Creo que depende de qué sabor de Delphi estés usando. En la versión original de Delphi, desarrollada por Olaf Helmer y Norman Dalkey en la Corporación RAND, la única información que se pasaba entre los estimadores era un gráfico o una lista de estimaciones (anónimas) de las rondas anteriores. La idea es que simplemente ver las estimaciones de otros puede hacer que los estimadores reconsideren sus suposiciones. (“Dios, alguien dio una estimación que es tres veces la mía. Me pregunto qué llevaría a alguien a hacer eso”).
Helmer y Dalkey estaban bastante preocupados por eliminar los efectos de sesgo de la forma en que las personas interactúan. Si la gente hablara de sus estimaciones, una persona que es más ruidosa o más carismática o de mayor rango o que está en una posición de autoridad podría influir en el resto del grupo de formas que no tienen conexión con la experiencia o la información.
Hay una variante posterior llamada Wideband Delphi. No estoy seguro de dónde se originó, pero lo aprendí del libro Software Engineering Economics de Barry Boehm. Utilizo una variante de eso, en la que los estimadores pueden hablar entre sí, pero no sobre sus estimaciones. Las estimaciones aún se mantienen privadas. Pero los estimadores pueden hablar sobre los supuestos y las variables y los riesgos que consideraron al hacer sus estimaciones.
- ¿Cuáles son algunas aplicaciones sorprendentes de materiales compuestos?
- ¿Cuál es el mejor invento o innovación?
- ¿Cuál es el mayor invento hasta la fecha?
- ¿Dónde está Apple rezagado en la carrera de innovación de teléfonos inteligentes?
- ¿Qué innova Apple?
Wideband Delphi permite a los estimadores compartir una gama más amplia de información (por lo tanto, “Wideband”), al tiempo que reduce los efectos de sesgo de la personalidad y el estado a un nivel razonable.
Cuando facilito una sesión de Delphi de banda ancha, me gusta enumerar las “variables contribuyentes”, los riesgos, los supuestos y otras variables que las personas consideran, en un rotafolio. Hago esto por varias razones. Primero, hablar sobre las variables contribuyentes les da a las personas la oportunidad de notar las suposiciones que están haciendo, y una vez que las suposiciones están abiertas, las personas pueden cuestionarlas.
En segundo lugar, a menudo es posible identificar algunas variables contribuyentes clave que dominan la variable que se estima. Y a veces es posible obtener más información sobre las variables contribuyentes clave, para que podamos caracterizar mejor el rango de valores.
Tercero, la lista explícita de variables contribuyentes es útil después de hacer la estimación. Si el valor de una variable clave cambia, o si nuestro conocimiento al respecto cambia, eso nos lleva a actualizar nuestra estimación. Además, si es probable que calculemos variables similares en el futuro, podemos rastrear las variables contribuyentes clave para poder caracterizarlas mejor.
En mi opinión, la lista de variables contribuyentes clave (y supuestos y riesgos) que proviene de Wideband Delphi es casi siempre más valiosa que la estimación misma.