La méthode de Monte-Carlo dans Jira, expliquée simplement

Monte-Carlo, ça sonne comme un devoir de statistiques. C’est plutôt lancer des dés avec votre propre historique, un grand nombre de fois, et regarder où tombent les résultats.

L’idée en un paragraphe

Vous ne savez pas à quel rythme iront les prochaines semaines. Vous savez à quel rythme sont allées les dernières. Monte-Carlo fabrique des milliers de futurs possibles à partir de ces vraies journées, puis indique à quelle fréquence sort chaque date de fin. Une date qui sort souvent est probable. Une date qui ne sort presque jamais est une promesse risquée.

Un exemple chiffré

Sur les 84 derniers jours, une équipe termine 0, 1, 2 ou 3 tickets par jour, environ 1,5 en moyenne. Il reste 40 tickets. La division donne environ 27 jours, mais cette moyenne cache l’étalement. Sur 10 000 futurs simulés, la moitié se terminent en 27 jours environ, 85 % en 31 jours et 95 % en 34 jours. Ce sont ces deux derniers chiffres qu’il faut annoncer.

Pourquoi c’est mieux que les story points

• Pas de réunion d’estimation : on utilise ce que l’équipe a terminé, pas ce qu’elle a deviné.
• Le risque se voit : l’écart entre la date à 50 % et celle à 95 % mesure l’incertitude.
• Ça s’améliore tout seul : chaque ticket terminé affine la prévision suivante.

Les erreurs classiques

• Mélanger epics et stories, ce qui compte le travail deux fois.
• Prendre une période qui correspond à une autre équipe, ou seulement à des vacances.
• Promettre la date à 50 %. La moitié des futurs la ratent.

Essayez sur votre projet

Clearlane Forecast lance 10 000 simulations dans Jira et affiche les dates probable, raisonnable et en béton sur un seul écran, avec un « et si… » pour tester un périmètre qui change.