Что такое Forecast?

Forecast (прогнозирование) — это процесс оценки и предсказания будущих результатов с использованием исторических данных, статистических моделей и экспертных суждений. В контексте бизнеса и разработки программного обеспечения прогнозирование помогает командам и руководителям принимать обоснованные решения о сроках поставки, объёмах продаж, распределении ресурсов и планировании спринтов.

Прогнозирование — это не гадание на кофейной гуще, а дисциплинированный подход к работе с неопределённостью. В отличие от жёстких планов и обещаний, прогноз признаёт, что будущее вероятностно, и стремится дать диапазон возможных исходов с различной степенью уверенности.

В Agile и Kanban прогнозирование играет особую роль: вместо того чтобы полагаться на оценки в story points или часах, команды используют исторические данные о throughput (пропускной способности) и [cycle time](/ru/cycle time) (времени цикла) для создания вероятностных прогнозов, которые гораздо надёжнее традиционных оценок.

Прогнозирование решает одну из главных проблем в управлении проектами и бизнесе: неопределённость будущего. Без прогнозов организации принимают решения вслепую, что приводит к перерасходу бюджетов, срыву сроков и потере конкурентных преимуществ.

Основные цели прогнозирования

• Планирование ресурсов: определение необходимого количества людей, оборудования и бюджета для достижения целей
• Управление ожиданиями: предоставление стейкхолдерам реалистичной картины возможных сроков и результатов
• Раннее выявление проблем: обнаружение отклонений от плана до того, как они станут критическими
• Принятие стратегических решений: обоснование выбора между альтернативными направлениями развития
• Снижение рисков: идентификация потенциальных угроз и подготовка планов реагирования
• Оптимизация запасов: для производственных компаний — сокращение излишков и дефицита товаров

Существует два основных подхода к прогнозированию, каждый из которых имеет свои преимущества и ограничения.

Количественные методы

Количественные методы основаны на числовых данных и математических моделях. Они наиболее надёжны, когда есть достаточный объём исторических данных.

Метод скользящего среднего: усредняет данные за определённый период для сглаживания краткосрочных колебаний. Например, если команда завершила за последние 6 спринтов 12, 15, 10, 14, 13, 16 задач, скользящее среднее throughput составит 13,3 задачи за спринт.

Метод экспоненциального сглаживания: придаёт больший вес последним наблюдениям, что делает прогноз более чувствительным к недавним трендам.

Метод Монте-Карло: многократно моделирует будущие сценарии на основе исторического распределения данных. Это наиболее мощный метод для Agile-команд, так как он даёт вероятностный диапазон прогнозов (например, "С вероятностью 85% мы завершим эти 50 задач за 4-6 спринтов").

Регрессионный анализ: выявляет зависимости между переменными и позволяет строить прогнозы на основе этих зависимостей.

Качественные методы

Качественные методы полезны, когда исторических данных мало или они неприменимы (новый продукт, новый рынок, значительные изменения в команде).

Метод Дельфи: группа экспертов независимо даёт оценки, которые затем анонимно обсуждаются и уточняются в несколько раундов до достижения консенсуса.

Экспертные оценки: опытные специалисты на основе своих знаний и интуиции оценивают вероятные результаты.

Метод аналогий: прогноз строится на основе сравнения текущей ситуации с похожими случаями из прошлого.

Опросы команд продаж и маркетинга: сбор субъективных оценок от людей, непосредственно взаимодействующих с клиентами и рынком.

Прогнозирование в контексте Agile и Kanban существенно отличается от традиционного подхода к планированию. Вместо детерминированных планов ("Мы закончим точно 15 марта") используются вероятностные прогнозы ("С вероятностью 85% мы закончим между 10 и 22 марта").

Прогнозирование на основе Throughput

Throughput (пропускная способность) — количество элементов работы, завершённых за единицу времени (обычно за спринт или неделю). Используя исторические данные о throughput, можно прогнозировать, когда будет завершён определённый объём работы.

