Werklastprognose: geef het management een bandbreedte, geen enkele datum16 min read

Een stuurgroep stelt een terechte vraag. Wanneer landen de zes projecten die we dit jaar hebben toegezegd?

De portfolioverantwoordelijke doet wat verstandig is:

• Het werk opdelen in taken
• Elk onderdeel inschatten met de mensen die het gaan doen
• De cijfers optellen tot een planning
• Eén datum op een slide zetten

Dan schuift die datum toch op, zelfs met zorgvuldige schattingen en een team dat elk beloofd cijfer haalde.

De schatting voorspelde het project en negeerde het systeem waarin het draait. Twee variabelen bepalen de echte datum, en geen van beide overleeft een optelsom.

Het management heeft een bandbreedte nodig, een betrouwbaarheidsniveau zodra de historie er een kan dragen, en een methode die beide verdient.

Waarom bottom-up schattingen stukgaan in innovatieportfolio’s

Schatten en optellen is een redelijke methode. Alleen draagt die aannames met zich mee die innovatiewerk stilletjes schendt:

• Het werk is goed genoeg begrepen om nauwkeurig op te delen
• Toegewezen capaciteit is echt vrijgemaakt
• De volgorde blijft stabiel zodra het plannen klaar is
• Vertraging op één project raakt de andere niet

Schend er één van en de rekensom levert nog steeds een datum op. Alleen betekent die niets meer.

De onzekerheidskegel beschrijft de eerlijke versie. In de vroegste fase van een project dragen schattingen terecht een marge van ongeveer vier keer in beide richtingen.

Die kegel wordt smaller naarmate het werk vordert, maar alleen als de scope stil blijft staan. In innovatieportfolio’s beweegt de scope, en een bewegende scope maakt de kegel weer breder.

Waar de schattingsbias werkelijk vandaan komt

Het klassieke onderzoek naar de planningsfout zette harde cijfers op dat gat:

• Honoursstudenten voorspelden dat hun scriptie 33,9 dagen zou kosten
• Het werk kostte in werkelijkheid 55,5 dagen
• Slechts 29,7% was klaar op de eigen voorspelde datum
• In een aparte studie binnen hetzelfde artikel liep 74% van de gerapporteerde gedachten van deelnemers vooruit het plan in, en keek maar 7% terug naar hoe vergelijkbaar werk werkelijk was verlopen

Ervaring maakt niemand hier immuun voor, want het mechanisme werkt maar één kant op. De projectdatabase van Bent Flyvbjerg laat hetzelfde patroon op grote schaal zien.

Negen van de tien megaprojecten overschrijden hun budget, en overschrijdingen tot 50% in reële termen zijn gebruikelijk.

Dat is de kostenhistorie op miljardenschaal. Een innovatieportfolio dat draait op fractionele capaciteit heeft geen enkele reden om op planning beter te presteren.

Nog één opmerking over bronhygiëne, want dit onderwerp trekt slordige citaten aan. De veelherhaalde claim dat ruwweg één op de drie projecten slaagt, gaat terug op een niet-gepubliceerde methodologie.

Academische onderzoekers hebben die claim direct betwist: in een enquête onder 193 ervaren IT-projectmanagers scoorde meer dan 90% van de projecten boven het middenniveau van succes. Maak prognoses op basis van bewijs dat je kunt inspecteren.

De twee variabelen die je opleverdatum echt bepalen

Beide staan buiten het projectplan, en daarom lost harder schatten ze nooit op. Begin met degene die niemand modelleert.

Bezetting, en waarom 90% bezet niet 90% productief is

De wachtrijtheorie heeft een ongemakkelijke uitkomst voor iedereen die capaciteit in een spreadsheet plant.

De formule van Kingman drukt de gemiddelde wachttijd uit als functie van drie dingen: bezetting, variabiliteit en bedieningstijd. De bezettingsterm is degene die pijn doet.

De tabel hieronder is een illustratieve benadering van wachttijd, en de vorm telt zwaarder dan de exacte factoren.

