Métricas de flujo y forecasting con Montecarlo: previsibilidad basada en evidencia

Ámbito: equipos de Delivery (producto e ingeniería) · Reto: dejar de prometer a ojo y empezar a prever con datos.

El titular: −50% en cycle time y +30% en throughput en Delivery, con la capacidad de responder al cuándo y al cuántos mediante forecasting probabilístico, no estimaciones optimistas.

El reto

Los equipos estimaban a mano y prometían fechas que luego no se cumplían. Sin una lectura real del flujo, cada compromiso era una apuesta: nadie sabía cuánto tardaba de verdad el trabajo en atravesar el sistema, cuánto se acumulaba en curso, ni qué tan probable era llegar a una fecha. El release planning se basaba en intuición, y la intuición fallaba.

El objetivo: instalar una previsibilidad basada en evidencia, para que los equipos pudieran comprometerse con rangos creíbles y mejorar su flujo de forma medible.

Qué hicimos

Métricas de flujo, en vivo (enfoque ProKanban). Pusimos a la vista las cuatro métricas que de verdad explican el delivery:

• WIP (trabajo en curso): cuánto hay abierto a la vez.
• Aging (envejecimiento del WIP): qué ítems llevan demasiado tiempo atascados, antes de que se conviertan en un problema.
• Cycle Time: cuánto tarda un ítem en completarse una vez empieza.
• Throughput: cuántos ítems se entregan por unidad de tiempo.

Estas métricas dejaron de ser un informe que nadie miraba para convertirse en la base de las conversaciones diarias del equipo: gestionar el WIP, atacar el aging y leer las tendencias.

Forecasting con simulación Montecarlo. Sobre los datos reales de throughput, introdujimos simulación Montecarlo para responder a las dos preguntas que importan:

• When — ¿cuándo estará? Probabilidad de entregar un alcance dado en cada fecha.
• How Many — ¿cuántos ítems entregaremos? para una fecha dada.

En vez de una única fecha optimista, los equipos pasaron a manejar rangos probabilísticos ("85% de probabilidad de terminar antes del día X"), mucho más honestos y útiles para planificar.

Release planning basado en evidencia. Con métricas vivas y forecast probabilístico, el release planning dejó de ser un ejercicio de fe. Los compromisos se construyen sobre datos del propio flujo del equipo, y se revisan a medida que el flujo cambia.

Nuestra postura

Las métricas de flujo no sirven para vigilar personas ni para comparar equipos: sirven para que el equipo entienda y mejore su propio sistema. Y el forecasting probabilístico no promete certezas —reconoce la incertidumbre y la cuantifica— que es justo lo que lo hace fiable.

Resultados

• −50% de cycle time en Delivery: el trabajo atraviesa el sistema en la mitad de tiempo.
• +30% de throughput: más entrega sostenida, sin "heroicidades".
• Predicibilidad real: rangos probabilísticos para el cuándo y el cuántos, en lugar de promesas a ojo.
• Release planning con evidencia: planes que se construyen y revisan con datos del flujo, no con intuición.

Lo que nos llevamos

Mejorar el flujo no empieza por trabajar más, sino por ver. Cuando un equipo mide su WIP, su aging, su cycle time y su throughput, y simula su futuro con Montecarlo, deja de discutir opiniones y empieza a tomar decisiones. La previsibilidad fue la consecuencia natural de hacer visible lo invisible.