A Capacity-Aware Parr Model for Agile Projects

Technische Samenvatting: Een Capaciteitsbewust Parr-model voor Agile Projecten

Probleemstelling
Klassieke modellen voor de distributie van software-inspanning, zoals de Putnam–Norden–Rayleigh (PNR)-familie en Parr's alternatieve curve, waren ontworindi om de tijdverdeling van ontwikkelingsinspanning te beschrijven onder een geïmpliceerd, flexibel bezettingspatroon. In deze traditionele kaders wordt personeelsbezetting vaak behandeld als een afhankelijke variabele die door de curve wordt voorspeld. Echter, in Agile-omgevingen (specifiek Scrum) is de teamcapaciteit vaak een vaste, gedeeltelijk vaste of extern beperkte managementbeslissing, in plaats van een variabele die door een curve geoptimaliseerd moet worden. Directe toepassing van klassieke modellen in deze settings is beperkt, omdat ze een personeelsvraag kunnen voorschrijven die een organisatie niet kan toewijzen, of er niet voor kunnen zorgen dat een stabiel team dat vooraf aan de forecasting is toegewezen, wordt meegewogen. Bestaande Agile-estimatiemethoden vertrouwen vaak op deskundig oordeel, story points of historische velocity, maar missen een mechanisme om een vloeiende, laagdimensionale latente inspanningsvraag te integreren met expliciete capaciteitsbeperkingen.

Methodologie
Het artikel stelt een "capaciteitsbewuste" herformulering van het Parr-model voor. In plaats van de Parr-curve te behandelen als een verplicht personeelsbeleid, herformuleren de auteurs de curve als een latente inspanningsvraag die moet worden geconsumeerd door een geobserveerd of gepland capaciteitstraject.

• Wiskundige Formulering:
  Het model definieert een genormaliseerde, door Parr-vorm gevormde inspanningsdichtheid $g_{\alpha,c}(\tau)$ afgeleid van een logistieke relatie, waarbij $\tau$ een latente inspanning-volwassenheidsklok is. De parameters omvatten:

  • $K$: Totale projectinspanning.
  • $\alpha$: De vormparameter van de curve.
  • $c$: Een oorsprongconstante die zorgt voor een niet-nul initiële bezetting of voorbereiding voorafgaand aan het project.
  • $C(t)$: De beschikbare capaciteitsvoet (inspanning per tijdseenheid).

  De effectieve voltooiingssnelheid $R(t)$ wordt bepaald door het minimum van de latente vraag en de beschikbare capaciteit:
  $$R(t) = \min \{ C(t), D_{\alpha,c,K}(x(t)) \}$$
  waarbij $D$ de vraagvoet is en $x(t)$ het fractie van de voltooide arbeid. Deze formulering zorgt ervoor dat voortgang wordt begrensd door capaciteit zonder aan te nemen dat extra capaciteit de voortgang automatisch versnelt (het vermijden van de aanname dat extra personeel altijd de projectduur verkort).

• Discrete Sprint Formulering:
  Voor Scrum-omgevingen wordt het model aangepast aan discrete tijdstappen (sprints). De cumulatieve voortgang $x_k$ in sprint $k$ wordt bijgewerkt op basis van het minimum van de capaciteit van de sprint en de latente vraag op de huidige status. Dit maakt de berekening mogelijk van inspanning per sprint, capaciteitstekort ($\Delta^-$) en capaciteitsoverschot ($\Delta^+$).

• Kalibratie en Validatie:
  Het model wordt gekalibreerd met behulp van reguliere Scrum-gegevens (sprintduur, personeelsallocatie, geregistreerde inspanning of story points). Parameters $\alpha$ en $c$ worden geschat door de discrepantie tussen de geobserveerde cumulatieve voortgang en het gesimuleerde traject van het model te minimaliseren.

