デリバリースループット予測とは？完了速度からプロジェクト着地を見通す手法
デリバリースループット予測は、チームのアイテム完了速度（スループット）の実績データを統計的に分析し、将来の完了見込みを確率的に予測する手法です。予測モデルと運用ポイントを解説します。
デリバリースループット予測とは
デリバリースループット予測とは、チームが単位期間あたりに完了するアイテム数（スループット）の実績データを統計的に分析し、将来のデリバリー見込みを確率的に予測する手法です。
従来の進捗予測はベロシティ（ストーリーポイントの消化量）に依存することが多いですが、ベロシティはポイントの付与基準のブレに影響されやすく、チーム間の比較も困難です。一方、スループットは「完了したアイテムの数」という客観的な指標であり、データの解釈が明確です。
スループットに基づく予測は、リーン生産方式のフロー理論に由来します。Eli Goldrattの制約理論（TOC）とTaiichi Ohnoのトヨタ生産方式が基盤にあります。プロジェクト管理への適用は、Daniel S. VaccantiがKanban Universityで体系化した「Actionable Agile Metrics」のフレームワークで確立されました。彼はスループットのモンテカルロシミュレーションによる確率予測を提唱し、従来のベロシティベースの予測よりも信頼性が高いことを示しました。
スループット予測では、過去のスループットデータの分布を用いてモンテカルロシミュレーションを実行し、「何月何日までに何個のアイテムを完了できるか」を確率的に算出します。
構成要素
デリバリースループット予測は、スループットデータ収集、分布分析、シミュレーション、確率的予測の4段階で構成されます。
スループットデータ
週単位（または日単位）で完了したアイテム数を記録します。最低でも8〜12週間のデータが必要です。アイテムの粒度はできるだけ均一にするのが理想ですが、完全に揃わなくても予測は可能です。
分布分析
スループットデータの分布特性を分析します。平均値、中央値、標準偏差、最小値、最大値を把握します。ヒストグラムで分布の形状を確認し、外れ値の原因を調査します。
モンテカルロシミュレーション
過去のスループットデータからランダムにサンプリングを繰り返し、将来のデリバリー量をシミュレーションします。1,000〜10,000回の試行を行い、結果の分布を得ます。
確率的予測
シミュレーション結果から、「残りN個のアイテムを完了するのに必要な期間」の確率分布を導出します。P50（50%確率での完了日）、P85（85%確率での完了日）などの値を算出します。
実践的な使い方
ステップ1: スループットデータの蓄積
カンバンボードやプロジェクト管理ツールから、週ごとの完了アイテム数を記録します。「完了」の定義を明確にしてください。開発完了なのか、テスト完了なのか、リリース完了なのかによって、スループットの値が変わります。
ステップ2: スループットの分布を確認する
ヒストグラムを作成し、スループットの分布を確認します。正規分布に近い形状であれば、平均と標準偏差で予測が可能です。偏りが大きい場合は、外れ値の原因（休暇、障害対応、大型リリースなど）を確認します。
ステップ3: モンテカルロシミュレーションの実行
残りのアイテム数を入力し、シミュレーションを実行します。各試行で、過去のスループットデータからランダムに1週間のスループットを選び、残りアイテム数が0になるまで繰り返します。Excelやスプレッドシートでも実装可能です。
ステップ4: 予測結果の解釈と共有
シミュレーション結果のS字カーブ（累積確率曲線）を確認します。P50、P85、P95の完了日を特定し、ステークホルダーに共有します。コミットメントにはP85を使い、最悪ケースの想定にはP95を使うのが一般的です。
ステップ5: 予測の定期更新
毎週スループットデータを更新し、シミュレーションを再実行します。実績が蓄積されるほど予測精度が向上します。予測の変動幅が縮小していく過程を可視化することで、予測への信頼性を高めます。
活用場面
リリース計画では、バックログの残アイテム数とスループット予測から、リリース日の実現可能性を確率的に評価します。「3月末リリースの達成確率は72%」のように定量的な根拠を示せます。
スコープ調整の判断では、固定納期に対して「85%の確率で完了できるアイテム数」を算出し、スコープの絞り込みや優先順位の判断材料を提供します。
チームキャパシティの評価では、スループットの推移からチームの安定性を評価し、キャパシティを超える計画の早期発見に活用します。
注意点
スループット予測は「過去の傾向が将来も続く」という前提に基づきます。チーム構成の変更、技術的な障壁の変化、要件の複雑性の変化など、スループットに影響する要因が大きく変わる場合、過去データに基づく予測の信頼性は低下します。前提条件の変化を常に監視してください。
アイテムサイズのばらつきに注意する
スループット予測はアイテムの粒度が概ね均一であることを前提とします。極端に大きなアイテムと小さなアイテムが混在する場合、予測精度が低下します。可能な限りアイテムを均一なサイズに分割するか、サイズカテゴリ別にスループットを管理してください。
スループットの変動要因を把握する
特定の週にスループットが急増・急減する場合、その原因を把握しておくことが重要です。祝日、チームイベント、技術的な障害など、既知の要因をデータに注記し、シミュレーションの前提条件に反映してください。
まとめ
デリバリースループット予測は、チームのアイテム完了速度の実績データから将来のデリバリーを確率的に予測する手法です。ベロシティに代わる客観的な指標として、リリース計画やスコープ調整の判断を支援します。過去データの蓄積と定期的な更新が予測精度の鍵です。