достоверной вероятностной оценки одной задачи, — 20-30 завершенных задач того же типа. При таком объеме процентильный анализ Сycle time уже дает надежный прогноз с относительно небольшими усилиями.
В зависимости от исторических данных будет меняться и точность оценки/ прогнозирования каждого метода.
Как работать с текущими данными
Если у вас нет данных (0 завершенных задач): используйте PERT-оценку с 3 экспертными точками. Формула дает реалистичный результат, а стандартное отклонение позволит назвать примерный интервал.
Если у вас 1-10 завершенных задач: примените Байесовский подход — начните с PERT-априори и обновляйте его каждой новой точкой данных. Или используйте Reference Class Forecasting, опираясь на аналогичные задачи.
Если у вас 20–30+ завершенных задач: переходите к чисто эмпирическим методам. Постройте скаттерплот cycle time, проведите линии P50, P85, P95. Проверьте fat-tail коэффициент (P98/P50 < 5.6). Если система стабильна — 85-й процентиль и есть ваш прогноз.
Для критически важных задач: запустите Монте-Карло симуляцию на 10 000 итераций с бутстрэпом из исторических данных. Это даст полное распределение, из которого вы сможете точно назвать вероятность завершения задачи.
Сравнительная таблица: какой метод лучше?
Для удобства собрали всю информацию в таблицу: в ней видно, сколько данных требует каждый метод, насколько он точен и в каких случаях его разумно использовать.
| Метод | Входные данные | Минимальный объем данных | Тип результата | Точность |
|---|---|---|---|---|
| Точечная оценка | Интуиция эксперта | 0 (данные не нужны) | Одно число | Низкая |
| Треугольная | 3 экспертных оценки | 0 | Среднее + σ | Низкая/Средняя |
| PERT | 3 экспертных оценки | 0 | Среднее + σ + доверит. интервалы | Средняя |
| Процентили CT | Исторические cycle times | 20-30 задач | Вероятностный прогноз | Высокая |
| Байесовский | Априори + данные | От 1 (улучшается с каждой) | Апостериорное распределение | Средняя/ Высокая |
| Reference Class | Аналогичные задачи | 10-20 задач в классе | Скорректированное среднее | Высокая |
| Монте-Карло | Историч. данные или распределение | 20-30 задач | Полное распределение | Высокая |
Заключение
Чем сложнее задача и чем больше в ней неопределенности, тем слабее работает оценка в формате одной даты. Поэтому вопрос не в том, нужен ли команде прогноз сроков, а в том, на чем этот прогноз строится.
Если данных еще нет, лучше использовать трехточечную оценку и PERT, чем опираться на одну экспертную цифру. Когда появляется история похожих задач, надежнее смотреть на фактический Cycle time, процентили и устойчивость процесса. А если нужен вероятностный прогноз на реальных данных, одним из самых сильных методов остается Монте-Карло.
Прогноз по Монте-Карло можно получить прямо внутри карточки, нажав на кнопку «Спланировать срок». Попробуйте на своей задаче и сравните интуитивную оценку с прогнозом на основе похожих карточек.
