💻 computer science

A Capacity-Aware Parr Model for Agile Projects

Dieses Paper schlägt eine kapazitätsbewusste Refaktorisierung des klassischen Parr-Modells vor, das normalisierte latente Aufwandsnachfrage mit beobachteten oder geplanten Kapazitätstrajektorien integriert, um den agilen Projektfortschritt, die Abschlusszeit und Ressourcendefizite vorherzusagen, ohne eine unbeschränkte Personalbesetzung vorauszusetzen.

Ursprüngliche Autoren: Pedro E. Colla

Veröffentlicht 2026-07-03

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Pedro E. Colla

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie planen eine lange Autoreise. Sie haben eine Karte, die genau zeigt, wie viel Treibstoff Sie in jeder Phase der Reise verbrennen sollten, um pünktlich anzukommen. Das ist das, was traditionelle Softwaremodelle tun: Sie zeichnen eine Kurve und sagen: „Um dieses Projekt abzuschließen, benötigen Sie in der Mitte ein riesiges Team, zu Beginn weniger Leute und am Ende weniger Leute.“

Aber hier liegt das Problem in der realen Welt (besonders in „Agilen“ Software-Teams): Man kann nicht einfach jemanden einstellen, wen man will und wann immer man will. Ihr Unternehmen hat ein festes Team von fünf Personen. Vielleicht können sie nur 40 Stunden pro Woche arbeiten. Die traditionelle Karte sagt: „Sie brauchen nächsten Monat 20 Leute!“ aber Ihr Chef sagt: „Nö, du hast nur fünf.“

Dieses Paper schlägt einen neuen Weg vor, diese Karte zu betrachten. Anstatt die Kurve als strikte Regel für Neueinstellungen zu behandeln, betrachtet es sie als einen verborgenen Hunger nach Arbeit.

Die Kernidee: Der „Hunger“ vs. der „Kühlschrank“

Der Autor, Pedro Colla, schlägt vor, zwei Dinge zu trennen:

Der Hunger (Latente Nachfrage): Dies ist die „Parr-Kurve“. Sie repräsentiert, wie viel Arbeit das Projekt zu einem gegebenen Zeitpunkt natürlicherweise erledigen möchte. Es ist wie ein Magen, der in der Mitte des Tages sehr hungrig wird und am Morgen sowie am Abend weniger hungrig ist.
Der Kühlschrank (Kapazität): Das ist das, was Sie tatsächlich zur Verfügung haben. Vielleicht haben Sie nur ein Sandwich (5 Personen), während der Magen nach einem Steak (20 Personen) verlangt.

Der alte Weg: Die alten Modelle gingen davon aus, dass, wenn die Kurve ein Steak verlangt, man auch ein Steak bekommen muss, sonst scheitert das Projekt. Sie versuchten, die Teamgröße zwangsweise an die Kurve anzupassen.

Der neue Weg (dieses Paper): Das neue Modell sagt: „Okay, das Projekt hat Hunger nach einem Steak, aber wir haben nur ein Sandwich. Wir werden das Sandwich essen. Wir werden so viel erledigen, wie das Sandwich zulässt, aber wir werden nicht so tun, als hätten wir das Steak gegessen.“

Wie es in einfachem Deutsch funktioniert

Das Modell nutzt eine einfache mathematische Formel, um diesen „Hunger“ zu verfolgen. Es stellt drei Fragen:

Wie groß ist die gesamte Mahlzeit? (Gesamtaufwand).
Wie sieht die Hunger-Kurve aus? (Wann ist das Projekt normalerweise am geschäftigsten?).
Was ist heute im Kühlschrank? (Wie viele Leute sind diese Woche tatsächlich verfügbar?).

Es berechnet dann:

Fortschritt: Wie viel der Mahlzeit haben wir diese Woche tatsächlich gegessen?
Die Lücke: Gab es ein „Kapazitätsdefizit“ (wir waren hungrig, hatten aber kein Essen)?
Den Puffer (Slack): Hatten wir überschüssiges Essen im Kühlschrank, das wir nicht essen mussten?