Wachttijd schaalt mee met de verhouding tussen bezetting en resterende capaciteit, dus die verviervoudigt tussen halve belasting en 80%, en loopt daarna weg zodra je volle belasting nadert.

Het benchmarkcontrast van Don Reinertsen maakt het praktische punt scherper. Productieorganisaties begrenzen de bezetting doorgaans rond de 85%, terwijl technisch werk, zo merkt hij op, vaak tot 95% wordt belast.

Dat tweede cijfer ligt ruim voorbij het punt waar de curve steil wordt. En innovatieportfolio’s hebben zelden zelfs maar zoveel ruimte om mee te spelen.

Veel ervan draaien op mensen met een dagelijkse baan. Een “allocatie van 20%” is een fractionele claim op iemand die ergens anders al op of dicht bij volledige bezetting zit.

Het levert dus zelden 20% vrije agenda op. Spreadsheets tellen percentages op; wachtrijen tellen wachttijd op.

Onderhanden werk, de knop waar je echt aan kunt draaien

De wet van Little stelt de relatie helder: gemiddelde doorlooptijd is gemiddeld onderhanden werk gedeeld door gemiddelde doorvoer. Drie variabelen, één vergelijking, geen ruimte om te onderhandelen.

Doorvoer is lastig snel te verhogen. Werven duurt maanden, en bekwame capaciteit in innovatiewerk is zelden uitwisselbaar.

De enige knop die de doorlooptijd op korte termijn beweegt, is dus onderhanden werk. Verminder wat er loopt en dingen komen eerder af, zonder dat iemand sneller werkt.

De prijs van het negeren van die knop blijkt uit hoe versnipperd het werk wordt. De veldstudie van Gloria Mark uit 2005 onder kenniswerkers zette er drie cijfers op:

• Ruwweg 11 minuten op één werkgebied voordat iemand overschakelde op iets anders
• 57% van de werksegmenten werd onderbroken
• Gemiddeld 2,26 tussenliggende werkgebieden voordat onderbroken werk dezelfde dag werd hervat

Die studie meet individuele aandacht, niet portfoliobelasting. Toch beprijst ze de wisseling die een portfolio met te veel lopend werk blijft kopen.

Dezelfde lezing van Reinertsen voegt de governance-helft van het probleem toe. Vraag tien belanghebbenden om hetzelfde stuk werk te waarderen zonder gedeeld model voor cost of delay.

Hun cijfers voor cost of delay lopen dan uiteen met een factor in de orde van 50 op 1. Die spreiding is hoe “alles heeft hoge prioriteit” eruitziet zodra je het meet.

Dat is een defect in de prognose. Een portfolio zonder afgesproken prioriteitsvolgorde heeft geen stabiele volgorde om tegen af te zetten.

Vier prognosemethoden die onzekerheid overleven

Vier methoden houden stand als het werk echt onzeker is. Wat ze onderscheidt, is wat ze van je data eisen.

Geen van deze methoden neemt de onzekerheid weg. Elk misleidt op een specifieke manier: als de data dun is, als die verkeerd is ingekaderd, of als het werk nooit stilstaat.

Kies op basis van wat je vandaag echt kunt onderbouwen. Een boardpack beloont de meest geavanceerd ogende output, en je leverhistorie ondersteunt die zelden.

Doorvoergebaseerde prognoses

De empirische aanpak voorspelt vanuit hoe snel je vergelijkbaar werk daadwerkelijk hebt geleverd. Die slaat het plan over, en ook de gok van het team over wat het volgende item zou moeten kosten.

De regel van Daniel Vacanti is hier de discipline: voorspel nooit vanuit een gemiddelde. Een gemiddelde zegt je niets zonder de verdeling erachter.

Zet een datum op een gemiddelde en je hebt je vastgelegd op een betrouwbaarheidsniveau dat niemand heeft uitgesproken.

