10 min

Passer des estimations aux prévisions fondées sur les livraisons réelles

Distinguer estimation, prévision, objectif et engagement pour construire des projections de livraison appuyées sur l’historique observé et des hypothèses explicites.

Pour répondre à la question « quand pouvons-nous raisonnablement prévoir de livrer ce périmètre ? », il n’est pas nécessaire d’abandonner les discussions d’estimation. Il suffit de séparer deux usages : estimer pour comprendre et découper un ticket, et s’appuyer sur les livraisons réellement observées pour projeter une échéance. Cette distinction clarifie les arbitrages de planning dès lors que l’on explicite ses hypothèses et la variabilité du rythme.

L’essentiel en 30 secondes

  • Estimation et prévision répondent à des questions différentes et peuvent coexister : l’une éclaire la compréhension d’un ticket, l’autre projette une échéance collective.
  • L’historique des livraisons donne un point de départ factuel, sous des hypothèses explicites (périmètre, granularité et conditions de travail comparables).
  • Une moyenne seule ne décrit pas l’incertitude : une prévision utile tient compte des écarts entre périodes et s’actualise à mesure que le travail avance.

1. Estimer, prévoir, viser un objectif et s’engager

Même lorsque les 30 tickets d’un jalon ont été discutés et estimés — en Story Points, en taille relative ou en jours —, additionner ces évaluations ne donne pas directement une date de livraison. Entre l’effort d’une tâche et sa mise en production s’intercalent le rythme collectif réel, les temps d’attente en revue ou en validation, les imprévus et les ajustements de périmètre. Garder les discussions d’estimation pour lever les inconnues et découper le travail tout en appuyant les projections de délai sur l’historique de livraison évite de faire porter quatre rôles différents à un seul chiffre.

Distinguer quatre notions souvent mélangées suffit déjà à clarifier les échanges autour d’une feuille de route :

NotionQuestion traitéeDéfinition et baseUtilité principale
Estimation« Quel est l’ordre de grandeur de cet élément (effort, taille, complexité ou durée) ? »Évaluation approximative d’une grandeur à partir des informations disponibles. Les estimations relatives discutées en équipe sont une pratique possible pour partager la compréhension et révéler des inconnues.Clarifier le besoin, faire émerger les zones d’ombre techniques et découper les tickets trop gros.
Prévision (Forecast)« Quel résultat ou quelle échéance anticiper, sous quelles hypothèses ? »Projection d’un résultat futur à partir d’informations et d’hypothèses explicites. Ce guide traite des prévisions fondées sur l’historique des livraisons réelles et de leur expression probabiliste.Éclairer les arbitrages avec des scénarios transparents plutôt qu’une date unique présentée comme certaine.
Objectif (Target / Goal)« Quel résultat métier ou quelle date souhaitons-nous atteindre ? »Ambition produit, contrainte commerciale, événement externe ou jalon stratégique.Donner une direction commune et guider les choix de périmètre si la prévision s’écarte de la cible.
Engagement (Commitment)« Quel objectif ou quelle responsabilité choisissons-nous d’assumer ? »Décision explicite de poursuivre un objectif partagé avec des conditions et des arbitrages clairs. L’engagement ne supprime pas l’incertitude : dans le Scrum Guide, l’équipe s’engage sur un objectif de sprint (Sprint Goal), pas sur la garantie d’un périmètre figé.Focaliser les efforts collectifs et arbitrer sereinement si des découvertes surviennent en cours de route.

2. Partir des livraisons observées

Le débit (Throughput) compte le nombre de tickets réellement terminés (statut classé « Terminé » / « Done ») sur une période comparable. Contrairement à une estimation formulée avant le travail, c’est un fait observé : chaque ticket compté a traversé tout le flux jusqu’à sa clôture.

Indicateur dans CaubaUnité affichéeDonnées requisesCe qu’il apporte pour prévoir
Débit (Throughput)Tickets / semaine (normalisé)Statut + (Sprint ou Date de fin)Mesure le rythme réel en Scrum comme en Kanban et alimente l’historique de prévision de backlog.
Vélocité — « Compter les éléments terminés » (défaut)Tickets / sprintStatut + Sprint (avec dates de début/fin)Donne le volume brut livré par itération, sur la même base de tickets terminés que le débit.
Vélocité — « Additionner les estimations »Story Points / sprintStatut + Sprint + Story PointsAdditionne les points terminés par sprint ; seul indicateur de Cauba qui exploite la colonne Story Points.

Pour éviter qu’une période isolée ne trompe la lecture, il faut plusieurs périodes complètes et comparables : dans Cauba, l’analyse du débit et la prévision de backlog demandent au moins 3 périodes utilisables (par défaut les 3 derniers sprints bornés en mode itération, ou les 6 dernières semaines ouvrées complètes en mode calendaire). Une période complète à 0 ticket livré est conservée avec la valeur 0,0, tandis qu’une période calendaire encore en cours est exclue afin de ne pas fausser le rythme observé.