Die Analogie der „Rollierenden Prognose“

Stellen Sie sich vor, Sie fahren Auto und prüfen Ihr GPS.

Altes GPS: „Sie müssen 100 km/h fahren, um um 17:00 Uhr anzukommen.“ (Ignoriert Verkehr oder Tempolimits).
Dieses Modell: „Sie wollen 100 km/h fahren, um um 17:00 Uhr anzukommen, aber das Tempolimit liegt bei 60. Also werden Sie später ankommen. Lassen Sie uns Ihre Ankunftszeit basierend auf den 60 km/h neu berechnen.“

Das Paper testet diese Idee anhand von Daten aus einem echten Softwareprojekt (einem Team von 5–8 Personen, das 22 Wochen lang arbeitet). Sie teilen die Daten in zwei Hälften auf:

Kalibrierung: Sie nutzten die erste Hälfte der Reise, um die „Hunger-Kurve“ an dieses spezifische Team anzupassen.
Vorhersage: Sie nutzten die zweite Hälfte, um zu sehen, ob das Modell die Zukunft vorhersagen kann, basierend nur auf der tatsächlichen Größe des Teams, ohne die Endergebnisse vorher zu kennen.

Was sie herausgefunden haben (und was nicht)

Das Paper ist sehr ehrlich darüber, was es erreicht hat:

Es funktioniert intern: Das Modell konnte den Fortschritt des Teams erfolgreich verfolgen und identifizieren, wann sie „hungerten“ (zu wenig Leute) oder „Reste hatten“ (überschüssige Kapazität).
Es ist einfach: Es versucht nicht zu erklären, warum das Team langsam ist (wie schlechte Kommunikation oder Bugs). Es misst lediglich die Lücke zwischen dem, was das Projekt braucht, und dem, was das Team leisten kann.
Es ist keine magische Kristallkugel: Die Autoren geben zu, dass sie dies nur an einem Projekt getestet haben. Sie können noch nicht behaupten, dass es für jedes Unternehmen auf der Welt funktionieren wird. Sie müssen es an vielen weiteren Projekten testen, um zu beweisen, dass es eine universelle Regel ist.

Das Fazit

Dieses Paper erfindet keine neue Art, Software zu bauen. Stattdessen erfindet es ein besseres Dashboard für Manager.

Es hört auf, Managern zu sagen: „Sie müssen 20 Leute einstellen!“ und sagt ihnen stattdessen: „Das Projekt ist hungrig nach 20 Leuten, aber Sie haben nur 5. Hier ist genau, wie viel langsamer das Projekt dadurch wird, und hier ist genau der Zeitpunkt, an dem Sie fertig sein werden, wenn Sie die Teamgröße bei 5 halten.“

Es verwandelt eine starre mathematische Kurve in ein flexibles Werkzeug, das die Realität begrenzter Ressourcen respektiert.

Technisches Resümee: Ein kapazitätsbewusstes Parr-Modell für agile Projekte

Problemstellung
Klassische Modelle zur Verteilung des Software-Aufwands, wie die Putnam–Norden–Rayleigh (PNR)-Familie und die Parr-Alternative-Kurve, wurden entwickelt, um die Zeitverteilung des Entwicklungsaufwands unter einem impliziten, flexiblen Personalmuster zu beschreiben. In diesen traditionellen Rahmenwerken wird die Personalstärke oft als eine von der Kurve vorhergesagte abhängige Variable behandelt. In agilen Umgebungen (speziell Scrum) ist die Teamkapazität jedoch häufig eine feste, teilweise festgesetzte oder extern durch das Management beschränkte Entscheidung und keine Variable, die durch eine Kurve optimiert werden muss. Die direkte Anwendung klassischer Modelle in diesen Kontexten ist begrenzt, da sie eine Personalnachfrage vorschreiben könnten, die eine Organisation nicht zuweisen kann, oder es versäumen, ein stabiles Team zu berücksichtigen, das vor der Prognose zugewiesen wurde. Bestehende agile Schätzmethoden verlassen sich oft auf Expertenurteil, Story Points oder historische Velocity, verfügen jedoch über keinen Mechanismus, um eine glatte, niedrigdimensionale latente Aufwandsnachfrage mit expliziten Kapazitätsbeschränkungen zu integrieren.

