プロジェクト管理 2026年11月14日

三点見積もりで最長の経路を足すと20.83日。並行3本が合流する計画を10万回回すと、その日までに終わるのは29.9%で、最後に終わった経路の6割は最長ではない2本だった

XECIN 見積もりWBS技術検証

先週、コーポレートサイトのリニューアルの見積もりを出す前に、WBS を見直していて手が止まりました。

要件と設計を固めたあと、デザインからコーディング、CMS の構築、原稿とデータの移行の 3 本を並行で走らせ、結合テストで合流させる。よくある形です。三点見積もりを置き、PERT の期待値を最長の経路に沿って足すと 20.83 営業日。これに 1 日の余裕を足して「22 日」と書きかけたところで、ふと疑問が湧きました。3 本のうち 1 本でも遅れたら結合テストは始められないのに、この足し算はそのことを何も表していないのではないか、と。

フレームワークは目的ではなく道具です。道具の癖を知らないまま数字を客先に出すのは怖いので、出す前に計画そのものを回してみることにしました。

合流点は、足し算では表せない

最初に、前提をそろえておきます。

三点見積もりは、作業ごとに楽観・最頻・悲観の 3 つの値を置く技法です。PERT では期待値を「(楽観 + 4 × 最頻 + 悲観)÷ 6」で出します。作業の所要日数は「早く終わる側には限りがあり、遅れる側には裾が長い」形になりやすいので、最頻値だけを足すと合計は楽観に寄ります。今回の計画でも、原稿・データ移行は最頻 7 日に対して期待値は 8.0 日でした。

ここまでは教科書どおりです。問題は合流点でした。

結合テストは、3 本が全部そろった日にしか始まりません。始まる日は 3 本の終わる日の「いちばん遅いもの」で決まります。それぞれの期待値を比べて最長の 1 本を選び、その期待値を足す、という PERT の手順は、残りの 2 本が遅れる場合を数えていないんですよね。合流点で期待値の足し算が楽観に寄るこの癖は、マージバイアスと呼ばれます。理屈はそうなんですが、どれくらい効くのかは自分の計画で回してみないと分かりません。

計画を10万回回した

各作業の日数をベータ PERT 分布から引き、合流点では 3 本の最大値を取る、という計算を 10 万回繰り返しました。標準ライブラリだけで書けて、手元では 2 秒かかりません。

import random

# 三点見積もり(楽観, 最頻, 悲観)。単位は営業日
WBS = {
    "要件・設計": (3, 5, 10),
    "デザイン→コーディング": (6, 8, 15),
    "CMS構築": (5, 8, 14),
    "原稿・データ移行": (4, 7, 16),
    "結合テスト・修正": (3, 4, 8),
    "公開準備": (1, 2, 3),
}
PARALLEL = ["デザイン→コーディング", "CMS構築", "原稿・データ移行"]


def pert_mean(o, m, p):
    return (o + 4 * m + p) / 6


def draw(rng, o, m, p):
    # ベータPERT分布から1回引く
    a = 1 + 4 * (m - o) / (p - o)
    b = 1 + 4 * (p - m) / (p - o)
    return o + rng.betavariate(a, b) * (p - o)


def total(rng, streams):
    t = draw(rng, *WBS["要件・設計"])
    t += max(draw(rng, *WBS[s]) for s in streams)  # 合流点: 全部そろうまで待つ
    t += draw(rng, *WBS["結合テスト・修正"])
    t += draw(rng, *WBS["公開準備"])
    return t


mode_sum = 5 + 8 + 4 + 2
pert_cp = sum(pert_mean(*WBS[k]) for k in ["要件・設計", "デザイン→コーディング", "結合テスト・修正", "公開準備"])
print(f"最頻値の合計: {mode_sum} 日 / PERT期待値の合計(最長の経路): {pert_cp:.2f} 日")

N = 100_000
for streams in (PARALLEL[:1], PARALLEL[:2], PARALLEL):
    rng = random.Random(1114)
    xs = sorted(total(rng, streams) for _ in range(N))
    hit_mode = sum(x <= mode_sum for x in xs) / N
    hit_pert = sum(x <= pert_cp for x in xs) / N
    p50, p85 = xs[N // 2], xs[int(N * 0.85)]
    print(f"並行{len(streams)}本: {mode_sum}日以内 {hit_mode:.1%} / {pert_cp:.2f}日以内 {hit_pert:.1%} / 中央値 {p50:.1f} / 85% {p85:.1f}")