  • Validatieprotocol: Het artikel gebruikt een rolling-origin validatie-benadering. Met behulp van één enkel historisch project (1033 story points, 5424 uur, 22 sprints) wordt de eerste helft van de data gebruikt voor kalibratie en de tweede helft voor validatie. Het model wordt getest tegen eenvoudige baselines (constante snelheid, constante capaciteit en onbeperkte Parr).
  • Gevoeligheidsanalyse: Een Monte Carlo-emulatie evalueert de robuustheid van het model tegen variaties in projectomvang, capaciteit en modelparameters.

Belangrijkste Bijdragen

1. Capaciteitsbewuste Herformulering: De primaire bijdrage is het ontkoppelen van de Parr-curve van een personeelsvoorschrift. Het transformeert de curve in een latent vraagsignaal dat interageert met een externe capaciteitsbeperking, waardoor het toepasbaar is op Agile-teams met vaste of beperkte middelen.
2. Diagnostische Metrieken: Het model genereert expliciet capaciteitsdefect en capaciteitsoverschot. Deze metrieken stellen managers in staat om perioden te identificeren waarin het team onderbezet is ten opzichte van de vraag, of waar capaciteit onderbenut wordt, zelfs als de uiteindelijke prognose van de voltooiingstijd onzeker is.
3. Parsimonie: Het model behoudt een kleine parameterset ($K, \alpha, c, C(t)$) en vermijdt complexe causale theorieën van projectdynamiek (bijv. rework-loops, architecturale koppeling) die moeilijk te kalibreren zijn vanuit standaard Scrum-gegevens.
4. Discrete Sprint Implementatie: Er wordt een specifieke formulering voor discrete sprintplanning geboden, wat directe toepassing in Agile projectmanagementtools en registers mogelijk maakt.

Resultaten
De empirische validatie wordt uitgevoerd op een enkel historisch Scrum-project.

• Kalibratie: Het model slaagt erin de cumulatieve voortgangstraject van het project te fitten met behulp van inspanning en story point-gegevens.
• Forecasting: De rolling-origin validatie toont aan dat het model coherente herprognoses kan genereren naarmate er nieuwe sprintgegevens beschikbaar komen.
• Gevoeligheid: Monte Carlo-analyse geeft aan dat de voorspelde inspanning het meest gevoelig is voor variaties in projectomvang ($K$) en toegewezen capaciteit ($C$), terwijl variaties in de kalibratieparameters ($\alpha, c$) een minder grote impact hebben.
• Vergelijking: Het artikel merkt op dat hoewel het model gestructureerde diagnostiek biedt, het niet beweert universeel beter te presteren dan eenvoudige baselines (zoals constante snelheid) in alle scenario's. De validatie richt zich op interne coherentie en het vermogen om capaciteitsbeperkingen te identificeren, in plaats van te claimen superieure voorspellende nauwkeurigheid te hebben boven alle bestaande methoden.

Betekenis en Claims
Het artikel claimt bescheiden een fenomenologisch aggregaat forecastingmechanisme te bieden in plaats van een volledige causale theorie van Agile projectdynamiek. De betekenis ligt in:

• Manageriale Interpreteerbaarheid: Het vertaalt abstracte inspanningscurves naar actiegerichte metrieken (defect, overschot, voltooiingstijd) die aansluiten bij de realiteit van beperkte Agile-teams.
• Operationele Plausibiliteit: Het demonstreert dat een klassiek inspanningsdistributiemodel kan worden aangepast aan Agile-beperkingen zonder dat daar complexe, onidentificeerbare parameters voor nodig zijn.
• Fundament voor Toekomstig Werk: De auteurs positioneren dit als een stap naar robuustere organisatorische forecasting, waarbij zij expliciet stellen dat externe generalisatie meerdere projectdatasets vereist. Het model is bedoeld als een "forecastinglaag" die de totale inspanning, capaciteitsplannen en geaggregeerde voortgang verbindt, en dient als aanvulling op, en niet als vervanging van, sprintplanning en deskundige schattingen.

Het artikel concludeert dat het model nuttig is voor initiële duurprognoses, sprint-voor-sprint herprognoses en scenario-analyses, mits de beperkingen met betrekking tot de onafhankelijkheid van latente vraag en capaciteit worden erkend.