点击上方关注，All in AI中国
作者：Ramesh Manickavel
在我的文章"数据科学中项目经理的角色"（ https://dzone.com/articles/role-of-project-manager-in-data-science）发布之后，一些项目经理建议我详细说明满足目标交付承诺的用例。我们将采用模拟技术探索，这是人工智能中令人惊叹的概念之一。定量分析技术（例如蒙特卡罗模拟）可以通过潜在结果的概率分布帮助项目经理做出决策。
蒙特卡洛模拟技术在很大程度上依赖关键变量的随机性来解决问题。除了关键参数，我们还需要了解它们之间的关系以及足够的数据以进一步分析。
要想深入了解程序管理中的蒙特卡罗模拟，此链接可能会有所帮助。（https://www.academia.edu/8939341/Monte-Carlo_Simulation_in_Agile_Project_Estimation_Forecasting_Schedule_and_Required_Velocity）让我们用大多数人熟悉的案例研究使用MS Excel进行一个实验。
案例研究
Shubham是XYZ公司的首席执行官。在发布计划之后，他的团队致力于为客户提供关键功能。Mohit是该公司的项目经理，根据他一直跟踪的风险和工作进度总结，已经确定了在达到目标交付日期方面的挑战：
Mohit：老板，我们可能无法按照我们最初的计划交付所有承诺的项目。
Shubham：这可不是一个好消息。Mohit，你能详细说明一下吗？
Mohit：由于团队正在处理优先需求，我们正在按计划交付高优先级项目，但是基于我们迄今为止消耗的速度和对计划范围的更改，我们在完成剩余的工作方面存在挑战。
Shubham：好的，你有什么建议？
Mohit：让我们将可交付成果分为两个阶段。客户的交易展示所需的所有高优先级项目将按计划交付。我们需要重新规划剩余的工作。
Shubham：这听起来像一个很好的计划。我和项目管理团队还有我们的客户讨论下这个问题。虽然其余项目的优先级相对较低，但我们仍需要提供一个可以交付的日期。你能给你的建议提供一个可靠的计划吗，以确保计划不会影响我们的团队。
Mohit：好的。
可靠的计划意味着更有可能履行对剩余工作的承诺。让我们一起帮助Mohit实施蒙特卡罗模拟的分步指导。Mohit的目标是根据历史速度和相关的随机性寻找乐观和悲观的选择。这个电子表格包含以下步骤的摘要。
步骤1：确定随机数种子
在我们的场景中，因为我们知道最低的速度（Velocity）和最高速度（Velocity），我们可以得出：MIN (最后3次冲刺的实际速度)+RAND()*(MAX(最后3次冲刺的实际速度)-MIN (最后3次冲刺的实际速度))
我们可以选择任何函数（例如添加风险或范围参数），但为了简单起见，选择这个函数作为通常考虑调整大小时涉及的工作、复杂性和不确定性的速度。
步骤2：设置试验
行业标准表明，蒙特卡罗模拟至少有10000次运行。由于我们无论如何都在Excel中进行，因此我们可以进行15000次运行（或更多）。设置一个1至15000的试验列。
步骤3：随机运行
为第一次运行作为种子函数设置速度（Velocity）的另一列（如步骤1中所述）。我们现在有两个15000列，采用运行值填充第一列，第二列填充第一次运行的值。为了随机化所有运行，我们需要遵循以下内容：
•选择值为"1"的单元格（在"Trial"列下）和种子值（在"Velocity"列下）
•按Ctrl + Shift +向下箭头键（我们现在选择了2行×15000列）
•选择数据->假设分析->数据表
•点击"列输入单元格"条目，然后从电子表格中选择任何不包含任何值的单元格
"Velocity"列下的15000个单元格保持随机运行
•如果要频繁刷新数据，请单击文件->选项->公式->工作簿计算->"自动"。
步骤4：绘制直方图
•要绘制频率分布图，我们首先需要bin（bucketizing）
•让bin速度从400到625开始，增量为25
•单击数据->分析->数据分析
•如果没有找到这个，需要通过文件->选项->加载项->管理-> Excel加载项->'Go ' - >启用"分析工具库"来添加它
•单击直方图 ->输入范围（列1至列15000，其中包含"Velocity"的随机值），Bin的范围（Col 1至Col n，其保持bin值为425，... 625）。可以选中其他复选框，将获得bin摘要和直方图，如下所示：
现在，Mohit可以为其首席执行官提供各种选择：乐观的选择（可能有500个故事点(Story Point)，Velocity为33％）或悲观的选择（可能是575个故事点(Story Point)，Velocity为83％）。然后，基于剩余的努力，Mohit可以计算出需要多少额外的sprints。
虽然这个问题听起来很简单，但是为了根据历史速度计算所需的sprints次数，蒙特卡洛模拟构建提供了更好的可能的结果范围和相关概率，特别是当种子函数如上所述正确设置时。
总而言之，蒙特卡罗模拟与行业领域知识结合，识别影响决策的参数，收集相关数据，以及通过大量试验建立适当的实验时是有效的。与任何其他模型一样，这需要恒定的反馈机制来提高预测准确性。
閱讀更多 AI中國 的文章
