估算与预测:故事点与蒙特卡洛
本篇要点:把「大概能做吧」换成一句带概率和前提的话,让排期、砍范围、要不要加人这些决定有据可依。 前置文章:[《需求拆解:用户故事与验收标准》](/guide/agile/user-story-slicing.html)把大需求切成了能在一两天内做完的卡;这一章回答这些卡该怎么标刻度,以及刻度怎样变成日期。
一、为什么需要它
2026 年 5 月,一家做 HR SaaS 的团队被问到「结算重构三周能不能上线」。技术负责人答了句「差不多」。三天后这句话出现在季度 OKR 里,日期写成 6 月 30 日。第 3 周末,进度 60%。
复盘时两句话被反复提起。一句是「团队估少了」,可团队当时给的是 8 到 12 周的范围,没人把范围写进答复。另一句是「速度变慢了」,查下来速度没变,变的是算法:剩余 66 点,历史平均每迭代 18.5 点,66 ÷ 18.5 = 3.6,取整 4 个迭代,看着严丝合缝。但历史里有一个迭代只做了 9 点(赶上长假),把这段历史当成一个分布来算,4 个迭代只有五成把握。
用平均值回答概率问题,是估算环节最常见的一次错位。这一章处理三件事:团队内部为什么用故事点比用小时准,怎样把「大概 4 个迭代」换成一句分位数,以及承诺和预测到底差在哪。口径统一之后,这套方法也能用来回答「要不要加人」「砍掉哪个范围」这类问题。
二、核心概念
5.1 相对估算:只回答「大几倍」
绝对估算(absolute estimation)按小时或人天报数,有三个绕不开的问题。同一件事不同的人耗时不同,报出来的数取决于谁估;任务里含着未知,未知部分没有小时数;一旦写成「3 人 5 天」,它就从估算变成承诺,改口要解释。
相对估算(relative estimation)绕开这三件事:不比绝对值,只比大小关系——这张卡比 US-042 大还是小,大到什么程度。心理学上这叫锚定(anchoring):给人两个已知重量的砝码再估第三个,比让他直接报克数准得多。团队手上有几个做完的故事当砝码,估新卡时就有参照。
故事点(story point)就是这个无量纲的刻度。它不映射工时,1 点不等于 4 小时;它只在同一个团队、同一段时间内有意义。常用斐波那契序列(Fibonacci sequence)1、2、3、5、8、13 当刻度,原因不是数学美感,是它不允许过细:你没法可靠区分 5 和 6,只能承认它们在同一个量级。精度要求越高,估出来的数越像真的,误差一点没小。
刻度的砝码是参考故事(reference story):从已完成的故事里挑出来,每个刻度配一两个实例。表 5-1 是一家支付团队的锚定表。
| 点数 | 参考故事 | 当时耗时 | 特征 |
|---|---|---|---|
| 1 | 结算页加一个发票抬头字段 | 0.5 天 | 单文件、无外部依赖 |
| 2 | 对账单导出 CSV | 1 天 | 一个接口、一个测试 |
| 3 | 优惠券叠加与顺序计算 | 2 天 | 一条规则加边界 |
| 5 | 退款后券退回与状态回滚 | 3.5 天 | 跨两个模块,含数据修正 |
| 8 | 接入新支付渠道 | 6 天 | 第三方联调,含对账差异 |
| 13 | 到这一档就该切了 | — | 说明卡还太大 |
表 5-1 里「当时耗时」只用于校准,不用于换算。它的用处是发现刻度漂移:连续三个迭代里 3 点的卡都花 4 天,说明标尺旧了,该重选参考故事,而不是把估算乘 1.3。
估到 13 是一个信号,不是结论。13 点的卡意味着团队说不出工作量级,要么按《需求拆解:用户故事与验收标准》的策略切开,要么挂一个限时 spike(调研),做完再估。硬估下去得到的数字,谁都不信。
5.2 计划扑克:同时亮牌才有效
计划扑克(planning poker,James Grenning 提出)的做法是每人一张牌,同时亮。同时亮是为了压住锚定:一个人先报 5,后面的人会不自觉靠近 5。亮牌后先请最大和最小的人讲理由,往往一方漏了外部依赖,另一方高估了测试成本。最多三轮,仍差两档以上就当场切卡,切完再估。
反模式很容易识别。主持人先说自己估 8 再逐个问「你觉得呢」;全组沉默,最后由技术负责人拍一个数。这两种做法产出的数字团队心里不认,排期一旦被追问就会失守。
5.3 速度是观测值,不是目标
速度(velocity)是一个迭代内完成的故事点总和,前提是「完成」按同一份完成定义(DoD,definition of done)判定。它有两个用途:回顾看趋势,预测当输入。它不该当考核指标——一旦和绩效挂钩,团队会做两件事:把点估大,把没做完的挪到下个迭代。这叫点通胀(point inflation)。
