A Capacity-Aware Parr Model for Agile Projects

Resumen Técnico: Un Modelo de Parr Consciente de la Capacidad para Proyectos Ágiles

Planteamiento del Problema
Los modelos clásicos de distribución de esfuerzo de software, como la familia de Putnam–Norden–Rayleigh (PNR) y la curva alternativa de Parr, fueron diseñados para describir la distribución temporal del esfuerzo de desarrollo bajo un patrón de dotación de personal implícito y flexible. En estos marcos tradicionales, la dotación de personal se trata a menudo como una variable dependiente predicha por la curva. Sin embargo, en los entornos Ágiles (específicamente Scrum), la capacidad del equipo es frecuentemente una decisión de gestión fija, parcialmente fija o externamente restringida, en lugar de una variable a optimizar mediante una curva. La aplicación directa de los modelos clásicos en estos entornos es limitada porque pueden prescribir una demanda de personal que una organización no puede asignar o no considerar una dotación de equipo estable asignada antes de la previsión. Los métodos de estimación ágil existentes suelen depender del juicio de expertos, puntos de historia o velocidad histórica, pero carecen de un mecanismo para integrar una demanda de esfuerzo latente suave y de baja dimensión con restricciones de capacidad explícitas.

Metodología
El artículo propone una refactorización "consciente de la capacidad" del modelo de Parr. En lugar de tratar la curva de Parr como una política de dotación de personal obligatoria, los autores la replantean como una demanda de esfuerzo latente que debe ser consumida por una trayectoria de capacidad observada o planificada.

• Formulación Matemática:
  El modelo define una densidad de esfuerzo con forma de Parr normalizada $g_{\alpha,c}(\tau)$ derivada de una relación logística, donde $\tau$ es un reloj de madurez de esfuerzo latente. Los parámetros incluyen:
  • $K$: Esfuerzo total del proyecto.
  • $\alpha$: Parámetro de forma de la curva.
  • $c$: Constante de origen que permite una dotación inicial no nula o de preparación previa al proyecto.
  • $C(t)$: Tasa de capacidad disponible (esfuerzo por unidad de tiempo).

La tasa de finalización efectiva $R(t)$ se determina mediante el mínimo entre la demanda latente y la capacidad disponible:
$$R(t) = \min \{ C(t), D_{\alpha,c,K}(x(t)) \}$$
donde $D$ es la tasa de demanda y $x(t)$ es la fracción de trabajo completado. Esta formulación asegura que el progreso esté limitado por la capacidad sin asumir que el exceso de capacidad acelera automáticamente el trabajo (evitando la suposición de que la dotación adicional siempre comprime el proyecto).

• Formulación de Sprints Discretos:
  Para entornos Scrum, el modelo se adapta a pasos de tiempo discretos (sprints). El progreso acumulado $x_k$ en el sprint $k$ se actualiza basándose en el mínimo de la capacidad del sprint y la demanda latente en el estado actual. Esto permite el cálculo de la finalización del esfuerzo por sprint, el déficit de capacidad ($\Delta^-$) y el excedente de capacidad ($\Delta^+$).

• Calibración y Validación:
  El modelo se calibra utilizando registros ordinarios de Scrum (duración del sprint, asignación de personal, esfuerzo registrado o puntos de historia). Los parámetros $\alpha$ y $c$ se estiman minimizando la discrepancia entre el progreso acumulado observado y la trayectoria simulada del modelo.

  • Protocolo de Validación: El documento emplea un enfoque de validación de origen rodante (rolling-origin validation). Utilizando un único proyecto histórico (1033 puntos de historia, 5424 horas, 22 sprints), la primera mitad de los datos se utiliza para la calibración y la segunda mitad para la validación. El modelo se prueba frente a líneas base simples (velocidad constante, capacidad constante y Parr sin restricciones).
  • Análisis de Sensibilidad: Una emulación de Monte Carlo evalúa la robustez del modelo ante variaciones en el alcance del proyecto, la capacidad y los parámetros del modelo.

Contribuciones Clave

1. Refactorización Consciente de la Capacidad: La principal contribución es la desvinculación de la curva de Parr de una prescripción de dotación de personal. Transforma la curva en una señal de demanda latente que interactúa con una restricción de capacidad externa, haciéndola aplicable a equipos ágiles con recursos fijos o restringidos.
2. Métricas Diagnósticas: El modelo genera explícitamente déficit de capacidad y excedente de capacidad. Estas métricas permiten a los gestores identificar periodos donde el equipo está sub-recurso en relación con la demanda o donde la capacidad está infrautilizada, incluso si la previsión del tiempo de finalización es incierta.
3. Parsimonia: El modelo mantiene un conjunto pequeño de parámetros ($K, \alpha, c, C(t)$) y evita teorías causales complejas de la dinámica de proyectos (por ejemplo, bucles de retrabajo, acoplamiento arquitectónico) que son difíciles de calibrar a partir de datos estándar de Scrum.
4. Implementación de Sprints Discretos: Se proporciona una formulación específica para la planificación de sprints discretos, permitiendo la aplicación directa en herramientas y registros de gestión de proyectos ágiles.

Resultados
La validación empírica se realiza sobre un único proyecto histórico de Scrum.

• Calibración: El modelo se ajusta con éxito a la trayectoria de progreso acumulado del proyecto utilizando datos de esfuerzo y puntos de historia.
• Previsión: La validación de origen rodante demuestra que el modelo puede generar re-previsiones coherentes a medida que se dispone de nuevos datos de los sprints.
• Sensibilidad: El análisis de Monte Carlo indica que el esfuerzo previsto es más sensible a las variaciones en el alcance del proyecto ($K$) y la capacidad asignada ($C$), mientras que las variaciones en los parámetros de calibración ($\alpha, c$) tienen un impacto menor.
• Comparación: El documento señala que, si bien el modelo proporciona diagnósticos estructurados, no pretende superar universalmente a las líneas base simples (como la velocidad constante) en todos los escenarios. La validación se centra en la coherencia interna y la capacidad de identificar restricciones de capacidad más que en reclamar una precisión predictiva superior sobre todos los métodos existentes.

Significancia y Reivindicaciones
El artículo plantea modestamente proporcionar un mecanismo de previsión agregada fenomenológica en lugar de una teoría causal completa de la dinámica de proyectos ágiles. Su significancia radica en:

• Interpretabilidad para la Gestión: Traduce curvas de esfuerzo abstractas en métricas accionables (déficit, excedente, tiempo de finalización) que se alinean con la realidad de los equipos ágiles con recursos restringidos.
• Plausibilidad Operativa: Demuestra que un modelo clásico de distribución de esfuerzo puede adaptarse a las restricciones ágiles sin requerir parámetros complejos e inidentificables.
• Base para Trabajos Futuros: Los autores posicionan esto como un paso hacia una previsión organizacional más robusta, declarando explícitamente que la generalización externa requiere conjuntos de datos de múltiples proyectos. El modelo está destinado a ser una "capa de previsión" que conecte el esfuerzo total, los planes de capacidad y el progreso agregado, sirviendo como complemento, y no como reemplazo, de la planificación de sprints y la estimación de expertos.

El documento concluye que el modelo es útil para la previsión inicial de duración, la re-previsión sprint a sprint y el análisis de escenarios, siempre que se reconozcan las limitaciones respecto a la independencia de la demanda latente y la capacidad.