Seus dados e seu modelo são confiáveis?
Comparando simulações de Monte Carlo com distribuição uniforme do Excel e com distribuição Weibull ajustada aos dados reais, o artigo mostra como o modelo escolhido pode dobrar a previsão de prazo.
Você vai encontrar centenas de kilobytes de material explicando sobre Simulação de Monte Carlo ao fazer uma simples pesquisa no Google.
Vai encontrar diversas planilhas, sites, aplicativos e ferramentas especializadas, gratuitas e pagas, que fazem Simulação de Monte Carlo.
Você escolherá alguma das opções que aparecerão na primeira página de itens recuperados na sua busca e que mais se ajustou aos seus critérios de escolha, possivelmente fará alguns testes e em seguida vai começar a utilizar.
Mas eu te pergunto: Você sabe me dizer qual a base para geração dos dados do modelo de simulação escolhido? Você sabe como os seus dados se comportam? E se os seus dados são aderentes ao modelo escolhido?
Bom, vejamos os exemplos abaixo. Para o mesmo conjunto de dados de vazão (throughput) semanal, eu obtive dois resultados diferentes. Os dados utilizados foram estes:
2, 3, 12, 5, 7, 9, 17, 13, 10, 13, 19, 9, 9
O primeiro resultado utiliza a função randbetween() do Excel. As funções RAND e RANDBETWEEN do Excel geram números pseudoaleatórios a partir da distribuição uniforme, também conhecida como distribuição retangular, onde há probabilidade igual para todos os valores que uma variável aleatória pode assumir (https://www.ablebits.com/office-addins-blog/random-number-generator-excel/).
Além disto, a função randbetween() gera números aleatórios duplicados.
O gráfico a seguir foi gerado usando um modelo que faz o cálculo dos parâmetros SHAPE e SCALE da distribuição de dados, utilizando as equações da distribuição Weibull (https://pt.wikipedia.org/wiki/Distribuição_de_Weibull).
Os valores foram estes respectivamente:
Shape (K): 1,85
Scale (L): 11,31
O próximo gráfico é uma simulação feita em Python, que executou 1 milhão de cenários em 4 segundos.
Parâmetro de forma (shape): 2.56 (teve uma pequena diferença ao cálculo do modelo Excel = 1,85)
Parâmetro de escala (scale): 11.83 (ficou muito próximo ao cálculo do modelo Excel = 11,31)
Dados estatísticos da amostra:
count 12.00
mean 10.50
std 4.62
min 3.00
25% 8.50
50% 9.50
75% 13.00
max 19.00
Com estes exemplos quero lhe mostrar que você precisa sim se preocupar com o comportamento da curva de distribuição dos seus dados.
Enquanto que na primeira simulação você tem um P85% de terminar o projeto de 30 itens com até 12 semanas, no segundo modelo você tem um P85% de 5 semanas! Mais que o dobro de diferença!
Mas veja que não é um bicho de sete cabeças! Existe solução viável e simples para resolver o problema.
O que não aconselho é você confiar cegamente em qualquer modelo de simulação, seja gratuito ou pago, em planilha eletrônica ou software aplicativo ou qualquer outra forma. Nem assumir premissas não confirmadas sobre os seus dados, ou seja, achar que a sua amostra segue um modelo normal e na verdade ela não é normalmente distribuída.
Modelos são abstrações da realidade. Pelo simples fato de serem modelos já há uma perda considerável de dados da realidade. Um modelo, por melhor que seja, não mapeia toda a realidade. É impossível!
Logo, o que puder ser feito para diminuir um pouco este impacto, deverá ser feito. Obviamente considerando os custos e benefícios dos ajustes e adequações do modelo.