Per anni, il mio viaggio in treno verso l’ufficio di un cliente è stato il mio laboratorio personale di Kanban. Avevo costruito una metrica di Lead Time estremamente affidabile, un set di dati consolidati che mi permetteva di calcolare al minuto l’istante esatto in cui uscire di casa per essere puntuale, senza sprecare un solo secondo. Era il trionfo della prevedibilità.
Poi, come per tutti, il mondo è cambiato. Tra la pandemia e un’evoluzione delle mie attività professionali, ho iniziato a usare quasi esclusivamente l’auto. Recentemente, però, ho avuto l’opportunità di tornare alle vecchie abitudini e riprendere il treno. Convinto della solidità della mia esperienza passata, ho ripreso in mano i miei vecchi dati. Mi sono fidato di quella ‘verità’ storica per pianificare il mio arrivo.
Mentre camminavo verso la mia destinazione finale, riflettendo sul fallimento della mia pianificazione, ho iniziato a concepire questo articolo. Mi sono reso conto di aver commesso lo stesso errore che spesso rimprovero alle aziende con cui collaboro: ho agito basandomi su metriche scadute in un sistema che non è più lo stesso.
L’invecchiamento delle metriche: quando i dati diventano il tuo rischio
Il mio errore non è stato di calcolo, ma di contesto. Quelle metriche, che anni prima garantivano la mia puntualità, erano diventate inutili, anzi, pericolose. Le ferrovie sono cambiate: l’infrastruttura è meno affidabile, i guasti più frequenti. Quel giorno, un imprevisto tecnico mi ha causato un ritardo di 15-20 minuti, mandando in fumo la mia pianificazione.
Come Kanban Coach, parlo spesso di stabilità del processo. Una metrica non è una verità ontologica; è una fotografia di un sistema in un determinato stato di equilibrio. Se il contesto muta, che sia per una crisi globale o per un degrado strutturale, la metrica subisce un processo di obsolescenza (Metric Decay). Usare il Lead Time del 2019 nel 2026 è come navigare una costa rocciosa usando una mappa del secolo scorso. Il territorio è cambiato, e lo schianto è quasi certo.
Mediocristan vs. Extremistan: comprendere la natura del mondo
Per navigare l’incertezza, dobbiamo capire in quale dominio stiamo operando. Nassim Taleb distingue tra Mediocristan, dove le fluttuazioni sono scarse e seguono una distribuzione Gaussiana, prevedibile. Ed Extremistan, il regno degli eventi estremi, dove un singolo evento può invalidare ogni previsione.
Senza metriche fresche e aggiornate, perdiamo la capacità di distinguere tra questi due mondi.
Se non so più quanto sia affidabile il treno, non posso più permettermi il lusso dell’efficienza. Sono costretto a un enorme dispendio di capacità residua: per essere sicuro di arrivare puntuale, dovrei partire un’ora prima. Questo è il costo economico del non sapere: senza dati, siamo costretti a un sovraccarico di precauzioni costante. Trattiamo ogni banale spostamento come se fosse un potenziale cigno nero, un evento catastrofico.
Costruire l’antifragilità: sopravvivere al caos per disaccoppiamento
Quando il sistema ferroviario ha fallito e le mie metriche sono saltate, ho cercato una via d’uscita. Ma ho scoperto che le soluzioni standard erano fragili quanto il treno stesso:
Taxi e Bus (sistemi dipendenti): erano entrambi paralizzati dal traffico urbano. Se la strada è bloccata, il taxi e l’autobus condividono lo stesso destino. In termini sistemici, le loro probabilità di fallimento sono correlate.
Andare a piedi (sistema antifragile/robusto): alla fine, ho scelto di camminare, anche se era la soluzione più lenta.
Camminare è una soluzione vincente perché è disaccoppiata dall’infrastruttura complessa. Non dipende dai segnali ferroviari, dai motori elettrici o dal traffico stradale. Mentre il taxi restava bloccato, la mia progressione costante a piedi non degradava con il fallimento del sistema circostante. In un mondo in cui non puoi misurare con precisione il Lead Time degli altri, l’unica strategia razionale è avere opzioni che non dipendano dalle fragilità altrui.
Conclusione: il costo del non sapere
Le metriche non servono solo a “misurare quanto siamo bravi”. Servono a definire la natura del mondo in cui stiamo operando. Se i tuoi dati sono obsoleti, non hai più una bussola: ogni fluttuazione statistica si trasforma in un evento da Extremistan che può travolgere la tua operatività.
Il costo di non avere metriche aggiornate è il tempo perso in cautele eccessive, o nel rischio di trovarsi a gestire l’imprevisto senza alcuna preparazione.