Methodik
Das Paper schlägt eine „kapazitätsbewusste“ Umgestaltung des Parr-Modells vor. Anstatt die Parr-Kurve als obligatorische Personalrichtlinie zu behandeln, definieren die Autoren sie als eine latente Aufwandsnachfrage, die von einer beobachtbaren oder geplanten Kapazitäts-Trajektorie konsumiert werden muss.

Mathematische Formulierung:
Das Modell definiert eine normalisierte, nach der Parr-Verteilung geformte Aufwandsdichte $g_{\alpha,c}(\tau)$ $g_{α, c} (τ)$ , die aus einer logistischen Beziehung abgeleitet ist, wobei $\tau$ $τ$ eine latente Aufwands-Reifeklappzeit darstellt. Die Parameter umfassen:
- $K$ : Gesamtaufwand des Projekts.
- $\alpha$ : Der Formparameter der Kurve.
- $c$ : Eine Ursprungskonstante, die eine nicht-null Beginnsbemessung oder Projektvorbereitung ermöglicht.
- $C(t)$ : Die verfügbare Kapazitätsrate (Aufwand pro Zeiteinheit).

Die effektive Abschlussrate $R(t)$ wird durch das Minimum aus der latenten Nachfrage und der verfügbaren Kapazität bestimmt:
$R(t) = \min \{ C(t), D_{\alpha,c,K}(x(t)) \}$
wobei $D$ die Nachfraterate und $x(t)$ der Anteil der abgeschlossenen Arbeit ist. Diese Formulierung stellt sicher, dass der Fortschritt durch die Kapazität begrenzt wird, ohne die Annahme zu treffen, dass zusätzliche Kapazität die Arbeit automatisch beschleunigt (Vermeidung der Annahme, dass zusätzliches Personal das Projekt immer komprimiert).

Diskrete Sprint-Formulierung:
Für Scrum-Umgebungen wird das Modell an diskrete Zeitschritte (Sprints) angepasst. Der kumulative Fortschritt $x_k$ im Sprint $k$ wird basierend auf dem Minimum aus dem Sprint-Aufwand und der latenten Nachfrage im aktuellen Zustand aktualisiert. Dies ermöglicht die Berechnung der Aufwandsabwicklung auf Sprint-Ebene, des Kapazitätsdefizits ( $\Delta^-$ ) und des Kapazitätsüberschusses ( $\Delta^+$ ).
Kalibrierung und Validierung:
Das Modell wird anhand gewöhnlicher Scrum-Datensätze (Sprintdauer, Personalzuweisung, erfasster Aufwand oder Story Points) kalibriert. Die Parameter $\alpha$ und $c$ werden durch Minimierung der Diskrepanz zwischen dem beobachteten kumulativen Fortschritt und der simulierten Trajektorie des Modells geschätzt.
- Validierungsprotokoll: Das Paper verwendet einen Rolling-Origin-Validierungsansatz. Unter Verwendung eines einzelnen historischen Projekts (103t Story Points, 5424 Stunden, 22 Sprints) wird die erste Hälfte der Daten zur Kalibrierung und die zweite Hälfte zur Validierung verwendet. Das Modell wird gegen einfache Baselines (konstante Velocity, konstante Kapazität und unbeschränkte Parr-Kurve) getestet.
- Sensitivitätsanalyse: Eine Monte-Carlo-Emulation bewertet die Robustheit des Modells gegenüber Variationen im Projektumfang, der Kapazität und den Modellparametern.

