Por que sua estimativa de prazo está errada (e como a matemática pode ajudar)
Por que usar a média do lead time engana suas estimativas de prazo, e como percentis (P70/P85/P95) e simulação de Monte Carlo tornam os compromissos de entrega mais confiáveis.
Quanto tempo leva para entregar uma feature? Se você respondeu com um número único, tenho más notícias.
O Problema da Média
Analisei dados reais de lead time em desenvolvimento de software e os resultados são reveladores:
- Média: 13 dias
- Mediana: 6 dias
- P95: 45 dias
Metade das tarefas termina em 6 dias, mas você comunica a média de 13. Resultado? Frustração constante.
A Realidade dos Dados
Coeficiente de Variação = 1.75
Quando CV > 1, seu processo é mais imprevisível que um lançamento de dados. Literalmente.
Assimetria = 7.03
Distribuição extremamente distorcida. Muitas tarefas rápidas, algumas intermináveis.
5% das tarefas levam 7x mais que a mediana
Aquele “caso excepcional”? Acontece 1 vez a cada 20 tarefas.
O que está acontecendo?
Lead time em trabalho do conhecimento segue distribuições de cauda longa (Weibull ou Log-normal), não a curva normal que aprendemos na faculdade.
Tradução: o Teorema Central do Limite, que justifica usar médias, simplesmente não funciona aqui.
Por quê?
- Descoberta progressiva: complexidade emerge durante o desenvolvimento
- Dependências ocultas: “Ah, mas isso impacta o módulo X que ninguém lembrou”
- Eventos raros, mas impactantes: bugs críticos, mudanças de escopo, débito técnico
- Feedback loops: atrasos geram mais atrasos
A Solução Estatística
PARE de fazer isso:
- “Em média, entregamos em 2 semanas”
- Somar estimativas individuais
- Ignorar os “outliers” como exceções
COMECE a fazer isso:
- Use percentis para compromissos
- P70 para promessas internas
- P85 para compromissos externos
- P95 para projetos críticos
- Comunique intervalos, não pontos
- “70% de chance de entregar em 12 dias”
- “95% de certeza em até 45 dias”
- Monitore a distribuição real
- Colete dados de lead time
- Identifique seu tipo de distribuição
- Use simulação Monte Carlo para previsões
- Gerencie a variabilidade
- Limite WIP (trabalho em progresso)
- Classifique tipos de trabalho
- Investigue sistematicamente tarefas > P85
Quando a média é 2x maior que a mediana, usar a média para estimativas é negligência estatística.
Em sistemas complexos como desenvolvimento de software, a variabilidade não é ruído - é sinal. Eventos “raros” de 3 desvios-padrão acontecem toda semana quando você tem 50 tarefas em andamento.
Desafio para você:
- Calcule a média e mediana do seu lead time atual
- Se média/mediana > 1.5, você tem um problema de cauda longa
- Comece a usar P85 para seus compromissos
Quantas “surpresas” no seu projeto eram estatisticamente previsíveis?
Ferramentas usadas: Python, scipy, análise de distribuições Weibull/Log-normal, simulação Monte Carlo. Dados baseados em padrões reais de desenvolvimento de software.
Nota técnica para os curiosos:
O código que desenvolvi analisa:
- Ajuste de 4 distribuições diferentes (Weibull, Log-normal, Exponencial, Pareto)
- Detecção de outliers por 4 métodos distintos
- Análise de cauda pesada (heavy-tail analysis)
- Cálculo do índice de previsibilidade
- Simulação Monte Carlo para intervalos de confiança