Maîtriser l’Incertitude avec la Simulation de Monte-Carlo
« Jours/Homme (j/h) » ; « Story Point » ; « Points de fonctions » ; « No estimate », … à l’ère de l’incertitude et de la complexité croissante dans la création de valeurs, les méthodes traditionnelles/agiles d’estimation et de planification peuvent souvent se révéler insuffisantes.
C’est dans ce contexte que la simulation de Monte-Carlo émerge comme une alternative, offrant une nouvelle perspective sur la manière de naviguer dans l’incertitude de la création de valeurs.
Cette technique, empruntée au monde de la physique et de la finance, se révèle être un outil inestimable pour les gestionnaires Agile cherchant à anticiper et à planifier avec précision.
En transformant des données complexes en projections claires, la Simulation de Monte-Carlo permet aux organisations de quantifier les probabilités de réalisation de leurs objectifs, offrant ainsi une vision plus claire du chemin à suivre.
Plongeons ensemble dans les arcanes de la simulation de Monte-Carlo et découvrons comment elle révolutionne la gestion Agile en transformant l’incertitude en une stratégie gagnante.
La Simulation de Monte-Carlo – Définition
La simulation de Monte-Carlo est une technique mathématique et informatique utilisée pour modéliser et comprendre l’incertitude et la variabilité dans des systèmes complexes.
Cette méthode, nommée d’après la célèbre destination de jeux de hasard, repose sur l’idée que des phénomènes aléatoires peuvent être utilisés pour modéliser et résoudre des problèmes variés, en particulier ceux qui sont trop complexes pour des analyses déterministes.
Dans une simulation de Monte-Carlo, un grand nombre de scénarios sont générés en utilisant des entrées aléatoires. Ces scénarios sont ensuite évalués pour obtenir une distribution de résultats possibles. En analysant cette distribution, on peut déduire des probabilités et des tendances, permettant d’obtenir une compréhension plus profonde de la question étudiée.
Cette technique est largement utilisée dans divers domaines, tels que la finance, l’ingénierie, la recherche opérationnelle, la physique, et même dans les sciences sociales. Dans chacun de ces domaines, la simulation de Monte-Carlo aide à évaluer l’impact de l’incertitude et à prendre des décisions éclairées dans des situations où des données précises peuvent être difficiles à obtenir et où les systèmes sont trop complexes pour être modélisés de manière exacte. En résumé, la simulation de Monte-Carlo est un outil puissant pour modéliser la réalité, explorer des scénarios hypothétiques et prendre des décisions fondées sur la probabilité et la statistique dans un contexte d’incertitude.
La simulation de Monte-Carlo, la mal aimé des indicateurs Agile
La simulation de Monte-Carlo est une technique de plus en plus utilisée dans le monde du Lean Management mais encore très (trop) peu utilisée dans le monde l’agilité, notamment au sein des entreprises ayant lancée une transformation agile à l’échelle. On peut même aller plus loin en affirmant, par expérience, que les indicateurs Lean-Agile sont le parent pauvre ders transformations Agile à l’échelle, soit par manque d’expertise dans le domaine, manque d’outil fiable ou tout simplement par manque de volonté politique (mais cela fera l’objet d’un prochain article).
La simulation de Monte-Carlo permet notamment de lancer des simulations sur la probabilité de livraison d’un certain nombre de demande à une date donnée, ainsi que sur le nombre de demande pouvant être réalisé sur une période donnée.
La simulation de Monte-Carlo se basant sur un historique, il est indispensable à une organisation de s’assurer que son historique de données est propre et le processus de création de valeur de développement mis en œuvre est opérationnel et respecté.
La simulation de Monte-Carlo avec Wiveez
Wiveez met à la disposition des organisations la puissance de la simulation de Monte-Carlo, sur le Combien (combien de demandes seront livrées sur une période donnée) et le Quand (A quelle date seront livrées un certain nombre de demande).
La simulation de Monte-Carlo est mise en œuvre sur le backlog des différents tableaux de bord proposés par Wiveez – Product ; Feature ; Label ; Version (Incrément).