Zentrale Beiträge

Kapazitätsbewusste Umgestaltung: Der primäre Beitrag ist die Entkopplung der Parr-Kurve von einer Personalvorschrift. Sie transformiert die Kurve in ein latentes Nachfragesignal, das mit einer externen Kapazitätsbeschränkung interagiert, was die Anwendbarkeit auf agile Teams mit festen oder beschränkten Ressourcen ermöglicht.
Diagnostische Metriken: Das Modell liefert explizit Kapazitätsdefizit und Kapazitätsüberschuss aus. Diese Metriken ermöglichen es Managern, Zeiträume zu identifizieren, in denen das Team im Verhältnis zur Nachfrage unterbesetzt ist oder in denen Kapazitäten untergenutzt werden, selbst wenn die endgültige Zeitprognose ungewiss ist.
Parsimonie (Sparsamkeit): Das Modell behält einen kleinen Parametersatz bei ( $K, \alpha, c, C(t)$ ) und vermeidet komplexe kausale Theorien der Projektdynamik (z. B. Rework-Schleifen, architektonische Kopplung), die aus Standard-Scrum-Daten schwer zu kalibrieren sind.
Diskrete Sprint-Implementierung: Eine spezifische Formulierung für die diskrete Sprintplanung wird bereitgestellt, was eine direkte Anwendung in agilen Projektmanagement-Tools und -Aufzeichnungen ermöglicht.

Ergebnisse
Die empirische Validierung erfolgt anhand eines einzelnen historischen Scrum-Projekts.

Kalibrierung: Das Modell bildet die kumulative Fortschrittstrajektorie des Projekts unter Verwendung von Aufwands- und Story-Point-Daten erfolgreich ab.
Prognose: Die Rolling-Origin-Validierung zeigt, dass das Modell mit neuen Sprint-Daten kohärente Reforecasts generieren kann.
Sensitivität: Die Monte-Carlo-Analyse deutet darauf hin, dass der prognostizierte Aufwand am empfindlichsten auf Variationen im Projektumfang ( $K$ ) und der zugewiesenen Kapazität ( $C$ ) reagiert, während Variationen in den Kalibrierungsparametern ( $\alpha, c$ ) einen geringeren Einfluss haben.
Vergleich: Das Paper stellt fest, dass das Modell zwar strukturierte Diagnosen liefert, aber nicht beansprucht, in allen Szenarien einfache Baselines (wie konstante Velocity) universell zu übertreffen. Die Validierung konzentriert sich auf die interne Kohärenz und die Fähigkeit, Kapazitätsbeschränkungen zu identifizieren, statt eine überlegene Vorhersagegenauigkeit gegenüber allen existierenden Methoden zu behaupten.

Bedeutung und Ansprüche
Das Paper erhebt bescheiden den Anspruch, einen phänomenologischen aggregierten Prognosemechanismus bereitzustellen, statt einer vollständigen kausalen Theorie der agilen Projektdynamik. Seine Bedeutung liegt in:

Managerialer Interpretierbarkeit: Es übersetzt abstrakte Aufwandskurven in handlungsrelevante Metriken (Defizit, Überschuss, Abschlusszeit), die mit der Realität beschränkter agiler Teams korrespondieren.
Operativer Plausibilität: Es zeigt, dass ein klassisches Aufwandverteilungsmodell an agile Beschränkungen angepasst werden kann, ohne dass komplexe, schwer identifizierbare Parameter erforderlich sind.
Fundament für zukünftige Arbeiten: Die Autoren positionieren dies als einen Schritt hin zu robusteren organisationalen Prognosen und betonen ausdrücklich, dass eine externe Generalisierung mehrprojektspezifische Datensätze erfordert. Das Modell ist als „Prognoseschicht“ gedacht, die den Gesamtaufwand, Kapazitätspläne und den aggregierten Fortschritt verbindet, und dient als Ergänzung zu, nicht als Ersatz für Sprint-Planung und Experten-Schätzung.

Das Paper kommt zu dem Schluss, dass das Modell für die initiale Dauerprognose, die Sprint-für-Sprint-Refinanzierung und die Szenarioanalyse nützlich ist, sofern die Einschränkungen hinsichtlich der Unabhängigkeit von latenter Nachfrage und Kapazität berücksichtigt werden.