Die Aufwandschätzung von Arbeitspaketen ist ein zentraler und wichtiger Schritt der Projektplanung. Nur durch zuverlässige Abschätzungen ist es möglich, eine realistische Projektdauer zu errechnen, den Ressourcenbedarf zu ermitteln und diesen effektiv und effizient einzuplanen, um den erfolgreichen Abschluss eines Projektes zu gewährleisten.

Eine realitätsnahe Aufwandsschätzung erfordert eine hohe Anzahl an Experten, um möglichst viele Stolperfallen und verdeckte Aufwände vorab aufzudecken. Zudem sollen die Sachverständigen dem Projektmanager den nötigen Input geben, um diese Information in den Projektplan einfließen zu lassen.

Es ist unrealistisch, eine Vielzahl von Experten ad hoc zur Verfügung zu haben. Noch unwahrscheinlicher ist es, einen Experten für jeden konkreten Bereich befragen zu können, da diese sehr stark gefragt sind und unter extremen Zeitdruck stehen. Daraus resultiert eine oberflächliche Einschätzung der Experten oder, dass der Projektmanager selbst die Aufwandsschätzung übernimmt. So kann es passieren, dass tieferliegende Herausforderungen übersehen werden. In diesem Fall muss der Projektmanager die Expertenabschätzung plausibilisieren und gegebenenfalls anpassen.

Analog zu Fahrerassistenzsystemen und autonomen Fahrzeugen kann ein Algorithmus des Maschinellen Lernens hier Abhilfe schaffen. Um den Machine Learning Algorithmus einer autonomen Fahrassistenz zu trainieren, sind große Datenmengen nötig, die eine Vielzahl von Sensoren wie z.B. Kameras, Radar und Lidar erfassen. So wird beispielsweise die Abstandsabmessung zum vorausfahrenden Fahrzeug trainiert, um so einen Abstand während der Fahrt zu gewährleisten.

Analog zu diesem Beispiel sind Algorithmen in der Lage, Aufwände von häufig vorkommenden Arbeitspaketen zu schätzen. Die durch Künstliche Intelligenz (KI) gestützte Schätzung verkürzt die Zeit der Einschätzung durch Experten und Projektmanager erheblich, da Projektmanager die Schätzungen der KI im Idealfall sogar ganz in ihre Planung übernehmen können. Solche Entscheidungen einer Maschine zu überlassen, fällt uns Menschen jedoch schwer, da wir die Technik hinter dem Algorithmus nicht vollständig verstehen.

Dieser Artikel soll die potenziellen Vorteile einer durch Reinforcement Learning (RL) erarbeiteten Aufwandsschätzung für häufig wiederholte Aufgaben aufzeigen. Anhand eines Beispiels stellen wir die notwendigen Schritte zur Implementierung eines RL Algorithmus vor, um die dahinterstehende Technik sowie die generierten Ergebnisse verständlich zu machen.

Methoden und Herausforderungen der Aufwandsschätzung

Es gibt mehrere Methoden, um Aufwände zu schätzen. Zwei Kriterien sind dabei von besonderer Bedeutung: Zum einen die Qualität der Schätzung und zum anderen der Aufwand, der zur Schätzung nötig ist.

Daher ist die größte Herausforderung, die notwendige Qualität mit den gegebenen Ressourcen (Zeit, Experten) zu erreichen. Die Aufwandsschätzung ist demnach der wichtigste Grundstein einer zuverlässigen und stabilen Planung. Somit gefährdet eine schlechte, beziehungsweise unrealistische Schätzung der APs das Projekt in seiner Zielsetzung sehr stark.

Alle Maßnahmen, die während der Projektdurchführung getroffen werden müssen, um das Projekt wieder in die Spur zu bekommen, sind mit einem sehr hohen Aufwand verbunden. Aus diesem Grund ist es entscheidend, die richtige Schätzmethode anzuwenden und gewissenhaft vorzugehen. Nachfolgend werden einige Methoden beispielhaft beschrieben und deren Herausforderungen bei der Durchführung benannt.

Eine Übersicht häufig genutzter Methoden gibt die folgende Bild.

Planning Poker

Das Ziel dieser Methode ist es, die Bewertung aller Arbeitspakete durch Schätzrunden zu erlangen.

Dabei werden die Arbeitspakete vollständig beschrieben und nacheinander von den Teilnehmern über Schätzkarten mit Punktwerten bewertet. Die Ersteller können die  Schätzung in verschiedener Granularität definieren. Beliebte Schätzgrößen sind die Fibonacci Nummern oder T-Shirt Größen (XL, L, M, S).

Sollten alle Teilnehmer die gleiche Schätzung abgeben, wird diese übernommen. Liegen die Abschätzungen nahe beieinander, wird der Worst Case übernommen. Unterscheiden sich die Abschätzungen stark, wird eine Diskussionsrunde zwischen den Teilnehmern eingeleitet und im Nachgang neu geschätzt. Dadurch ist der Planning Poker eine qualitativ hochwertige Methode, um einen Aufwand zu schätzen.

Der Planning Poker ist jedoch sehr ressourcenintensiv, da der zeitliche Aufwand und die Anzahl an Experten im Vergleich zu den anderen Methoden hoch ist. Detailliertere Vor- und Nachteile zu dieser Methode werden in der Methode zum Planning Poker im projektmagazin beschrieben.