Пример: у команды есть 40 задач в бэклоге. За последние 10 спринтов throughput составлял от 8 до 14 задач за спринт. С помощью симуляции Монте-Карло можно определить:

• С вероятностью 50%: 3 спринта
• С вероятностью 85%: 4 спринта
• С вероятностью 95%: 5 спринтов

Прогнозирование на основе Cycle Time

[Cycle Time](/ru/cycle time) (время цикла) — время от начала работы над элементом до его завершения. Используя историческое распределение cycle time, можно прогнозировать, когда будет завершена конкретная задача.

Пример: исторические данные показывают, что 85% задач команды завершаются за 5 дней или менее. Следовательно, можно с 85%-ной уверенностью сказать, что новая задача аналогичного размера будет завершена в течение 5 рабочих дней.

Метод Монте-Карло для Agile-команд

Симуляция Монте-Карло — это золотой стандарт прогнозирования в Agile. Алгоритм работает следующим образом:

1. Собираются исторические данные о throughput команды (например, за последние 12 спринтов)
2. Программа многократно (обычно 10 000 раз) случайным образом выбирает значения throughput из исторических данных
3. Для каждой симуляции рассчитывается, сколько времени потребуется для завершения заданного объёма работы
4. Результаты агрегируются в вероятностное распределение

Этот метод учитывает естественную вариативность работы команды и даёт гораздо более реалистичные прогнозы, чем точечные оценки.

В коммерческом контексте forecast продаж — это оценка будущих объёмов продаж на основе текущей воронки, исторических данных и рыночных тенденций.

Ключевые элементы forecast продаж

• Pipeline (воронка продаж): текущие сделки на разных стадиях переговоров
• Коэффициенты конверсии: исторический процент сделок, переходящих с одной стадии на следующую
• Средний размер сделки: типичная выручка от одной закрытой сделки
• Цикл продажи: среднее время от первого контакта до закрытия сделки
• Сезонность: периодические колебания спроса, связанные со временем года или деловыми циклами

Горизонты прогнозирования

• Краткосрочный (1-3 месяца): высокая точность, основан на текущей воронке и обязательствах
• Среднесрочный (3-12 месяцев): средняя точность, учитывает тренды и сезонность
• Долгосрочный (1-5 лет): низкая точность, опирается на стратегические сценарии и макротренды

Прогнозирование — сложный процесс, и команды часто допускают ошибки, которые снижают его точность.

Когнитивные искажения

• Оптимистическое смещение: систематическая тенденция прогнозировать лучшие результаты, чем реально достижимо
• Якорение: чрезмерная привязка к первоначальной оценке, игнорирование новых данных
• Эффект планирования: недооценка времени и ресурсов, необходимых для выполнения задач
• Групповое мышление: команда приходит к консенсусу слишком быстро, не рассмотрев альтернативные сценарии

Методологические ошибки

• Недостаточно данных: прогноз на основе 2-3 спринтов статистически ненадёжен, нужно минимум 8-10 точек данных
• Игнорирование вариативности: использование только средних значений без учёта разброса данных
• Смешивание типов работ: прогнозирование без разделения на баги, фичи и технический долг
• Игнорирование внешних факторов: праздники, отпуска, организационные изменения

Современные команды используют специализированные инструменты для автоматизации прогнозирования:

• ActionableAgile Analytics — специализированный инструмент для вероятностного прогнозирования на основе данных из Jira и Azure DevOps
• Nave — аналитическая платформа для Kanban-метрик и прогнозирования
• Jira — со встроенными отчётами и плагинами для прогнозирования
• Электронные таблицы — для простых моделей прогнозирования методом Монте-Карло
• Power BI / Tableau — для визуализации и анализа данных прогнозирования

Для повышения точности и полезности прогнозов рекомендуется придерживаться следующих принципов:

