{"id":38952,"date":"2023-09-05T12:15:01","date_gmt":"2023-09-05T11:15:01","guid":{"rendered":"https:\/\/keepler.io\/?p=38952"},"modified":"2023-11-13T12:26:09","modified_gmt":"2023-11-13T12:26:09","slug":"alcanza-los-objetivos-con-planificacion-probabilistica","status":"publish","type":"post","link":"https:\/\/keepler.io\/es\/2023\/09\/05\/alcanza-los-objetivos-con-planificacion-probabilistica\/","title":{"rendered":"Alcanza los objetivos con planificaci\u00f3n probabil\u00edstica"},"content":{"rendered":"

\u201cNing\u00fan plan sobrevive al contacto con el enemigo\u201d<\/strong>. La frase se le reconoce al Mariscal de Campo von Moltke, apodado el viejo. Mike Tyson dijo lo mismo con su caracter\u00edstica ferocidad: \u201cTodo el mundo tiene un plan hasta que le llega el primer pu\u00f1etazo”<\/strong>.<\/p>\n

Los planes son necesarios, pero deben ser organismos adaptables, vivos<\/strong>. Una vez comprendidos los objetivos de un proyecto o definido el alcance de la pr\u00f3xima release no podemos caer en la trampa de asumir que todo ir\u00e1 seg\u00fan lo planeado, porque no lo va a hacer. El plan debe ser adaptado seg\u00fan se acumule nueva informaci\u00f3n.<\/p>\n

La base de toda planificaci\u00f3n probabil\u00edstica es disponer de un conjunto de datos suficiente y un flujo predecible sustentado en m\u00e9tricas consistentes<\/strong>. Lograrlo es un c\u00edrculo virtuoso, queremos mejores m\u00e9tricas y m\u00e1s fiables, por lo que refinamos las tareas, las dotamos de m\u00e1s detalle, procuramos ajustarnos a nuestra capacidad hist\u00f3rica, lo que lograr\u00e1 que tengamos mejores m\u00e9tricas y as\u00ed sucesivamente.<\/p>\n

La simulaci\u00f3n de Monte Carlo es una t\u00e9cnica estad\u00edstica utilizada para resolver problemas complejos con la generaci\u00f3n de m\u00faltiples muestras aleatorias<\/strong>. Su nombre se inspira en los juegos de azar en el casino de Monte Carlo, se basa en la generaci\u00f3n de n\u00fameros aleatorios. Cuando queremos hacer predicciones basadas en probabilidad necesitamos asumir que hay muchos posibles escenarios que pueden suceder. En esta simulaci\u00f3n, se construye un modelo matem\u00e1tico del sistema que se desea analizar. Luego, se realizan iteraciones repetidas utilizando n\u00fameros aleatorios para simular la variabilidad y la incertidumbre presentes en el problema.<\/p>\n

\"Ejemplo

Fuente: Wikipedia<\/p><\/div>\n

Se basa en medias de throughput<\/em>, su desviaci\u00f3n est\u00e1ndar o t\u00edpica y un conjunto de iteraciones que dan como resultado una estimaci\u00f3n por percentil.<\/p>\n

En un proyecto basta con un nivel de precisi\u00f3n de un d\u00eda, por ello, podemos obtener resultados fiables con una colecci\u00f3n de datos limitada es decir, no importa disponer de un entregable a las 10 de la ma\u00f1ana o a las 12.<\/p>\n

\"Simulaci\u00f3n<\/p>\n

Digamos que tenemos 30 tareas en una nueva funcionalidad. Tenemos una fecha para dentro de un mes, siendo hoy 12 de junio, sabemos que tenemos un 75% de lograrlo para el 12 de julio; si nos queremos arriesgar, podemos asumir un 50% o ser conservadores y considerar un 95% para una semana despu\u00e9s. Al realizar varias simulaciones, podr\u00edamos obtener una media de 12.5 d\u00edas para completar una tarea, con una desviaci\u00f3n est\u00e1ndar de 1.5 d\u00edas. Esto proporciona una estimaci\u00f3n del tiempo probable llevar\u00e1 completar la tarea y tambi\u00e9n informa de la variabilidad en el proceso.<\/p>\n

