點擊上方關注，All in AI中國
作者：Ramesh Manickavel
在我的文章"數據科學中項目經理的角色"（ https://dzone.com/articles/role-of-project-manager-in-data-science）發佈之後，一些項目經理建議我詳細說明滿足目標交付承諾的用例。我們將採用模擬技術探索，這是人工智能中令人驚歎的概念之一。定量分析技術（例如蒙特卡羅模擬）可以通過潛在結果的概率分佈幫助項目經理做出決策。
蒙特卡洛模擬技術在很大程度上依賴關鍵變量的隨機性來解決問題。除了關鍵參數，我們還需要了解它們之間的關係以及足夠的數據以進一步分析。
要想深入瞭解程序管理中的蒙特卡羅模擬，此鏈接可能會有所幫助。（https://www.academia.edu/8939341/Monte-Carlo_Simulation_in_Agile_Project_Estimation_Forecasting_Schedule_and_Required_Velocity）讓我們用大多數人熟悉的案例研究使用MS Excel進行一個實驗。
案例研究
Shubham是XYZ公司的首席執行官。在發佈計劃之後，他的團隊致力於為客戶提供關鍵功能。Mohit是該公司的項目經理，根據他一直跟蹤的風險和工作進度總結，已經確定了在達到目標交付日期方面的挑戰：
Mohit：老闆，我們可能無法按照我們最初的計劃交付所有承諾的項目。
Shubham：這可不是一個好消息。Mohit，你能詳細說明一下嗎？
Mohit：由於團隊正在處理優先需求，我們正在按計劃交付高優先級項目，但是基於我們迄今為止消耗的速度和對計劃範圍的更改，我們在完成剩餘的工作方面存在挑戰。
Shubham：好的，你有什麼建議？
Mohit：讓我們將可交付成果分為兩個階段。客戶的交易展示所需的所有高優先級項目將按計劃交付。我們需要重新規劃剩餘的工作。
Shubham：這聽起來像一個很好的計劃。我和項目管理團隊還有我們的客戶討論下這個問題。雖然其餘項目的優先級相對較低，但我們仍需要提供一個可以交付的日期。你能給你的建議提供一個可靠的計劃嗎，以確保計劃不會影響我們的團隊。
Mohit：好的。
可靠的計劃意味著更有可能履行對剩餘工作的承諾。讓我們一起幫助Mohit實施蒙特卡羅模擬的分步指導。Mohit的目標是根據歷史速度和相關的隨機性尋找樂觀和悲觀的選擇。這個電子表格包含以下步驟的摘要。
步驟1：確定隨機數種子
在我們的場景中，因為我們知道最低的速度（Velocity）和最高速度（Velocity），我們可以得出：MIN (最後3次衝刺的實際速度)+RAND()*(MAX(最後3次衝刺的實際速度)-MIN (最後3次衝刺的實際速度))
我們可以選擇任何函數（例如添加風險或範圍參數），但為了簡單起見，選擇這個函數作為通常考慮調整大小時涉及的工作、複雜性和不確定性的速度。
步驟2：設置試驗
行業標準表明，蒙特卡羅模擬至少有10000次運行。由於我們無論如何都在Excel中進行，因此我們可以進行15000次運行（或更多）。設置一個1至15000的試驗列。
步驟3：隨機運行
為第一次運行作為種子函數設置速度（Velocity）的另一列（如步驟1中所述）。我們現在有兩個15000列，採用運行值填充第一列，第二列填充第一次運行的值。為了隨機化所有運行，我們需要遵循以下內容：
•選擇值為"1"的單元格（在"Trial"列下）和種子值（在"Velocity"列下）
•按Ctrl + Shift +向下箭頭鍵（我們現在選擇了2行×15000列）
•選擇數據->假設分析->數據表
•點擊"列輸入單元格"條目，然後從電子表格中選擇任何不包含任何值的單元格
"Velocity"列下的15000個單元格保持隨機運行
•如果要頻繁刷新數據，請單擊文件->選項->公式->工作簿計算->"自動"。
步驟4：繪製直方圖
•要繪製頻率分佈圖，我們首先需要bin（bucketizing）
•讓bin速度從400到625開始，增量為25
•單擊數據->分析->數據分析
•如果沒有找到這個，需要通過文件->選項->加載項->管理-> Excel加載項->'Go ' - >啟用"分析工具庫"來添加它
•單擊直方圖 ->輸入範圍（列1至列15000，其中包含"Velocity"的隨機值），Bin的範圍（Col 1至Col n，其保持bin值為425，... 625）。可以選中其他複選框，將獲得bin摘要和直方圖，如下所示：
現在，Mohit可以為其首席執行官提供各種選擇：樂觀的選擇（可能有500個故事點(Story Point)，Velocity為33％）或悲觀的選擇（可能是575個故事點(Story Point)，Velocity為83％）。然後，基於剩餘的努力，Mohit可以計算出需要多少額外的sprints。
雖然這個問題聽起來很簡單，但是為了根據歷史速度計算所需的sprints次數，蒙特卡洛模擬構建提供了更好的可能的結果範圍和相關概率，特別是當種子函數如上所述正確設置時。
總而言之，蒙特卡羅模擬與行業領域知識結合，識別影響決策的參數，收集相關數據，以及通過大量試驗建立適當的實驗時是有效的。與任何其他模型一樣，這需要恆定的反饋機制來提高預測準確性。
閱讀更多 AI中國 的文章
