60% de chance de chuva: como prever entregas com simulação de Monte Carlo

O texto parte de uma conversa sobre previsão do tempo para explicar como times de produto podem prever entregas. A ideia central é a simulação de Monte Carlo aplicada ao throughput histórico (itens concluídos por semana). No exemplo, o time entregou 4, 7, 3, 6, 5, 8, 2 e 6 itens nas últimas oito semanas e restam 40 itens. A simulação sorteia semanas passadas, uma a uma, até zerar o backlog, registra quantas semanas levou e repete o processo dezenas de milhares de vezes. Observação sobre o termo da ficha técnica: o material não descreve um projeto ou ferramenta chamada "date". O que existe é um artigo de opinião, de autor não identificado, publicado no Product Coalition.

O resultado do exemplo: 61% de chance de terminar em 8 semanas, 87% em 9 e 97% em 10. A média (pouco mais de 5 itens por semana) apontaria cerca de 8 semanas, mas esconde a incerteza em volta desse número. O autor também lista as limitações. A simulação assume que o passado representa o trabalho que vem pela frente. Se o time passou três meses com melhorias pequenas e agora vai construir uma integração complexa, o histórico engana. O mesmo vale para mudança no tamanho do time, dependências novas ou um backlog muito maior ou menos compreendido que o usual.

Para quem gerencia produto, a leitura útil é trocar a pergunta "quando fica pronto?" por "qual nível de risco aceitamos nesta data?". Se há contrato ou lançamento fixo, faz sentido planejar com mais confiança (9 ou 10 semanas no exemplo). Se a data não muda, a conversa vira escopo: o que cabe com boa probabilidade dentro do prazo. Isso é interpretação editorial, mas o texto aponta nessa direção ao tratar a previsão como insumo de decisão, não como decisão. E a simulação precisa ser refeita quando o histórico de entregas muda.