1. Используйте вероятностные прогнозы вместо точечных: вместо "мы закончим через 3 спринта" говорите "с вероятностью 85% мы закончим за 3-5 спринтов"
2. Регулярно обновляйте прогнозы: прогноз — это живой инструмент, а не одноразовый документ
3. Собирайте достаточно данных: минимум 8-10 точек данных для статистически значимого прогноза
4. Разделяйте типы работы: прогнозируйте баги, фичи и техническую задолженность отдельно
5. Учитывайте вариативность: всегда показывайте диапазон, а не единственное число
6. Валидируйте прогнозы: сравнивайте прогнозы с фактическими результатами и калибруйте модели
7. Визуализируйте данные: используйте scatter plot, гистограммы и [burn-up chart](/ru/burnup chart) для наглядности

Прогнозирование тесно связано с другими метриками и практиками Agile:

• Throughput: основа для прогнозирования объёмов работы
• [Cycle Time](/ru/cycle time): основа для прогнозирования сроков отдельных задач
• [Lead Time](/ru/lead time): прогнозирование полного времени от запроса до поставки
• [WIP](/ru/wip - work in progress): управление работой в процессе для улучшения предсказуемости
• Velocity: метрика Scrum, используемая для грубого прогнозирования
• [Burndown Chart](/ru/burndown chart): визуализация прогресса и экстраполяция тренда
• [Burnup Chart](/ru/burnup chart): визуализация прогресса с учётом изменения объёма работы
• CFD: кумулятивная диаграмма потока для анализа стабильности процесса

Чем forecast отличается от estimate (оценки)?

Estimate (оценка) — это субъективное суждение о размере или сложности работы, обычно делаемое до начала работы. Forecast (прогноз) — это предсказание будущего результата на основе исторических данных и статистических моделей. Оценка говорит "эта задача выглядит на 5 story points", а прогноз говорит "с вероятностью 85% эта задача будет завершена за 3-5 дней". Прогнозы, основанные на данных, как правило, значительно точнее субъективных оценок.

Какой минимальный объём данных нужен для прогнозирования?

Для базового прогнозирования рекомендуется иметь данные минимум за 8-10 спринтов или за 10-12 недель. Чем больше данных, тем надёжнее прогноз. При этом важно, чтобы данные были актуальными: если состав команды или процесс существенно изменились, старые данные могут быть неприменимы.

Можно ли прогнозировать без story points?

Да, и это даже предпочтительнее. Подход No Estimates использует исторические данные о throughput и [cycle time](/ru/cycle time) для вероятностного прогнозирования без необходимости оценки отдельных задач. Главное условие — наличие достаточного объёма исторических данных и относительно стабильный размер элементов работы.

Как часто нужно обновлять прогноз?

Прогноз рекомендуется обновлять как минимум раз в спринт или раз в неделю. При значительных изменениях (смена приоритетов, изменение состава команды, добавление нового объёма работы) прогноз следует обновить немедленно. Чем ближе к дедлайну, тем чаще следует обновлять прогноз.

Что делать, если прогноз показывает, что мы не укладываемся в срок?

Это самая ценная информация, которую может дать прогноз. Варианты действий: 1) Сократить объём работы, убрав менее приоритетные элементы из бэклога. 2) Добавить ресурсы (с учётом того, что новые люди требуют времени на адаптацию). 3) Сдвинуть сроки, если это возможно. 4) Оптимизировать процесс, устранив блокировки и уменьшив WIP. Главное — сообщить стейкхолдерам о ситуации как можно раньше.

Прогнозирование работает только в Kanban?

Нет. Хотя вероятностное прогнозирование наиболее развито в контексте Kanban, оно эффективно работает в любом фреймворке: Scrum, Scrumban, [SAFe](/ru/safe - scaled agile framework) и других. Ключевым требованием является наличие исторических данных о завершении работы, а не конкретная методология.

В чём разница между forecast в продажах и forecast в разработке?

В продажах forecast фокусируется на прогнозировании выручки и количества закрытых сделок на основе текущей воронки и коэффициентов конверсии. В разработке forecast фокусируется на прогнозировании сроков завершения работы и количества элементов, которые команда может доставить за определённый период. Принципы схожи — оба подхода опираются на исторические данные и вероятностные модели, — но метрики и инструменты различаются.