Voor één item werkt het mechanisch zo:

1. Zet de doorlooptijden van afgeronde items uit in een spreidingsdiagram
2. Trek de lijnen van het 50e en het 85e percentiel door de grafiek
3. Lees de twee doorlooptijden af op die lijnen, elk met de bijbehorende kans

Doorvoerprognose heeft van de vier de laagste drempel. Die vraagt om je historie van afgeronde items, een consistente werkeenheid, en een aantal of bandbreedte van wat er nog ligt.

Die eenheid is ook de faalmodus. Een backlog waarin een aanpassing van twee dagen en een bouw van twee maanden door elkaar lopen, geeft een verdeling van niets in het bijzonder.

Voor een batch deel je het resterende werk door een wekelijks afrondingstempo. Draai dat op een mediane week en op een trage week om een bandbreedte zonder label te krijgen.

Zonder label is het eerlijke woord. Delen door een trage week veronderstelt dat elke resterende week traag is, dus schiet het verre uiteinde verder door naarmate de batch langer loopt.

Echte percentielen op een batch vragen om de simulatie uit de volgende paragraaf.

Monte Carlo-simulatie

De mechaniek is eenvoudig. Wijs op basis van historische data kansverdelingen toe aan de onzekere invoer, en draai het model daarna herhaaldelijk met willekeurige trekkingen.

Monte Carlo-methoden draaien doorgaans duizenden simulaties, vaak 10.000 of meer. De uitkomst is een kansencurve.

Een uitgewerkt voorbeeld van de engineeringteams van Expedia Group laat de vorm van de output zien, al is het geen modeldataset. Hun invoer was bescheiden:

• Doorvoerdata van afgerond werk uit de afgelopen zeven sprints
• Een lage en hoge bandbreedte voor de resterende scope
• Een splitsingsfactor voor stories om scopeonzekerheid mee te nemen

Vijfhonderd runs waren genoeg, al zijn zeven sprints dun volgens de norm hieronder. Belanghebbenden kozen een datum die paste bij hun risicobereidheid: 7% vroeg, 50% midden, 85% laat.

Het bewijs voor de nauwkeurigheid houdt stand waar de data het draagt. Eén peer-reviewed studie zette Monte Carlo-prognoses voor opleverdata op 32% gemiddelde relatieve fout.

De inspanningsprognoses kwamen uit op 20%, tegenover 134% voor de eigen schattingen van de ontwikkelaars.

Dezelfde studie vond dat de nauwkeurigheid stabiliseerde zodra er ongeveer 20 historische datapunten waren. Die drempel is de eerlijke beperking van deze methode.

Daaronder draait Monte Carlo nog steeds, en produceert het overtuigend ogende output uit vrijwel geen signaal. Dat is erger dan zeggen dat je het niet weet.

Referentieklasse-prognose

Referentieklasse-prognose ruilt het plan van je project in voor de historie van projecten zoals dit. Drie stappen:

1. Stel een klasse samen van echt vergelijkbare afgeronde projecten
2. Bepaal de verdeling van hun werkelijke uitkomsten
3. Plaats het nieuwe project binnen die verdeling

Dat is de blik van buitenaf: het project beoordelen op zijn klasse in plaats van op het plan dat het voor zichzelf schreef. Het is bewust onpersoonlijk, en dat is precies de bedoeling.

Het is de sterkste optie voor werk dat je nog nooit hebt gedaan, en dat beschrijft een groot deel van elk echt innovatieportfolio.

Het leent de historie die je niet hebt uit een klasse die je wel kunt definiëren. Het draagt ook geloofwaardigheid bij een sceptische stuurgroep.

Het Verenigd Koninkrijk was de eerste Europese overheid die de methode verplicht stelde voor kostenramingen bij door de staat gefinancierde transportprojecten, en Denemarken volgde kort daarna.

De faalmodus zit volledig in de definitie van de klasse. Een klasse die is samengesteld om het project te vleien, is een blik van binnenuit in vermomming.