Elle est également disponible via une section dédiée, permettant de lancer différentes simulations.
Fig 1 : Simulation de Monte-Carlo Tableaux de bord Wiveez
Fig 2 : Section de gestion de la simulation de Monte-Carlo sous Wiveez
Simulation de Monte-Carlo – QUAND (WHEN)
Fig 3 : Simulation de Monte-Carlo sous Wiveez – When
Concrètement, la simulation de Monte-Carlo utilise des échantillons aléatoires et des statistiques pour simuler une variété de scénarios possibles et leurs résultats.
Pour estimer la date de réalisation de demandes, l’outil commence par analyser les données historiques des projets, telles que la durée passée sur des tâches similaires et les délais de livraison précédents. En se basant sur ces données, la simulation génère des milliers, voire des millions, de scénarios hypothétiques pour le projet en cours.
Chaque scénario est une suite d’événements possible, avec ses propres délais et contraintes, qui prend en compte la variabilité et les imprévus pouvant survenir.
La simulation calcule ensuite la probabilité de chaque scénario et détermine les dates de réalisation probables. Cela permet de produire un éventail de dates possibles avec des probabilités associées, donnant aux gestionnaires une compréhension plus nuancée de quand les demandes pourraient être réalisées.
Ainsi, au lieu de se fier à une simple estimation linéaire ou à une moyenne, la simulation de Monte-Carlo offre une perspective plus riche et plus réaliste, prenant en compte l’incertitude inhérente à tout projet.
Cette approche permet aux gestionnaires de mieux planifier, de préparer des stratégies de mitigation des risques, et d’avoir des attentes plus précises concernant les délais de livraison.
Wiveez offre la possibilité d’affiner ces scénarios de simulation en proposant différents filtres :
- Version(s) – Permet de se baser sur l’historique d’une version en particulier
- Label(s) – Permet d’affiner la simulation sur les données associées à un label (étiquette) particulier
- Feature(s) – Permet de limiter la simulation aux demandes associées à une Feature en particulier, afin de simuler le nombre de demandes pouvant être réalisé sur cette Feature, pour un délai donné
- Période – Permet de définir la période d’historique sur laquelle se basera la simulation de Monte-Carlo. Wiveez propose 3 périodes (1 mois, 3 mois, 6 mois). Au-delà de 6 mois d’historique la mesure peut perdre en fiabilité, en raison notamment de la variabilité inerrante à toute activité de développement (turn-over, réorganisation, revue des processus, …)
- Type de demande – Wiveez vous permet d’affiner votre simulation à un ou plusieurs types de demande particulier. Par exemple, vous pourriez vouloir simuler le temps nécessaire au traitement d’un certain nombre d’anomalie.
La simulation va prendre en compte une date de départ et un nombre de demande à traiter.
Wiveez vous permet ainsi de simuler la probabilité de livraison à une date donnée d’un certain nombre de demande, à 50%, 75%, 85% et 95% de confiance.
Simulation de Monte-Carlo – COMBIEN (HOW MANY)
Fig 4 : Simulation de Monte-Carlo sous Wiveez – How Many
L’utilisation de la simulation de Monte-Carlo pour estimer le nombre de demandes réalisables sur un délai donné suit un principe similaire, mais avec une orientation légèrement différente.
Dans ce cas, la simulation de Monte-Carlo est utilisée pour prédire combien de demandes ou de tâches peuvent être complétées dans un délai spécifique, en tenant compte des variations et incertitudes inhérentes au processus de travail.
Le processus commence par l’analyse des données historiques, telles que le temps moyen nécessaire pour compléter des tâches similaires et les variations observées dans ces durées.
Ensuite, la simulation génère plusieurs scénarios possibles en utilisant des échantillonnages aléatoires. Chaque scénario simule le déroulement du projet sur la période spécifiée, en intégrant des facteurs tels que la variabilité des durées de tâches, les dépendances entre tâches, les ressources disponibles, et d’autres contraintes potentielles.