8 个迭代的历史是 [18, 22, 20, 15, 24, 19, 21, 9]。平均 18.5,只看平均会丢掉关键信息:最好 24,最差 9。66 点的剩余量,按平均算 3.6 个迭代,按最差算 8 个迭代,两者对决策的意义完全不同。
5.4 蒙特卡洛:把「大概」换成分位数
蒙特卡洛模拟(Monte Carlo simulation)的做法很朴素:把历史每迭代完成量当成一个可能的迭代,有放回地随机抽,累加到覆盖剩余点数,记下用掉几个迭代;重复一万次,得到一万个样本,排序取分位。图 5-1 是这套流程。
图 5-1 蒙特卡洛预测的抽样流程
如图 5-1 所示,唯一需要人判断的地方是「这段历史还代表未来吗」。团队换了一半人、迭代周期从两周改成一周、DoD 放宽了,输入就得重算。模拟本身不解决这个问题,它只是把假设摊开给人看。
类比是天气预报:它不说「明天下午 3 点下雨」,而说「降水概率 70%」。前者听起来确定,错了就是错了;后者能支撑「要不要带伞」这个决定。
5.5 承诺与预测的界线
承诺(commitment)是团队对「这个迭代做什么」的答复,范围可调,目标不动。预测(forecast)是对「多迭代后能交付什么」的概率陈述,用来支撑决策,不用来考核。差别在措辞上就能看出来。
| 场景 | 单点承诺 | 平均速度推算 | 分位数预测 |
|---|---|---|---|
| 措辞 | 「6 月 30 日上线」 | 「4 个迭代,约 8 周」 | 「85% 在 5 个迭代内,95% 也在 5 个」 |
| 依据 | 讨论后的决心 | 总点数 ÷ 平均速度 | 一万次模拟的分位 |
| 出错时 | 违约,要解释 | 说「估算不准」 | 概率本来就没保证 100% |
| 适用 | 单个迭代的范围 | 粗略沟通 | 排期、承诺窗口、资源申请 |
对外说话时把分位数翻成人话:「按现在的团队和历史数据,5 个迭代内交付的概率是 85%,95% 也在 5 个。如果 6 月 30 日是硬日期,得砍范围或者加人,加人大概提前半个迭代,因为新人上手要两周。」一段话里有概率、有前提、有备选方案。
三、动手实践
环境为 Python 3.11、numpy 2.3,数据来自 Jira。三步:取数、模拟、看范围变化。
步骤一:从 Jira 导出每个迭代的完成点数
-- 每个迭代完成的点数(Jira Server/DC 表结构,Cloud 用 REST API 取同名指标)
SELECT s.name AS sprint,
COUNT(i.id) AS done_issues,
SUM(CAST(cfv.numbervalue AS DECIMAL(6,1))) AS done_points
FROM jiraissue i
JOIN sprint s ON i.sprint = s.id
JOIN customfieldvalue cfv
ON cfv.issue = i.id AND cfv.customfield = 10016 -- Story Points
WHERE i.resolutiondate >= s.start_date
AND i.resolutiondate < s.end_date
AND s.name LIKE 'S-%'
GROUP BY s.name, s.start_date
ORDER BY s.start_date;运行结果:
sprint | done_issues | done_points
S-18 | 12 | 18.0
S-19 | 14 | 22.0
S-20 | 13 | 20.0
S-21 | 9 | 15.0
S-22 | 15 | 24.0
S-23 | 12 | 19.0
S-24 | 13 | 21.0
S-25 | 7 | 9.0口径上有四个坑:resolutiondate 落在迭代区间内才算完成,否则会把上个迭代遗留的卡算进来;取消的卡要排除;点数只算父任务,子任务重复计数会让总数虚高;迭代周期改过长度,就得换算成「每周完成量」再比。这四条写进 SQL 或导出说明都行,不能靠人记。
步骤二:跑一万次模拟
import math
import numpy as np
history = np.array([18, 22, 20, 15, 24, 19, 21, 9], dtype=float) # 最后一个是长假迭代
remaining = 66.0
runs = 10_000
rng = np.random.default_rng(20261116)
samples = np.empty(runs, dtype=int)
for k in range(runs):
total, n = 0.0, 0
while total < remaining:
total += rng.choice(history)
n += 1
samples[k] = n
