Руководство по управлению проектами · Риски, качество и контроль
Метод Монте-Карло в управлении проектами: разобранный пример
Моделирование Монте-Карло — метод количественного анализа рисков, при котором модель проекта прогоняется тысячи раз, и каждый раз выбираются случайные значения из диапазона возможных длительностей или затрат. Результаты показывают, насколько вероятно, что проект завершится к заданной дате или в рамках заданного бюджета.
Главное
- Моделирование Монте-Карло превращает диапазоны оценок в вероятности для дат и затрат.
- Планы по наиболее вероятным значениям часто имеют низкие шансы на выполнение.
- Используйте результаты P50 и P80 для определения обязательств и резервов.
- Качественные входные данные и корректная логика расписания важнее программного обеспечения.
Зачем использовать моделирование Монте-Карло
Одноточечная оценка скрывает неопределённость. Если у каждой задачи есть диапазон возможных длительностей, сложение «наиболее вероятных» значений обычно даёт дату, которую проект может выдержать лишь с небольшой вероятностью, потому что перерасходы, как правило, больше, чем экономия. Моделирование показывает весь разброс исходов.
- Отвечает на вопросы вроде «насколько мы уверены, что завершим к 30 сентября?»
- Помогает определить размер резервов на непредвиденные обстоятельства по срокам и стоимости; см. план на случай непредвиденных обстоятельств.
- Показывает, какие задачи или риски вносят наибольший вклад в неопределённость.
- Является одним из основных методов количественного анализа в управление рисками проекта.
Как это работает
- Постройте модель: сетевой график или структуру затрат. См. метод критического пути , чтобы проверить логику расписания.
- Замените одиночные оценки диапазонами — часто трёхточечной оценкой (оптимистичная, наиболее вероятная, пессимистичная) — и выберите распределение, например треугольное или PERT (бета).
- При желании добавьте дискретные риски с вероятностью и влиянием, например 30% вероятности задержки на 10 дней.
- Прогоните модель много раз — обычно тысячи итераций. В каждом прогоне выбирается значение для каждой задачи и каждого риска.
- Сведите результаты в гистограмму и кумулятивную кривую (S-кривую).
- Определите уровни уверенности, например P50 и P80, и проанализируйте, какие входные данные определяют результат.
Разобранный пример
В небольшом проекте три последовательные задачи. Оценки даны в рабочих днях:
| Задача | Оптимистичная | Наиболее вероятная | Пессимистичная |
|---|---|---|---|
| A: Проектирование | 8 | 10 | 16 |
| B: Разработка | 15 | 20 | 30 |
| C: Тестирование | 4 | 5 | 9 |
| Итого | 27 | 35 | 55 |
Сумма наиболее вероятных значений даёт 35 дней. Прогон 100 000 итераций с треугольными распределениями дал следующие результаты (ваши значения будут немного отличаться от прогона к прогону):
| Показатель | Результат |
|---|---|
| Вероятность завершить за 35 дней или быстрее | Около 14% |
| P50 (медиана) | Около 39 дней |
| P80 | Около 42 дней |
| P90 | Около 44 дней |
Таким образом, план, построенный на 35 днях, имеет примерно один шанс из семи на выполнение. Если спонсору нужна 80-процентная уверенность, команде следует взять обязательство примерно на 42 дня и держать разницу как резерв по срокам.
Как читать результаты
| Термин | Значение |
|---|---|
| P50 | Вероятность 50% завершить не позже этого значения |
| P80 | Вероятность 80%; часто используется для обязательств и определения размера резервов |
| S-кривая | Кумулятивная вероятность в зависимости от даты или стоимости |
| Диаграмма «торнадо» | Ранжирует входные данные по силе их влияния на результат |
| Индекс критичности | Как часто задача оказывается на критическом пути во всех прогонах |
Типичные ошибки
- Использование слишком узких диапазонов; люди обычно чрезмерно уверены в себе.
- Игнорирование корреляции, например когда одна и та же причина замедлит сразу несколько задач.
- Моделирование расписания с некорректной логикой или отсутствующими зависимостями.
- Представлять результаты как точные факты, а не как оценки, основанные на входных данных.
- Провести анализ один раз и никогда его не обновлять.
Инструменты
Моделирование можно выполнить в электронной таблице с формулами случайных чисел, с помощью надстроек для таблиц или в специализированном ПО для анализа рисков расписания. Некоторые инструменты управления проектами и инструменты прогнозирования в Agile применяют ту же идею к данным о пропускной способности, чтобы прогнозировать, когда будет завершён бэклог; см. пропускная способность.
Бесплатные шаблоны по этой теме
Частые вопросы
Что такое моделирование Монте-Карло в управлении проектами?
Метод, при котором модель проекта прогоняется много раз со случайными значениями из диапазонов оценок, чтобы показать вероятность соблюдения сроков или бюджета.
Что такое оценка P80 в моделировании Монте-Карло?
Значение, которое по результатам моделирования не будет превышено с вероятностью 80%. Обычно используется для обязательств и определения размера резервов.
Сколько итераций нужно для моделирования Монте-Карло?
Обычно тысячи. С ростом числа прогонов результаты стабилизируются; проверьте, что повторные прогоны дают схожие ответы.
Какое распределение использовать для моделирования Монте-Карло?
Для трёхточечных оценок часто используют треугольное распределение и распределение PERT (бета), поскольку они просты и понятны. Если есть исторические данные, используйте их.
Моделирование Монте-Карло — качественный или количественный метод?
Количественный. Он даёт числовые вероятности для таких результатов, как дата завершения и общая стоимость.
Можно ли выполнить моделирование Монте-Карло в Excel?
Да. Можно делать выборки из распределений с помощью формул и повторять расчёт с помощью таблицы данных или использовать надстройку.
Почему моделирование Монте-Карло даёт более позднюю дату, чем план?
Потому что диапазоны оценок обычно смещены в сторону перерасхода, а параллельные пути сходятся, поэтому наиболее вероятный итог редко равен сумме наиболее вероятных длительностей задач.
Что такое диаграмма «торнадо» в анализе Монте-Карло?
Столбчатая диаграмма, ранжирующая входные данные по их влиянию на результат; используется, чтобы найти задачи или риски, которые важнее всего. Это разновидность анализ чувствительности.
Как метод Монте-Карло помогает с резервами?
Разница между плановым значением и выбранным уровнем уверенности, например P80, даёт обоснованный размер резерва по срокам или стоимости.
Используют ли Agile-команды моделирование Монте-Карло?
Да. Многие Kanban- и Scrum-команды делают выборки из исторических данных о пропускной способности, чтобы прогнозировать, сколько элементов они успеют завершить к дате или когда будет готов набор элементов.
Каковы ограничения моделирования Монте-Карло?
Результаты хороши ровно настолько, насколько хороши модель и оценки. Некорректная логика, узкие диапазоны или неучтённые корреляции дают ложно оптимистичные результаты.