# 実行結果:
# 最頻値の合計: 19 日 / PERT期待値の合計(最長の経路): 20.83 日
# 並行1本: 19日以内 21.8% / 20.83日以内 51.9% / 中央値 20.7 / 85% 23.2
# 並行2本: 19日以内 11.4% / 20.83日以内 37.5% / 中央値 21.5 / 85% 23.9
# 並行3本: 19日以内 7.6% / 20.83日以内 29.9% / 中央値 22.0 / 85% 24.3

並行する作業を 1 本ずつ足していくと、こうなりました。「1 本」はデザイン→コーディングだけが合流点に入る場合、「2 本」は CMS 構築を足した場合、「3 本」はさらに原稿・データ移行を足した場合です。

合流する本数19日以内20.83日以内中央値85%の日付
1本21.8%51.9%20.7日23.2日
2本11.4%37.5%21.5日23.9日
3本7.6%29.9%22.0日24.3日

19 日は最頻値の合計、20.83 日は最長の経路の PERT 期待値の合計です。

1 本だけなら、PERT の合計はほぼ五分五分の日付(51.9%)でした。教科書が言う「期待値はだいたい半々の日付」は、合流点が無ければそのとおりです。並行作業が 3 本合流すると、同じ 20.83 日が 29.9% の日付に下がります。最頻値の合計 19 日は 7.6%、つまり 13 回に 1 回しか間に合いません。

私が書きかけていた「22 日」は、3 本のときの中央値 22.0 日とほぼ同じでした。余裕を 1 日足したつもりで、実際にはコイン投げの日付を出そうとしていたことになります。

最初は、最長の経路の悲観値を削ろうとした

この結果を見て、最初に打とうとした手は「最長の経路を短くする」でした。デザインの確認を 2 往復までと決めておけば、デザイン→コーディングの悲観値を 15 日から 12 日にできる。クリティカルパスを縮めるのは、PM としては素直な発想だと思います。

念のため、3 本のうちどれが最後に終わったのかも数えてから試しました。

# 上のスクリプトの続き: 3本のうち、どれが最後に終わったか
from collections import Counter


def run(wbs, seed=1114):
    rng = random.Random(seed)
    last, xs = Counter(), []
    for _ in range(N):
        t = draw(rng, *wbs["要件・設計"])
        ends = {s: draw(rng, *wbs[s]) for s in PARALLEL}
        slowest = max(ends, key=ends.get)
        last[slowest] += 1
        t += ends[slowest] + draw(rng, *wbs["結合テスト・修正"]) + draw(rng, *wbs["公開準備"])
        xs.append(t)
    xs.sort()
    return last, xs


cases = [
    ("そのまま", {}),
    ("デザインの悲観15→12", {"デザイン→コーディング": (6, 8, 12)}),
    ("移行の悲観16→10", {"原稿・データ移行": (4, 7, 10)}),
]
for label, change in cases:
    last, xs = run({**WBS, **change})
    share = " / ".join(f"{k} {v / N:.1%}" for k, v in last.most_common())
    print(f"{label}: 85% {xs[int(N * 0.85)]:.1f}日 / 22日以内 {sum(x <= 22 for x in xs) / N:.1%} / 最後: {share}")

# 実行結果:
# そのまま: 85% 24.3日 / 22日以内 50.5% / 最後: デザイン→コーディング 40.5% / CMS構築 33.0% / 原稿・データ移行 26.5%
# デザインの悲観15→12: 85% 24.0日 / 22日以内 56.6% / 最後: CMS構築 38.6% / デザイン→コーディング 31.2% / 原稿・データ移行 30.3%
# 移行の悲観16→10: 85% 23.9日 / 22日以内 57.7% / 最後: デザイン→コーディング 50.4% / CMS構築 41.7% / 原稿・データ移行 7.9%

PERT で最長と出たデザイン→コーディングが最後に終わったのは、10 万回のうち 40.5% でした。残りの 59.5% は、最長ではないはずの CMS 構築(33.0%)か原稿・データ移行(26.5%)が合流を待たせています。

デザインの悲観値を 12 日に削っても、85% の日付は 24.3 日から 24.0 日になっただけでした(丸める前の値で 0.36 日)。代わりに CMS 構築が最後になる回が 38.6% で最多になります。原稿の締め切りを前倒しして移行の悲観値を 10 日にした場合も 23.9 日(同 0.43 日)で、今度はデザインが 50.4% で最後になりました。1 本を削ると、合流点では残りの 2 本が代わりに最後を引き受ける。正直なところ、ここまで素直に入れ替わるとは思っていませんでした。