Rolling wave herprognose bij gates

“Plan een beetje, doe een beetje.” In de praktijk betekent dat drie dingen:

• Gedetailleerd plannen voor de korte horizon
• Voorlopige detaillering voor de verre horizon
• Een echte herprognose bij elke gate

Een door PMI gepubliceerd praktijkartikel bouwt het idee uit tot een proces in zes stappen voor innovatieprogramma’s, en dat sluit aan op hoe de meeste portfolio’s al draaien.

Portfolio’s met stage-gates krijgen dit vrijwel gratis. Elke gate is al een beslismoment, dus de verandering is puur procedureel: maak een herprognose een verplichte output van de gate.

De faalmodus is subtiel. Herprognose maakt de kegel alleen smaller als de scope tussen gates echt tot rust komt.

Draai het op een project waarvan de scope blijft bewegen en je documenteert dezelfde onzekerheid opnieuw, tegen een nieuwere datum. Het ritueel vindt plaats, de informatie verbetert niet.

De methode afstemmen op de datavolwassenheid van je portfolio

Je leverhistorie, de nieuwheid van het werk en je governance-structuur bepalen welke methode je hebt verdiend. Stem ze eerlijk af:

• Minder dan ongeveer 20 waarnemingen van wat je ook zou meten, doorlooptijden per item of doorvoer per sprint. Gebruik doorlooptijdpercentielen voor losse items en een bandbreedte zonder label voor batches. Leg een WIP-limiet op en sla simulatie helemaal over.
• Een stabiele historie van 20 of meer van zulke waarnemingen. Monte Carlo verdient hier zijn plek, en het verschil in nauwkeurigheid ten opzichte van puntschattingen is echt.
• Werk dat nieuw is voor jouw organisatie, maar niet voor de wereld. Referentieklasse-prognose, ook als je een doorvoerhistorie hebt, met doorvoerpercentielen voor de routinematige items eromheen. Als er geen vergelijkbare klasse samen te stellen is, is de methode voor jou niet beschikbaar.
• Een portfolio met stage-gates en een governance-cadans die al loopt. Leg rolling wave herprognose bovenop wat van het bovenstaande bij het onderliggende werk past.

De afweging waar je eerlijk over moet zijn, is Monte Carlo op een dunne dataset. Dat is precisie als theater, en een simulatie-uitkomst beëindigt het gesprek meestal.

Een bandbreedte met zichtbare aannames nodigt juist uit tot tegenspraak. In een governance-overleg is dat de uitkomst die je wilt als de data dun is.

De meeste innovatieportfolio’s zouden moeten beginnen met doorvoerpercentielen en een WIP-limiet, en zich daarna een weg verdienen naar simulatie naarmate de leverhistorie zich opbouwt.

Die volgorde kost niets. En hij bouwt de data op die de verfijndere methode uiteindelijk nodig heeft.

Hoe je een bandbreedte rapporteert aan mensen die een datum willen

Het echte bezwaar tegen probabilistisch prognosticeren is politiek. Het management vroeg om een datum, en een commissie die in plaats daarvan een kansverdeling krijgt, kan dat redelijkerwijs lezen als ontwijkend.

Een governance-vraag beantwoorden met een grafiek komt over als een uitvlucht, en soms is het dat ook. De herformulering die wel landt, is risicobereidheid.

“50% in juni, 85% in augustus” is het management dat kiest hoeveel planningsrisico het draagt. Vroege datum, meer risico; latere datum, meer zekerheid.

Een bruikbare prognoseverklaring bevat vier dingen:

• De datumbandbreedte zelf
• Het betrouwbaarheidsniveau bij elke datum, of een heldere mededeling dat er geen is
• De aannames die constant worden gehouden: scope, allocatie en WIP-limieten
• De trigger die een herprognose afdwingt vóór de eerstvolgende geplande

Dat laatste punt onderscheidt een prognose van een wens. Door de trigger vooraf te benoemen, versmal je de discussie over de vraag of er genoeg is veranderd om het getal te herzien.

Governance neigt er ook toe twee dingen door elkaar te halen die je uit elkaar moet houden:

Die twee verwarren is hoe teams zich vastleggen op een 50%-datum. De praktijkervaring met het maken van die omslag is bemoedigend.