Compter en tickets ne suppose pas que tous les tickets soient identiques : sur 20 à 50 éléments, les écarts de taille se compensent tant que la façon de découper le travail reste cohérente (sans mélanger des Epics et des sous-tâches). Enfin, ni le débit ni la vélocité ne mesurent la valeur métier ou la performance individuelle : ce sont des repères sur le flux collectif.

3. Un exemple : prévoir la livraison de 30 tickets

Prenons une équipe fictive qui travaille en sprints de 2 semaines (14 jours calendaires) et souhaite estimer le délai nécessaire pour livrer un lot de 30 tickets, à partir de ses 6 derniers sprints :

PériodeDurée (j)Tickets terminésDébit Cauba (tickets / sem.)Contexte observé
Sprint 11484,0Cadence régulière, deux tickets restés en revue à la clôture.
Sprint 214126,0Clôture des tickets en revue du sprint précédent et livraisons courantes.
Sprint 31463,0Incident de production majeur ayant mobilisé une partie de la capacité.
Sprint 414105,0Retour au rythme habituel de l’équipe.
Sprint 514147,0Lot de tickets bien découpés et peu de dépendances externes.
Sprint 614105,0Rythme médian sans événement inhabituel.

Ce que montrent les données (6 sprints)

  • Total livré : 8 + 12 + 6 + 10 + 14 + 10 = 60 tickets terminés sur 6 sprints (12 semaines).
  • Rythme moyen par sprint : 60 / 6 = 10 tickets par sprint, avec des réalisations comprises entre 6 et 14 tickets selon les sprints.
  • Débit hebdomadaire moyen (formule Cauba) : 5,0 tickets par semaine.

Hypothèses posées pour projeter les 30 tickets

  • Périmètre restant : 30 tickets découpés à une taille comparable aux 60 tickets passés, sans ajout net non compensé.
  • Conditions comparables : même équipe et même durée de sprint (14 jours).
  • Aléas intégrés : les écarts passés — y compris un incident comme au Sprint 3 — restent possibles pour la suite.

De la moyenne à la prévision probabiliste

Repère par la moyenne : diviser 30 tickets par 10 tickets par sprint donne un ordre de grandeur de 3 sprints (environ 6 semaines). Mais cette moyenne ne garantit pas de finir en 3 sprints : si les trois prochains sprints ressemblent aux Sprints 1, 3 et 4 (8 + 6 + 10 = 24 tickets), il restera encore 6 tickets à terminer sur un 4e sprint.

Lecture probabiliste : en simulant des milliers de suites possibles à partir de ces 6 rythmes observés (tirage avec remise), environ 59 % des scénarios livrent les 30 tickets en 3 sprints ou moins — l’horizon médian (P50) est donc de 3 sprints — et près de 98 % aboutissent en 4 sprints. Comme les sprints se comptent en périodes entières, les seuils de 85 % et de 95 % tombent ici tous les deux sur 4 sprints. Attention : ces résultats restent conditionnels aux hypothèses ci-dessus et ne constituent jamais une garantie ; retenir 3 ou 4 sprints dépend du niveau de risque acceptable pour le jalon.

Pour approfondir le fonctionnement des tirages et l’interprétation précise de P50, P85 et P95, consultez notre guide sur les prévisions de backlog avec Monte Carlo (les détails de reproduction des chiffres de cet exemple figurent en fin de section 5).

4. Mettre la démarche en pratique

Adopter cette approche ne demande pas de réorganiser l’équipe ni d’arrêter les estimations si elles aident l’affinage. Quatre étapes suffisent pour installer un cadre clair :

Étape 1 —Définir le périmètre cible
Comptez les tickets restants pour le jalon étudié en évitant de compter un parent (Epic) avec ses tickets enfants, et précisez si des tickets supplémentaires de découverte sont attendus.
Étape 2 —Vérifier les données d’historique
Contrôlez que seuls les tickets réellement livrés sont en statut « Terminé » (tickets annulés classés en « Abandonné »), que les dates de fin ou bornes de sprints sont présentes et que vous disposez d’au moins 3 à 6 périodes comparables.
Étape 3 —Formuler la prévision avec ses hypothèses
Partagez un horizon médian et un horizon plus prudent plutôt qu’une date unique, en documentant explicitement le périmètre compté, les périodes d’historique retenues, les conditions supposées proches et la marge retenue face au risque.
Étape 4 —Actualiser au fil des livraisons
À la fin de chaque sprint ou de chaque semaine, mettez à jour l’historique et le reste à faire : une prévision utile s’ajuste à mesure que le périmètre et le rythme réels évoluent.