社内のチケットで答え合わせしようとした

シミュレーションは、各作業がばらばらに遅れるという前提で回しています。現場の作業はそうとは限りません。同じ担当者が抱えていれば一緒に遅れますし、まとめて片付くこともあります。

そこで、社内タスクのプロジェクトのチケット 1,451 本を Redmine の REST API で取り出し、合流点の代わりに「親チケット」を見ました。親チケットは子が全部そろって初めて終わったと言えるので、親子は合流点と同じ形をしています。数えたのは、期日が入っていて「完了」で閉じた子を 2 本以上持つ親です。中止の子と、棚卸しでまとめて閉じた子(同じ 10 分に 5 本以上閉じたもの)は外しました。

条件に合ったのは 17 組、子は 234 本でした。

# groups: 親ごとに「期日があり、完了した子」の期日内フラグを並べたもの(17組)
# 例: [[True, False], [False, False, True], ...]  社内Redmineの REST API から作った
import random

kids = [x for g in groups for x in g]
p = sum(kids) / len(kids)
observed = sum(all(g) for g in groups)
expected = sum(p ** len(g) for g in groups)  # 子どうしが無関係なら何組そろうか

rng = random.Random(20261114)
hits = 0
for _ in range(20_000):
    rng.shuffle(kids)  # 期日内フラグを親の枠を無視して配り直す
    i = cnt = 0
    for g in groups:
        cnt += all(kids[i:i + len(g)])
        i += len(g)
    hits += cnt >= observed
print(f"子 {sum(kids)}/{len(kids)} = {p:.1%} / 全部そろった親 {observed}/{len(groups)} / 無関係なら {expected:.1f}組 / 偶然でも{observed}組以上 {hits / 20_000:.1%}")

# 実行結果:
# 子 98/234 = 41.9% / 全部そろった親 3/17 / 無関係なら 1.5組 / 偶然でも3組以上 16.0%

子の 41.9% は期日内に閉じていました。子が全部期日内だった親は 17 組中 3 組です。いちばん遅い子の期日を親の締め切りとみなす甘い見方にしても、間に合ったのは 7 組でした。

子どうしが無関係なら、全部そろう親は 1.5 組のはずです。実際は 3 組で、17 組中 6 組は子が全部同じ日に閉じられていました。一緒に動いているようにも見えます。ただ、期日内フラグを親の枠を無視して配り直す試験では、偶然でも 16.0% の確率で 3 組以上そろいました。17 組では「連動しているから掛け算ほど悪くならない」とは言い切れません。

このスクリプトには改善の余地があります。closed_on は誰かが完了にした時刻で、作業が終わった時刻ではありません。一括クローズを「10 分に 5 本」で外すのも目分量です。17 組の中には子が 132 本ある親が 1 組あり、子の数の半分以上をこの 1 組が占めています。今思えば、条件に合う親子が 17 組しか取れなかったこと自体が、いちばん大きな発見だったのかもしれません。

見積もりの出し方をこう変えた

クリティカルチェーン(CCPM)のバッファ管理を丸ごと入れる手もありますが、この規模の案件では重すぎます。ここは好みが分かれるところですが、残したのは合流点の扱いだけです。

  1. WBS で「全部そろわないと次に進めない」点に印を付ける。今回の計画では結合テストの手前の 1 か所
  2. 合流する経路ごとに三点見積もりを置き、最頻値では足さない
  3. 期日は計画ごと回した中央値と 85% の日付で出す(今回は 22.0 日と 24.3 日)。最長の経路の PERT 合計 20.83 日は「3 割の日付」だと書き添える
  4. 進捗会議では、合流する 3 本を全部見る。最長の経路だけを見ていると、6 割の回で遅れの出どころを見落とす
  5. 悲観値を削る手を打つ前に、どの経路が最後になっているかを数える。1 本だけ削っても 85% の日付は 0.4 日前後しか動かなかった

85% の日付と PERT の合計の差は約 3.5 日で、20.83 日の 17% にあたります。合流が 1 本だけなら差は約 2.4 日です。合流点が増えた分だけ、余裕は 1 日ほど多く要りました。

振り返って

三点見積もりの値そのものが当たっているかは、今回まったく確かめていません。悲観 16 日の原稿移行が本当に 16 日で収まるのかは、終わった案件の実績で答え合わせするしかないです。

次の案件からは、見積もりを出す前にこのスクリプトを WBS に当ててみます。それと、親子チケットの子にも期日を入れる運用を試したい。17 組では連動の有無すら言い切れなかったので、半年後に組数が増えたら、同じ組み替えの試験をもう一度回すつもりです。