Bij John Lewis & Partners besteedde één team tot wel 10% van zijn jaarlijkse capaciteit alleen al aan schatten.

Het team stapte over op Monte Carlo, gevoed met doorvoerdata die het al had, en er volgden drie dingen:

• De schattingssessies stopten volledig
• Twee grote toezeggingen met een vaste datum werden in dezelfde week op tijd geleverd
• Twee jaar aan vervolgdata liet hoge nauwkeurigheid zien voor een fractie van de inspanning

Eerlijk is eerlijk: er zit een gat in het bewijs dat benoemd moet worden.

Geen enkele gecontroleerde studie toont aan dat bestuurders probabilistische rapportage beter accepteren dan losse datums. Wat er ligt, wijst de goede kant op, maar is nog geen bewijs.

Wie je op die vraag zekerheid verkoopt, overdrijft wat we weten.

Wat dit vraagt van je portfoliodata

Doorvoer, Monte Carlo en elke rolling wave die daarop is gebouwd, delen één voorwaarde. Je hebt een schone, consistente registratie nodig van wanneer werk elke fase in ging en weer verliet.

Een portfolio dat niet kan meten, kan geen prognose maken vanuit zijn eigen historie. De methodekeuze ligt stroomafwaarts van een dataprobleem dat niemand als zodanig heeft benoemd.

De minimaal werkbare dataset is kort:

• Tijdstempels van in- en uitgang per fase, voor elk item
• Een consistente werkeenheid, getagd op type zodat je gelijk met gelijk kunt vergelijken
• Een expliciete definition of done per fase
• Een benoemde eigenaar per item
• Resterende scope als bandbreedte van laag tot hoog, voor elk toegezegd item, gestart of niet

Niets daarvan is exotisch, maar het moet elke keer op dezelfde manier worden vastgelegd, door iedereen. Tooling registreert alleen wat discipline al oplevert.

De ambitie is bijna overal de operationele volwassenheid voorbijgelopen. Een BCG-studie uit 2024 onder ruim 1.000 senior innovatiebestuurders vond dat 83% innovatie in hun top drie van prioriteiten zet.

Slechts 3% van de bedrijven kwalificeert als innovatiegereed volgens BCG’s eigen volwassenheidsscore, tegen 20% twee jaar eerder. De intentie is er; de operationele registratie niet.

Prognosticeren zit precies in dat gat, en het dichten ervan is een registratieprobleem voordat het een methodeprobleem is.

Je kunt geen prognose maken van een portfolio dat je niet kunt zien, en structuur in de registratie maakt het zichtbaar.

Voorspel het systeem, niet het project

De meeste portfolio’s kunnen hun prognoses dit kwartaal verbeteren zonder iets nieuws te kopen. Wat moet veranderen is wat er wordt gerapporteerd, en hoeveel er tegelijk loopt.

Drie stappen, in deze volgorde:

• Leg een WIP-limiet op het portfolio voordat je verfijning in prognoses koopt
• Vervang losse datums door percentielen waar je die hebt, en zet de aannames ernaast
• Maak een herprognose een verplichte output bij elke gate, in plaats van een incidentele gunst

De WIP-limiet verdient de eerste plek omdat die de doorlooptijd verkort, de enige knop die beschikbaar is voordat je data hebt. Niets anders hier werkt zo snel.

Niets daarvan houdt stand zonder structuur in de registratie. Geef het management de bandbreedte, en het betrouwbaarheidsniveau overal waar de data er een verdient.

Maak het systeem voorspelbaar, en de datum houdt op een gok te zijn.

Download ons gratis e-book Projectportfolio: van kansen naar waarde om te leren hoe je portfolio-governance structureert en voortgang en gezondheid over al je initiatieven volgt.

Vraag een demo aan om te zien hoe Accept Mission je leverhistorie op fasenniveau, realtime zicht op het portfolio en rapportage vanuit één bron geeft, voor elk innovatieproject.