Vi lascio con una provocazione: siete sicuri che i dati che state usando oggi per guidare il vostro team non siano solo il ricordo di un sistema che non esiste più? Perché senza una metrica, ogni imprevisto è un caso di Extremistan.
Ho pubblicato originariamente questo articolo per il portale Kanban Help, al quale collaboro insieme al collega Luca Gambetti. Visita Kanban Help – www.kanban.help – per conoscere gli strumenti formativi e di coaching che ti possono aiutare a introdurre il metodo Kanban nella tua azienda.
Nel project management moderno, la capacità di prevedere è uno strumento strategico. A differenza delle previsioni meteo, che possiamo solo osservare passivamente, le previsioni di progetto ci informano su variabili che sono ancora sotto il nostro controllo. L’obiettivo non è indovinare quando un progetto finirà, ma capire quali leve possiamo manovrare per guidarlo verso un esito favorevole. Non si tratta di subire il futuro, ma di provare a plasmarlo, aumentando proattivamente le probabilità di successo. Fortunatamente, per ottenere questa chiarezza non sono necessari strumenti complessi: un semplice foglio di calcolo è più che sufficiente per costruire modelli di previsione potenti e realistici.
Questo articolo, basato sui concetti chiave presentati da Alexei Zheglov nel video Secrets of Flow #12 – Jan 28, 2025: Forecast on a Napkin, ti guiderà attraverso i passaggi concettuali per costruire una simulazione Monte Carlo, trasformando l’incertezza da un ostacolo a un vantaggio strategico. Per una spiegazione approfondita e la dimostrazione pratica, consiglio di guardare il video completo.
Prima di esplorare questo metodo, è essenziale comprendere i limiti dell’approccio più comune: la stima basata su un singolo numero.
I limiti di un singolo numero: la previsione del tovagliolo di carta
All’inizio di qualsiasi progetto, è fondamentale disporre di un modello di base per un primo controllo di fattibilità. Questo semplice calcolo, che si può quasi fare a pranzo su un tovagliolo di carta, si basa sull’allineamento di cinque indicatori chiave che devono essere coerenti tra loro. Questo approccio è noto come previsione puntuale perché si basa su un unico set di numeri precisi.
I cinque indicatori chiave sono:
Ambito (Scope): il numero totale di elementi di lavoro (work item) da completare (es. 120 work item).
Tempistica (Timeline): la durata target del progetto (es. 6 mesi).
Tasso di consegna (Delivery Rate/Throughput): il numero di work item che il team deve completare per unità di tempo per rispettare la scadenza (es. 20 work item/mese, calcolato dividendo l’ambito per la tempistica).
Tempo di ciclo (Cycle Time): il tempo medio necessario per completare un singolo work item (es. 0,5 mesi).
Lavoro in corso (Work in Progress – WIP): il numero di work item su cui il team lavora contemporaneamente (es. 10 work item, calcolato moltiplicando il tasso di consegna per il tempo di ciclo).
Il pericolo di questo modello non risiede in un errore di calcolo, ma nella sua fragilità. Basta che uno solo di questi indicatori non sia allineato con la previsione – un tempo di ciclo leggermente più lungo, una quantità di lavoro in corso insostenibile – e l’intero piano, apparentemente logico, non regge.
Il limite principale di questo approccio è la sua illusione di certezza. Presuppone che l’ambito non cambierà, che il tasso di consegna rimarrà costante e che ogni variabile sia nota con esattezza. È irrealistico credere di conoscere una di queste variabili con precisione assoluta. Ogni stima – specialmente quelle che derivano da una divisione, come il tasso di consegna – porta con sé un errore intrinseco. Per ottenere previsioni affidabili, dobbiamo passare a un metodo che non ignori questa realtà, ma la accetti.
Accettare l’incertezza: dalla previsione puntuale a quella probabilistica
Per un project manager, abbandonare le stime puntuali in favore di un range di probabilità non è un’opzione, ma un imperativo strategico. Invece di chiedere “Quando finirà il progetto?“, la domanda più utile diventa: “Qual è la gamma dei possibili risultati e con quale probabilità?“. Questo è il cuore della previsione probabilistica.
Tornando all’analogia del meteo, una previsione utile non dice semplicemente che domani ci saranno -5°C. Dice che la temperatura più probabile è -5°C, ma potrebbe variare tra -3°C e -6°C, mentre una temperatura di +20°C è estremamente improbabile. Questo range, unito alle probabilità, ci permette di prendere decisioni migliori.
