A Capacity-Aware Parr Model for Agile Projects

Resumo Técnico: Um Modelo de Parr Consciente da Capacidade para Projetos Ágeis

Declaração do Problema
Os modelos clássicos de distribuição de esforço de software, como a família Putnam–Norden–Rayleigh (PNR) e a curva alternativa de Parr, foram projetados para descrever a distribuição temporal do esforço de desenvolvimento sob um padrão de pessoal implícito e flexível. Nestas estruturas tradicionais, o dimensionamento de pessoal é frequentemente tratado como uma variável dependente prevista pela curva. Em ambientes ágeis (especificamente Scrum), a capacidade da equipe é frequentemente uma decisão gerencial fixa, parcialmente fixa ou externamente restrita, em vez de uma variável a ser otimizada por uma curva. A aplicação direta de modelos clássicos nestes contextos é limitada porque eles podem prescrever uma demanda de pessoal que uma organização não pode alocar ou falhar em considerar uma equipe estável designada antes da previsão. Os métodos de estimativa ágil existentes frequentemente dependem do julgamento de especialistas, story points ou velocidade histórica, mas carecem de um mecanismo para integrar uma demanda de esforço latente suave e de baixa dimensão com restrições de capacidade explícitas.

Metodologia
O artigo propõe uma refatoração "consciente da capacidade" do modelo de Parr. Em vez de tratar a curva de Parr como uma política de pessoal obrigatória, os autores a redefinem como uma demanda de esforço latente que deve ser consumida por uma trajetória de capacidade observada ou planejada.

• Formulação Matemática:
  O modelo define uma densidade de esforço de forma Parr normalizada $g_{\alpha,c}(\tau)$ derivada de uma relação logística, onde $\tau$ é um relógio de maturidade de esforço latente. Os parâmetros incluem:

  • $K$: Esforço total do projeto.
  • $\alpha$: O parâmetro de forma da curva.
  • $c$: Uma constante de origem permitindo dimensionamento inicial não nulo ou preparação pré-projeto.
  • $C(t)$: A taxa de capacidade disponível (esforço por unidade de tempo).

  A taxa de conclusão efetiva $R(t)$ é determinada pelo mínimo entre a demanda latente e a capacidade disponível:
  $$R(t) = \min \{ C(t), D_{\alpha,c,K}(x(t)) \}$$
  onde $D$ é a taxa de demanda e $x(t)$ é a fração de trabalho concluído. Esta formulação garante que o progresso seja limitado pela capacidade sem assumir que o excesso de capacidade acelera automaticamente o trabalho (evitando a suposição de que o aumento de pessoal sempre comprime o projeto).

• Formulação de Sprint Discreta:
  Para ambientes Scrum, o modelo é adaptado para passos de tempo discretos (sprints). O progresso cumulativo $x_k$ no sprint $k$ é atualizado com base no mínimo entre a capacidade do sprint e a demanda latente no estado atual. Isso permite o cálculo da conclusão de esforço por sprint, déficit de capacidade ($\Delta^-$) e folga de capacidade ($\Delta^+$).

• Calibração e Validação:
  O modelo é calibrado usando registros normais de Scrum (duração de sprint, alocação de pessoal, esforço registrado ou story points). Os parâmetros $\alpha$ e $c$ são estimados minimizando a discrepância entre o progresso cumulativo observado e a trajetória simulada pelo modelo.

  • Protocolo de Validação: O artigo utiliza uma abordagem de validação de origem móvel (rolling-origin). Utilizando um único projeto histórico (1033 story points, 5424 horas, 22 sprints), a primeira metade dos dados é usada para calibração e a segunda metade para validação. O modelo é testado contra baselines simples (velocidade constante, capacidade constante e Parr sem restrições).
  • Análise de Sensibilidade: Uma emulação de Monte Carlo avalia a robustez do modelo a variações no escopo do projeto, capacidade e parâmetros do modelo.

Principais Contribuições

1. Refatoração Consciente da Capacidade: A principal contribuição é o desacoplamento da curva de Parr de uma prescrição de pessoal. Ela transforma a curva em um sinal de demanda latente que interage com uma restrição de capacidade externa, tornando-a aplicável a equipes ágeis com recursos fixos ou restritos.
2. Métricas Diagnósticas: O modelo gera explicitamente déficit de capacidade e folga de capacidade. Estas métricas permitem que gestores identifiquem períodos em que a equipe está subdimensionada em relação à demanda ou onde a capacidade está sendo subutilizada, mesmo que a previsão do tempo de conclusão final seja incerta.
3. Parsimônia: O modelo mantém um conjunto pequeno de parâmetros ($K, \alpha, c, C(t)$) e evita teorias causais complexas de dinâmica de projetos (ex: loops de retrabalho, acoplamento arquitetural) que são difíceis de calibrar a partir de dados padrão de Scrum.
4. Implementação de Sprint Discreta: Uma formulação específica para planejamento de sprints discretos é fornecida, permitindo a aplicação direta em ferramentas e registros de gerenciamento de projetos ágeis.

Resultos
A validação empírica é conduzida em um único projeto histórico de Scrum.

• Calibração: O modelo ajusta com sucesso a trajetória de progresso cumulativo do projeto usando dados de esforço e story points.
• Previsão (Forecasting): A validação de origem móvel demonstra que o modelo pode gerar re-previsões coerentes conforme novos dados de sprint tornam-se disponíveis.
• Sensibilidade: A análise de Monte Carlo indica que o esforço previsto é mais sensível a variações no escopo do projeto ($K$) e na capacidade atribuída ($C$), enquanto variações nos parâmetros de calibração ($\alpha, c$) têm um impacto menor.
• Comparação: O artigo observa que, embora o modelo forneça diagnósticos estruturados, não pretende superar universalmente baselines simples (como velocidade constante) em todos os cenários. A validação foca na coerência interna e na capacidade de identificar restrições de capacidade, em vez de reivindicar uma precisão preditiva superior sobre todos os métodos existentes.

Significância e Alegações
O artigo alega modestamente fornecer um mecanismo de previsão fenomenológico agregado, em vez de uma teoria causal completa das dinâmicas de projetos ágeis. Sua significância reside na:

• Interpretabilidade Gerencial: Traduz curvas de esforço abstratas em métricas acionáveis (déficit, folga, tempo de conclusão) que se alinham com a realidade das equipes ágeis com recursos restritos.
• Plausibilidade Operacional: Demonstra que um modelo clássico de distribuição de esforço pode ser adaptado às restrições ágeis sem exigir parâmetros complexos e não identificáveis.
• Fundação para Trabalhos Futuros: Os autores posicionam isto como um passo em direção a uma previsão organizacional mais robusta, declarando explicitamente que a generalização externa requer conjuntos de dados de múltiplos projetos. O modelo é destinado a ser uma "camada de previsão" que conecta o esforço total, planos de capacidade e progresso agregado, servindo como um complemento, e não um substituto, para o planejamento de sprint e estimativa de especialistas.

O artigo conclui que o modelo é útil para previsão inicial de duração, re-previsão sprint a sprint e análise de cenários, desde que as limitações quanto à independência da demanda latente e da capacidade sejam reconhecidas.