5. Limites et approfondissement

Une prévision fondée sur le passé perd sa pertinence dès que le futur proche ne ressemble plus à l’historique observé. Cinq situations demandent une vigilance particulière :

Changement d’effectif ou de disponibilité
Arrivées, départs, congés prolongés ou réallocation partielle sur un autre produit modifient la capacité réelle.
En pratique : Explicitez cet écart dans vos hypothèses plutôt que d’appliquer mécaniquement un débit observé à plein effectif.
Changement de nature ou de découpage du travail
Passer de petites évolutions courantes à une refonte technique complexe modifie la taille typique des tickets.
En pratique : Vérifiez la répartition par type de ticket et découpez les nouveaux lots à une granularité comparable avant de projeter un délai.
Dépendances externes ou blocages inhabituels
Une attente inhabituelle vis-à-vis d’un prestataire ou d’une validation réglementaire échappe au seul rythme passé de l’équipe.
En pratique : Suivez ces blocages séparément : un calcul historique ne lève pas une dépendance organisationnelle.
Évolution continue du périmètre
Une projection calculée pour 30 tickets devient caduque si 15 tickets s’ajoutent sans retrait équivalent.
En pratique : Recalculez la prévision à chaque variation notable du nombre de tickets restants.
Historique trop court ou périodes mal bornées
Avec 1 ou 2 périodes, ou en mélangeant des sprints de durées différentes sans dates de début et de fin, la dispersion n’est pas fiable.
En pratique : Renseignez les bornes de sprints dans Cauba et attendez au moins 3 périodes complètes utilisables.

Ne pas confondre délai d’un ticket (Cycle Time) et prévision d’un backlog

Dans Cauba, les percentiles de Cycle Time (P50 et P85, calculés dès 10 tickets terminés avec dates de début et de fin) s’expriment en jours calendaires entiers pour un ticket individuel. Les percentiles de prévision de backlog (P50, P85 et P95) s’expriment en sprints ou en périodes de 7 jours pour un lot complet de tickets restants. Voir aussi le guide Cycle Time et Lead Time.

Vérification des calculs de l’exemple

Sous l’hypothèse d’un tirage uniforme avec remise parmi les 6 débits [8, 12, 6, 10, 14, 10] pour un backlog de 30 tickets, la combinatoire exacte donne 0 % de réussite en 2 sprints (maximum 14 + 14 = 28), 58,8 % en 3 sprints (127 combinaisons sur 216) et 98,5 % en 4 sprints (1 277 sur 1 296). Une simulation Monte Carlo de 10 000 trajectoires reproduit ces fréquences (~59 % à 3 sprints et ~98,5 % à 4 sprints). Dans le moteur Cauba, calculate_monte_carlo_from_history suivie de calculate_percentile (interpolation linéaire convertie en entier) retourne ainsi P50 = 3 sprints, P85 = 4 sprints et P95 = 4 sprints.

Prévoir la livraison d’un backlog avec Monte Carlo

Comprenez le fonctionnement d’une simulation Monte Carlo, la signification réelle de P50, P85 et P95, et comment utiliser ces résultats sans fausse certitude.

Préparer un export Jira pour analyser son flux de livraison

Requêtes JQL par activité récente ou par sprints, colonnes à exporter et classification des 4 catégories de statuts dans Cauba.

Cycle Time et Lead Time : définitions, calculs et distributions

Comprenez comment mesurer les délais individuels de vos tickets (en jours calendaires entiers) et lire leurs percentiles P50 et P85.

Tickets reportés entre sprints et prévisibilité du delivery

Analysez les causes systémiques des reports de sprint (WIP, découpage, interruptions) et la dynamique du périmètre.

Questions fréquentes sur les estimations et les prévisions de livraison

Non. Si les discussions en Story Points aident votre équipe à détecter des inconnues et à découper les sujets pendant l’affinage, conservez-les pour cet usage. Dans Cauba, vous pouvez choisir entre « Compter les éléments terminés » (par défaut) et « Additionner les estimations » pour la vélocité, tandis que le débit et la prévision de backlog travaillent sur le nombre de tickets terminés.

Références méthodologiques & lectures recommandées

  • Daniel S. Vacanti — When Will It Be Done? Lean-Agile Forecasting to Answer Your Customers' Most Important Question (2018). Ouvrage de référence sur la distinction entre estimation et prévision probabiliste fondée sur le débit historique.
  • Ken Schwaber & Jeff Sutherland — The Scrum Guide (2020). Présentation du Sprint Goal comme l’engagement du Sprint, distinct de la sélection des éléments du Sprint Backlog qui reste adaptable.
  • Scrum.org & ProKanban — The Kanban Guide for Scrum Teams (2020). Usage conjoint du Throughput et du Cycle Time pour éclairer la planification en contexte Scrum.
  • Troy Magennis — Forecasting and Simulating Software Development Projects (2011). Application des simulations Monte Carlo aux historiques de débit et aux risques d’évolution du périmètre.