La simulazione Monte Carlo è una tecnica che ci permette di fare esattamente questo per i nostri progetti. A livello concettuale, è come lanciare i dadi migliaia di volte per esplorare automaticamente migliaia di scenari. Invece di usare un solo valore per l’ambito e uno per il tasso di consegna, definiamo un range di possibilità per ciascuno. La simulazione combina casualmente questi valori migliaia di volte, generando una mappa completa e realistica dei possibili esiti del progetto.
Costruire una simulazione Monte Carlo: i fondamenti concettuali
La creazione di un modello di simulazione Monte Carlo funzionale ed efficace richiede, come passo fondamentale, la definizione di una funzione matematica che rappresenti con il massimo realismo possibile il fenomeno che si intende simulare. In alcuni casi, come nel nostro esempio, è relativamente semplice. In altri casi, per individuare correttamente questa funzione, si deve partire dall’analisi di dati storici affidabili relativi ai fenomeni specifici che possono variare e dai quali dipende la previsione. Questi dati permettono di ricostruire l’andamento del fenomeno nel tempo e di generare una curva di distribuzione che ne illustri chiaramente il comportamento statistico passato. Successivamente, è necessario condurre una ricerca mirata in letteratura per identificare una funzione matematica che approssimi al meglio quella curva distribuzione. Il momento cruciale della modellazione avviene attraverso il confronto grafico per sovrapposizione tra la curva ottenuta dai dati reali e le possibili curve matematiche teoriche: quella che garantisce la migliore approssimazione viene scelta per essere implementata nel modello, garantendo una rappresentazione corretta durante le simulazioni.
L’accuratezza in questa fase è essenziale per conferire credibilità al modello nei confronti degli stakeholder, poiché permette di spiegare in modo logico perché la simulazione possa essere considerata una valida approssimazione della realtà per formulare previsioni attendibili.
Il valore del modello sta nel ragionamento analitico
Tuttavia il valore autentico del modello non risiede tanto nei valori generati dalla previsione, quanto nel ragionamento analitico che ne ha guidato la costruzione. La fase di modellazione obbliga infatti a scomporre le dinamiche che influenzano l’esito del progetto e individuare i punti critici su cui agire.
La comprensione più profonda emerge quando costruiamo il modello che rappresenta il fenomeno che vogliamo simulare. Per simularne il tempo di ciclo, per esempio, dobbiamo identificare gli input: l’effort effettivo (es. 3-5 giorni), i ritardi dovuti a risorse non immediatamente disponibili (fino a una settimana), la probabilità di incontrare un blocco (es. 50%), l’impatto delle dipendenze esterne. Questo esercizio è esattamente lo stesso lavoro necessario per identificare i punti su cui intervenire per migliorare il processo. Costruire questo modello vi costringe a quantificare le vostre fonti di ritardo. Una volta che avete assegnato un numero a un blocker o a una dipendenza, non avete solo un input per la previsione, ma un obiettivo misurabile per il miglioramento.
Risultato della simulazione Monte Carlo della durata di un progetto: istogramma e curva dei percentili
Costruire una simulazione Monte Carlo: l’applicazione pratica
Vediamo ora, passo dopo passo, come scomporre la logica di una simulazione Monte Carlo in passaggi concreti applicati al nostro progetto, rendendola accessibile a chiunque abbia familiarità con un foglio di calcolo, senza perdersi in formule complesse.
Sostituire la falsa certezza con l’incertezza quantificata
Il primo passo è sostituire le stime puntuali e rigide con range di incertezza basati su ipotesi realistiche. Invece di numeri fissi, lavoriamo con intervalli che riflettono la variabilità del mondo reale.
Ambito del progetto: invece di assumere che il progetto avrà esattamente 120 work item, riconosciamo che l’ambito può crescere (cosiddetto ‘scope creep‘). Definiamo un range di possibile aumento, ad esempio, tra lo 0% e il 50%.
Tasso di consegna (Throughput): invece di presumere un tasso costante di 20 item/mese, consideriamo che la produttività del team possa fluttuare. Definiamo un range di variabilità, ad esempio, +/- 10% rispetto al valore di riferimento.
Simulare un singolo futuro possibile
Una volta definiti i range, il foglio di calcolo esegue una singola “iterazione” del futuro. In pratica, per una riga del foglio di calcolo, il sistema:
Sceglie un valore casuale all’interno del range di crescita dell’ambito (es. un’espansione del 15%).
Sceglie un valore casuale all’interno del range di variabilità del throughput (es. un tasso di 18.5 item/mese).
Calcola una possibile durata del progetto basata su questi valori specifici e casuali.
Questa singola riga rappresenta uno delle migliaia di possibili futuri per il nostro progetto.