for q in (50, 85, 95):
print(f"P{q}: {np.percentile(samples, q):.0f} 个迭代")
print(f"平均速度 {history.mean():.1f},单点推算 {math.ceil(remaining / history.mean())} 个迭代")
print(f"最坏 {samples.max()} 个迭代,超过 4 个迭代的比例 {(samples > 4).mean():.1%}")运行结果:
P50: 4 个迭代
P85: 5 个迭代
P95: 5 个迭代
平均速度 18.5,单点推算 4 个迭代
最坏 7 个迭代,超过 4 个迭代的比例 16.6%同一个仓库、同一份历史,「4 个迭代」和「85% 要在 5 个」是两句话,差的是一整个迭代。16.6% 这个数字值得记住:它意味着每六个这样的项目就有一个拖到第 5 个迭代,而用平均速度做计划的人不会为这六分之一做准备。种子固定(default_rng(20261116))是为了让同一份输入永远给出同一份输出,别人复核时不必怀疑随机数。
步骤三:看范围变化把预测推到哪
预测最怕的不是估偏,是范围变。接着上一段脚本,66 点之外再加 12 点会怎样:
for extra in (12, 30):
rem = remaining + extra
s = []
for _ in range(runs):
total, n = 0.0, 0
while total < rem:
total += rng.choice(history)
n += 1
s.append(n)
s = np.array(s)
print(f"剩余 {rem:+.0f} 点 -> P85 {np.percentile(s, 85):.0f} 个迭代, "
f"P95 {np.percentile(s, 95):.0f} 个迭代")运行结果:
剩余 +78 点 -> P85 5 个迭代, P95 6 个迭代
剩余 +96 点 -> P85 6 个迭代, P95 7 个迭代12 点看起来只是一周的活,P95 却从 5 个迭代变成 6 个;30 点让 P85 也跳了一档。原因是长尾:活儿越多,就越可能连抽几次低速度。把这两行放进邮件,比写「我们会尽力」更能说明为什么范围不该在迭代中途加。
四、常见误解
很多人以为故事点可以跨团队比较,于是有「我们 1 点等于他们 3 点」的换算表。相对估算只在同一批人、同一段时间内成立。跨团队比较的结果一定是点通胀:谁都希望自己被看成产能高的团队,最省力的办法就是把点估大。几年下来,1 点可能从半天缩到十分钟。
很多人以为蒙特卡洛要几百个迭代的数据。8 到 12 个就够跑出可用的分位数,前提是口径一致:同一份 DoD、同一批人、同一迭代长度。中间换过两次迭代长度,就只用最近一段数据,并把结论写成「按最近 6 个迭代」。
很多人以为预测准不准取决于单卡估算准不准。66 点上 8 张卡每张估偏 1 点,对总工期的影响远小于「迭代中途加 12 点范围」或「一张 3 点的卡实际是 8 点」。估算是为了让对话发生,预测误差的大头在范围和切片。
五、小结
[《需求拆解:用户故事与验收标准》](/guide/agile/user-story-slicing.html)把卡切小了,这一章给它们标刻度,再把刻度换成日期。
- 相对估算只回答「大几倍」。故事点没有工时含义,只在一个团队的一段时间内有效;斐波那契刻度是为了压住虚假精度。
- 参考故事是刻度的砝码,用来发现漂移,不用来换算工时。13 点是切卡的信号,不是能接受的结论。
- 计划扑克的关键动作是同时亮牌,它压的是锚定,不是分歧。
- 速度是观测值。平均值能用于粗略沟通,不能用来回答「能不能按时交付」——那个问题要的是分布。
- 蒙特卡洛把历史速度转成分位数,一句话交给决策者;承诺管一个迭代的范围,预测管多迭代的概率,混用就会退回到拍脑袋。
- 范围变化对预测的影响大于估算偏差。要保护日期,先保护范围。
六、相关文章
整套预测有一个沉默的前提:这个迭代「完成」的点数是真的完成。如果线上每周回滚两次、缺陷修复吃掉四成产能,历史速度里就混着返工,模拟只是在精确地估算一件不可靠的事。DoD 也是质量定义的另一面——它宽一寸,速度就虚一分。[《质量内建:TDD、重构与代码评审》](/guide/agile/engineering-practices-agile.html)讲质量内建:TDD 的红绿重构节奏、代码评审看什么和控制多大、技术债台账怎么记,以及质量门禁该卡在哪几道关上。
继续阅读:[《质量内建:TDD、重构与代码评审》 质量内建:TDD、重构与代码评审](/guide/agile/engineering-practices-agile.html)