En resumen, la simulaci\u00f3n de Monte Carlo<\/a> te permite estimar la fecha probable de finalizaci\u00f3n de una tarea<\/strong> basada en la generaci\u00f3n de muestras aleatorias que modelan la incertidumbre en el tiempo de realizaci\u00f3n de dicha tarea.<\/p>\n

Tomando estos datos, debemos hacer seguimiento del progreso de nuestro compromiso para reevaluar la afirmaci\u00f3n inicial<\/strong>, por lo que volveremos a ejecutar la simulaci\u00f3n con frecuencias peri\u00f3dicas y hacer ajustes antes de que se produzca una desviaci\u00f3n o podremos informar de ella a los stakeholders. Una predicci\u00f3n solo tiene en consideraci\u00f3n resultados pasados y, como todo inversor sabe, resultados pasados no garantizan resultados futuros<\/strong>. Es posible que haya bajas en el equipo, bloqueos no identificados, riesgos mal mitigados o cualquier otro devenir que nos invite a replanificar, pero todas las decisiones estar\u00e1n justificadas y argumentadas. Esto es lo que llamamos proceso de toma de decisiones data-driven<\/em><\/a><\/strong>.<\/p>\n

Este modelo iterativo de planificaci\u00f3n probabil\u00edstico es beneficioso, incluso, si nuestras medidas de contenci\u00f3n\/correcci\u00f3n ante un escenario no deseado no terminar\u00e1n por cambiar la tendencia ya que podr\u00edamos comunicarlo con antelaci\u00f3n y permitir una reacci\u00f3n con margen de maniobra. Actuar as\u00ed, utilizando las m\u00e9tricas como ventana de transparencia, fomenta un clima de confianza con el cliente y refuerza nuestra reputaci\u00f3n como profesionales<\/strong>.<\/p>\n

Por lo tanto, la planificaci\u00f3n probabil\u00edstica es la alternativa id\u00f3nea a las cl\u00e1sicas estimaciones en waterfall<\/strong> que consideran el desarrollo como un discurso determinista, lineal y maquinal. Utilizamos los datos generados en el pasado para extrapolar una predicci\u00f3n de lo que puede suceder en el futuro.<\/p>\n

Las simulaciones de Monte Carlo exponen los riesgos que se asumen derivados de la aceptaci\u00f3n de compromisos<\/strong>. Es una planificaci\u00f3n orientada a un ciclo de retroalimentaci\u00f3n para gestionar metas realistas dentro de un entorno \u00e1gil: Planificar, comprobar, reevaluar, replanificar<\/strong>.<\/p>\n

 <\/p>\n

Imagen: Pexels | Engin Akyurt<\/p>\n","protected":false},"excerpt":{"rendered":"

\u201cNing\u00fan plan sobrevive al contacto con el enemigo\u201d. La frase se le reconoce al Mariscal de Campo von Moltke, apodado el viejo. Mike Tyson dijo lo mismo con su caracter\u00edstica ferocidad: \u201cTodo el mundo tiene un plan hasta que le llega el primer pu\u00f1etazo”. Los planes son necesarios, pero deben ser organismos adaptables, vivos. Una […]<\/p>\n","protected":false},"author":134360170,"featured_media":38942,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[303],"tags":[240,304,252],"class_list":["post-38952","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-agile-es","tag-agile","tag-data-driven-es","tag-negocio"],"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/keepler.io\/wp-content\/uploads\/2023\/11\/keepler-montecarlo-simulation-2.jpg?fit=1280%2C450&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p9CeZw-a8g","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts\/38952","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/users\/134360170"}],"replies":[{"embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/comments?post=38952"}],"version-history":[{"count":1,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts\/38952\/revisions"}],"predecessor-version":[{"id":38953,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts\/38952\/revisions\/38953"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/media\/38942"}],"wp:attachment":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/media?parent=38952"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/categories?post=38952"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/tags?post=38952"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}