A Capacity-Aware Parr Model for Agile Projects

Résumé Technique : Un Modèle de Parr Sensible à la Capacité pour les Projets Agiles

Énoncé du Problème
Les modèles classiques de distribution de l'effort logiciel, tels que la famille de Putnam–Norden–Rayleigh (PNR) et la courbe alternative de Parr, ont été conçus pour décrire la distribution temporelle de l'effort de développement sous un schéma de dotation en personnel implicite et flexible. Dans ces cadres traditionnels, la dotation est souvent traitée comme une variable dépendante prédite par la courbe. Cependant, dans les environnements Agiles (spécifiquement Scrum), la capacité de l'équipe est fréquemment une décision managériale fixe, partiellement fixe ou contrainte par des facteurs externes, plutôt qu'une variable à optimiser par une courbe. L'application directe des modèles classiques dans ces contextes est limitée car ils peuvent prescrire une demande de personnel qu'une organisation ne peut allouer ou ne parviennent pas à tenir compte d'une équipe stable assignée avant la prévision. Les méthodes d'estimation Agiles existantes reposent souvent sur le jugement d'experts, les story points ou la vélocité historique, mais manquent d'un mécanisme pour intégrer une demande d'effort latente lisse et de faible dimension avec des contraintes de capacité explicites.

Méthodologie
Le document propose un remodelage « sensible à la capacité » du modèle de Parr. Plut lieu de traiter la courbe de Parr comme une politique de dotation obligatoire, les auteurs la recadrent comme une demande d'effort latente qui doit être consommée par une trajectoire de capacité observée ou planifiée.

• Formulation Mathématique :
  Le modèle définit une densité d'effort de forme Parr normalisée $g_{\alpha,c}(\tau)$ dérivée d'une relation logistique, où $\tau$ est un horloge de maturité de l'effort latent. Les paramètres incluent :

  • $K$ : Effort total du projet.
  • $\alpha$ : Paramètre de forme de la courbe.
  • $c$ : Une constante d'origine permettant une dotation initiale non nulle ou une préparation pré-projet.
  • $C(t)$ : Le taux de capacité disponible (effort par unité de temps).

  Le taux de complétion effectif $R(t)$ est déterminé par le minimum entre la demande latente et la capacité disponible :
  $$R(t) = \min \{ C(t), D_{\alpha,c,K}(x(t)) \}$$
  où $D$ est le taux de demande et $x(t)$ est la fraction de travail accompli. Cette formulation garantit que la progression est plafonnée par la capacité sans supposer qu'un excès de capacité accélère automatiquement le travail (évitant ainsi l'hypothèse selon laquelle un ajout de personnel compresse toujours le projet).

• Formulation Discrète par Sprint :
  Pour les environnements Scrum, le modèle est adapté à des étapes de temps discrètes (sprints). La progression cumulative $x_k$ au sprint $k$ est mise à jour en fonction du minimum entre la capacité du sprint et la demande latente à l'état actuel. Cela permet de calculer la complétion de l'effort par sprint, le déficit de capacité ($\Delta^-$) et la marge de capacité ($\Delta^+$).

• Calibration et Validation :
  Le modèle est calibré à l'aide d'enregistments Scrum ordinaires (durée du sprint, allocation du personnel, effort enregistré ou story points). Les paramètres $\alpha$ et $c$ sont estimés en minimisant l'écart entre la progression cumulative observée et la trajectoire simulée du modèle.

  • Protocole de Validation : Le document emploie une approche de validation à origine glissante. En utilisant un seul projet historique (1033 story points, 5424 heures, 22 sprints), la première moitié des données est utilisée pour la calibration, et la seconde moitié pour la validation. Le modèle est testé par rapport à des bases simples (vélocité constante, capacité constante et Parr non contraint).
  • Analyse de Sensibilité : Une émulation de Monte Carlo évalue la robustesse du modèle face aux variations de l'envergure du projet, de la capacité et des paramètres du modèle.

Contributions Clés

1. Remodelage Sensible à la Capacité : La principale contribution est le découplage de la courbe de Parr d'une prescription de dotation. Elle transforme la courbe en un signal de demande latente qui interagit avec une contrainte de capacité externe, la rendant applicable aux équipes Agiles dotées de ressources fixes ou contraintes.
2. Métriques Diagnostiques : Le modèle produit explicitement un déficit de capacité et une marge de capacité. Ces métriques permettent aux gestionnaires d'identifier les périodes où l'équipe est sous-ressourcée par rapport à la demande ou les périodes où la capacité est sous-utilisée, même si la prévision du temps de complétion final reste incertaine.
3. Parsimonie : Le modèle maintient un ensemble de paramètres réduit ($K, \alpha, c, C(t)$) et évite les théories causales complexes de la dynamique de projet (ex: boucles de retravail, couplage architectural) qui sont difficiles à calibrer à partir de données Scrum standards.
4. Implémentation de Sprint Discret : Une formulation spécifique pour la planification de sprints discrets est fournie, permettant une application directe aux outils et enregistrements de gestion de projet Agile.

Résultats
La validation empirique est menée sur un seul projet Scrum historique.

• Calibration : Le modèle parvient à ajuster la trajectoire de progression cumulative du projet en utilisant les données d'effort et de story points.
• Prévision : La validation à origine glissante démontre que le modèle peut générer des re-prévisions cohérentes à mesure que de nouvelles données de sprint deviennent disponibles.
• Sensibilité : L'analyse de Monte Carlo indique que l'effort prévu est le plus sensible aux variations de l'envergure du projet ($K$) et de la capacité assignée ($C$), tandis que les variations des paramètres de calibration ($\alpha, c$) ont un impact moindre.
• Comparaison : Le document note que bien que le modèle fournisse des diagnostics structurés, il ne prétend pas surpasser universellement des bases simples (comme la vélocité constante) dans tous les scénarios. La validation se concentre sur la cohérence interne et la capacité à identifier les contraintes de capacité plutôt que sur la revendication d'une précision prédictive supérieure à toutes les méthodes existantes.

Signification et Revendications
Le document revendique modestement fournir un mécanisme de prévision agrégé phénoménologique plutôt qu'une théorie causale complète de la dynamique de projet Agile. Sa signification réside dans :

• Interprétabilité Managériale : Il traduit les courbes d'effort abstraites en métriques exploitables (déficit, marge, temps de complétion) qui s'alignent sur la réalité des équipes Agiles contraintes.
• Plausibilité Opérationnelle : Il démontre qu'un modèle classique de distribution d'effort peut être adapté aux contraintes Agiles sans nécessiter de paramètres complexes et non identifiables.
• Fondation pour des Travaux Futurs : Les auteurs positionnent cela comme une étape vers une prévision organisationnelle plus robuste, affirmant explicitement que la généralisation externe nécessite des jeux de données multi-projets. Le modèle est destiné à être une « couche de prévision » qui connecte l'effort total, les plans de capacité et la progression agrégée, servant de complément, et non de remplacement, à la planification de sprint et à l'estimation d'experts.

Le document conclut que le modèle est utile pour la prévision initiale de la durée, la re-prévision sprint par sprint et l'analyse de scénarios, à condition que les limites concernant l'indépendance de la demande latente et de la capacité soient reconnues.