Generare la mappa completa dei risultati
La vera potenza del metodo si manifesta a questo punto. Il foglio di calcolo permette di ripetere quasi istantaneamente il processo descritto nel punto precedente per migliaia di righe. In pochi secondi, si genera un’enorme raccolta di possibili durate del progetto, ognuna basata su una combinazione leggermente diversa delle nostre ipotesi iniziali. Questa massa di dati è la materia prima per una previsione veramente informativa. Il passo successivo è interpretarla in modo strategico.
Interpretare i risultati: il significato dell’istogramma
Il risultato di una simulazione Monte Carlo non è un singolo numero, ma una distribuzione di probabilità. Lo strumento migliore per visualizzarla è un istogramma (come in figura). In questo grafico, l’asse orizzontale mostra le possibili durate del progetto (in mesi), mentre l’altezza di ciascuna barra indica la frequenza di quel risultato nelle simulazioni, rappresentando di fatto la sua probabilità.
Analizzando il grafico, emerge un’evidenza fondamentale: la stima puntuale iniziale di 6 mesi si colloca quasi sempre nella parte più ottimistica della distribuzione, a sinistra, dove le barre sono più basse. Questo dimostra visivamente quanto sia rischioso fare affidamento su di essa.
Per comunicare gli impegni in modo professionale, usiamo i percentili (come in figura). Il percentile è il valore al di sotto del quale cade una certa percentuale di risultati della simulazione. Ad esempio se il risultato di una simulazione si trova all’85° percentile, significa che l’85% delle simulazioni ha dato un risultato inferiore o uguale, mentre il 15% ha dato un risultato superiore. Un impegno all’85° percentile non è un numero arbitrario, ma un pragmatico punto di negoziazione con gli stakeholder e successiva gestione del progetto. Questa previsione rappresenta uno scenario “pessimistico ma ancora accettabile”. Se questa data soddisfa i criteri di business, si è in presenza di un progetto praticabile. L’accordo si basa sulla tolleranza degli stakeholder per il risultato pessimistico.
Una volta che l’accordo è raggiunto, l’utilizzo della simulazione cambia. L’obiettivo non è più solo eseguire, ma pilotare attivamente il progetto verso i risultati più ottimistici (la parte sinistra dell’istogramma). Questo si ottiene gestendo le variabili del modello: controllando lo scope creep e stabilizzando il tasso di consegna. La previsione si trasforma da predizione passiva a fondamento di una strategia di gestione attiva.
Oltre la previsione: usare i dati per migliorare la gestione
Il punto più importante è che la previsione e il miglioramento sono due facce della stessa medaglia. Un buon modello di previsione non serve solo a predire il futuro, ma anche, e soprattutto, a identificare le leve che possiamo manovrare per cambiarlo in meglio.
Attraverso l’analisi di sensitività, che consente di osservare come varia il risultato finale al mutare dei parametri, è possibile sviluppare riflessioni strategiche su come migliorare concretamente le probabilità che un progetto vada in porto con successo.
Il modello di simulazione mostra chiaramente l’impatto delle nostre azioni. Possiamo vedere come gli sforzi per controllare l’aumento dell’ambito spostino l’intera distribuzione verso sinistra. Allo stesso modo, le iniziative per mantenere un tasso di consegna stabile riducono la dispersione dei risultati, rendendo il progetto meno rischioso.
Conclusione: prendi il controllo delle tue previsioni
Abbandonare le stime basate su un singolo numero a favore di un approccio probabilistico non significa arrendersi all’incertezza, ma padroneggiarla. Questo metodo trasforma la previsione da un atto di speranza a un potente strumento di gestione strategica.
I messaggi chiave sono tre:
Sfida la tirannia del singolo numero. Adotta le previsioni probabilistiche per gestire l’incertezza, non per ignorarla.
Democratizza la previsione. Usa un semplice foglio di calcolo per mappare l’intera gamma dei possibili futuri, rendendo visibile il rischio e l’opportunità.
Agisci, non limitarti a prevedere. Usa il modello come una leva strategica per pilotare il progetto verso il successo, intervenendo sulle variabili che puoi controllare.
Sperimenta questo approccio. Inizia a costruire i tuoi modelli semplici e scoprirai un nuovo livello di controllo e prevedibilità, aumentando drasticamente le probabilità di successo per i tuoi progetti.
Ho pubblicato originariamente questo articolo per il portale Kanban Help, al quale collaboro insieme al collega Luca Gambetti. Visita Kanban Help – www.kanban.help – per conoscere gli strumenti formativi e di coaching che ti possono aiutare a introdurre il metodo Kanban nella tua azienda.
