Прогнозирование сроков с AI и flow-метриками, которым доверяет бизнес
В растущих компаниях у нас дедлайны часто ставятся сверху. Руководство пообещало клиенту запуск фичи к определённой дате, или маркетинг запланировал кампанию, привязанную к релизу. Команда получает дату и пытается в неё уложиться. Когда не получается (а не получается регулярно), возникает напряжение: бизнес считает, что разработка медленная, разработка считает, что бизнес ставит нереалистичные сроки. Обе стороны по-своему правы, и проблема в том, что разговор о сроках строится на ощущениях, а не на данных.
Почему velocity не помогает
Многие команды у нас используют velocity для прогнозирования: «Мы закрываем 35 story points за спринт, в бэклоге 100 points, значит, три спринта». Проблема в том, что velocity скачет. В одном спринте 35, в следующем 20 (кто-то болел, появился срочный баг в продакшене), в третьем 50 (задачи оказались проще, чем думали). Прогноз на основе средней velocity по трём спринтам может ошибиться на месяц в любую сторону. Руководитель, который планирует по этому прогнозу, получает неприятный сюрприз.
В компаниях, которые быстро растут и набирают новых людей, velocity ещё менее стабильна. Новый разработчик в первые два-три спринта работает медленнее, пока входит в контекст. Если команда выросла с четырёх до семи человек за квартал, velocity прошлых спринтов вообще перестаёт быть ориентиром.
Flow-метрики и вероятностный подход
Cycle time и throughput измеряют реальную скорость работы без субъективных оценок. Cycle time показывает, сколько дней задача проводит в работе от начала до конца. Throughput показывает, сколько задач команда закрывает за неделю. Оба показателя берутся из Jira автоматически.
На этих данных можно строить Monte Carlo-симуляции. Claude или ChatGPT принимают throughput по неделям за последние три месяца и количество задач, которые нужно завершить. Результат: «С вероятностью 50% завершите к 14 апреля. С вероятностью 85% к 28 апреля. С вероятностью 95% к 5 мая».
Для молодого скрам-мастера, который пытается выстроить доверие с руководством, такой формат прогноза работает значительно лучше, чем «мы думаем, три спринта». Бизнес видит коридор с разными уровнями уверенности и может сам выбрать приемлемый риск.
Как это меняет разговор
Допустим, руководство хочет запустить новый раздел мобильного приложения к определённой дате. Раньше разговор выглядел так: «Сделаете к 15 апреля?» «Попробуем». Не сделали. Разочарование.
С вероятностным прогнозом разговор другой. «По нашим данным, 85% вероятности, что всё будет готово к 28 апреля. Если нужно к 15-му, можно сократить scope до минимального набора фич, тогда вероятность 80%». Руководитель принимает решение с открытыми глазами. Если сроки съезжают, это не сюрприз, а осознанный риск, который был обговорён заранее.
Для распределённых команд между Алматы и Астаной вероятностный подход особенно ценен, потому что в таких командах больше переменных: разница во времени, зависимости между людьми в разных офисах, потери на коммуникации. Monte Carlo учитывает эту вариативность автоматически, потому что она уже заложена в исторических данных.
Калибровка прогнозов
Полезная практика: после каждого спринта сравнивать прогноз с реальностью. Загрузить в Claude исходный прогноз и фактический результат, попросить проанализировать расхождение. Если прогнозы стабильно оптимистичны, AI может предложить скорректировать модель. Например, учесть, что команда каждый спринт тратит 15-20% ёмкости на незапланированные задачи (поддержка, срочные баги), и заложить это в расчёт.
Через три-четыре спринта калибровки прогнозы становятся достаточно точными, чтобы руководство начало им доверять. Это, пожалуй, самый ценный результат: скрам-мастер становится человеком, который может дать реалистичный ответ на вопрос «когда?».
С чего начать
Достаточно начать измерять cycle time в Jira. Настройка занимает 15 минут. Через два-три спринта данных хватит для первой Monte Carlo-симуляции. Не нужно отказываться от story points, можно вести оба подхода параллельно и сравнивать точность.
Где развивать навыки
На программе Advanced Scrum Master & Agile Coach разбирают flow-метрики, вероятностное прогнозирование и использование AI для анализа данных. Сертификат ICP-ATF от ICAgile подтверждает эти компетенции и работает у нас и за рубежом. Базовая программа Certified Agile Professional даёт фундамент по Scrum, Kanban и метрикам. Тренинги проходят в Zoom, время удобно для Алматы и Астаны.