Pour chaque scénario, le nombre total de demandes ou de tâches complétées est enregistré.
Après avoir simulé des milliers de scénarios, la simulation fournit une distribution des résultats possibles.
Cette distribution peut être analysée pour déterminer la probabilité d’atteindre différents niveaux de productivité. Par exemple, elle peut indiquer la probabilité de compléter 50, 70, ou 100 demandes dans le délai imparti.
Cela permet aux gestionnaires de projet de comprendre non seulement le nombre de demandes qui sont le plus susceptibles d’être réalisées, mais aussi d’évaluer les risques associés à différents objectifs de productivité.
En ayant une vue d’ensemble des résultats probables et de leur variabilité, ils peuvent mieux planifier, allouer des ressources, et gérer les attentes des parties prenantes.
Wiveez offre la possibilité d’affiner ces scénarios de simulation en proposant différents filtres :
- Version(s) – Permet de se baser sur l’historique d’une version en particulier
- Label(s) – Permet d’affiner la simulation sur les données associées à un label (étiquette) particulier
- Feature(s) – Permet de limiter la simulation aux demandes associées à une Feature en particulier, afin de simuler le nombre de demandes pouvant être réalisé sur cette Feature, pour un délai donné
- Période – Permet de définir la période d’historique sur laquelle se basera la simulation de Monte-Carlo. Wiveez propose 3 périodes (1 mois, 3 mois, 6 mois). Au-delà de 6 mois d’historique la mesure peut perdre en fiabilité, en raison notamment de la variabilité inerrante à toute activité de développement (turn-over, réorganisation, revue des processus, …)
- Type de demande – Wiveez vous permet d’affiner votre simulation à un ou plusieurs types de demande particulier. Par exemple, vous pourriez vouloir simuler le nombre d’anomalie pouvant être traité sur une période, afin de mettre en œuvre votre stratégie de réduction de la dette technique.
La simulation se fait sur une période, défini par l’utilisateur. Afin de garder de la cohérence dans la simulation, la période de projection de simulation ne peut être supérieure à la période d’historique utilisée.
Wiveez vous permet ainsi de simuler la probabilité de livrer un certain nombre de demande sur une période donnée à 50%, 75%, 85% et 95% de confiance.
Conclusion
Dans le monde dynamique et souvent imprévisible de la création de valeurs à partir des pratiques Lean-Agile, la simulation de Monte-Carlo se présente comme une bouée de sauvetage face à l’océan de l’incertitude.
Cette méthode, avec son approche fondée sur la probabilité et la simulation, offre une lumière dans le brouillard des estimations et des planifications.
Elle permet aux équipes Agile de transformer l’incertitude, souvent perçue comme un obstacle, en un atout stratégique.
En simulant un large éventail de scénarios possibles et en évaluant leurs impacts potentiels, la simulation de Monte-Carlo aide les équipes à prévoir et à se préparer aux multiples chemins que pourrait prendre un projet.
Cette préparation n’est pas seulement une question de prédiction, mais aussi de flexibilité et d’adaptabilité – des qualités essentielles dans toute méthodologie Agile.
Ainsi, en intégrant la simulation de Monte-Carlo dans leur boîte à outils, les gestionnaires et les équipes Agile peuvent naviguer plus sereinement à travers les défis des estimations et de la planification.
Ils peuvent établir des stratégies mieux informées, allouer des ressources de manière plus efficace, et, finalement, livrer des résultats qui répondent mieux aux attentes des parties prenantes.
En définitive, la simulation de Monte-Carlo n’est pas seulement un outil de gestion de projet ; c’est un catalyseur pour une gestion plus agile, résiliente et réussie.
Mais cela ne peut se faire qu’avec un processus de gestion de la chaine de valeur de développement clair et rigoureux et une qualité de la donnée optimale. Sur ce sujet de la qualité de la donnée, je vous invite à lire mon article « Vous souhaitez mesure ? Commencez par ranger votre chambre ! ».