تنظیمکننده تخمین زمان: سابقه برآوردهای نادرست را به یک ضریب تصحیح شخصی تبدیل کن
چرا این پرامپت اهمیت دارد
Chronic estimation errors compound into missed deadlines, scope-creep resentment, and clients who stop trusting your quotes — eventually pricing in a personal "padding tax" or walking away entirely. Most people respond to bad estimates by vaguely resolving to "pad more next time," which either overcorrects on tasks that didn't need it or fails to catch the specific category actually causing the blowouts, since the real bias is rarely uniform across all types of work.
ما از آن برای چه استفاده میکنیم
A freelance web developer has blown three consecutive project deadlines, each time because "one more round of client revisions" ran long, and has a new project proposal due tomorrow where the client is specifically asking for a firm time-and-cost estimate broken down by task.
پرامپت
ROLE: Act as a project estimation analyst who specializes in finding personal estimation bias patterns from historical data — not generic time-management advice, but a quantified correction based on someone's actual track record. CONTEXT: Historical task log: [PASTE A LIST OF PAST TASKS WITH: TASK NAME, CATEGORY/TYPE, ESTIMATED TIME, ACTUAL TIME TAKEN — AT LEAST 10-15 ENTRIES ACROSS AT LEAST 3 DIFFERENT TASK CATEGORIES] Upcoming tasks needing estimates: [PASTE A LIST OF NEW TASKS WITH THEIR CATEGORY AND YOUR INITIAL GUESS AT TIME REQUIRED] TASK: 1. Group the historical tasks by category. For each category with at least 3 data points, calculate the average ratio of actual-time to estimated-time (e.g., a ratio of 1.4 means tasks in that category typically take 40% longer than estimated). 2. Identify the DIRECTION and MAGNITUDE of bias per category — do not just say "you underestimate" — state the specific multiplier and how consistent it is (tight clustering vs. wide variance). 3. Flag any category with fewer than 3 data points as insufficient sample size — do not generate a correction factor for it, note that more data is needed instead. 4. Apply the calculated correction factor to each upcoming task's initial guess, producing a corrected estimate. For categories with insufficient data, apply the single highest-confidence correction factor as a conservative fallback and say so explicitly. 5. Identify if there's a task type that shows a DIFFERENT bias direction than the person's overall average (e.g., someone who generally underestimates but actually overestimates a specific category) — this is the most useful signal and must be called out separately if present. CONSTRAINTS: - Do not moralize about poor planning skills. Treat this as a calibration exercise, not a character critique. - If the historical data shows no consistent pattern in a category (high variance, ratios ranging wildly), say so rather than forcing a correction factor onto noisy data. - Round corrected estimates to a practical unit (nearest half hour, or nearest day for multi-day tasks) rather than false-precision decimals. OUTPUT FORMAT: ## Bias Analysis by Category [Table: Category | Avg Actual/Estimate Ratio | Consistency (tight/wide) | Sample Size | Confidence] ## Notable Exception [Any category bucking the overall trend — call this out even if the rest of the report is brief] ## Corrected Estimates for Upcoming Tasks [Table: Task | Category | Original Guess | Correction Factor Applied | Corrected Estimate] ## One Rule of Thumb [A single, memorable takeaway the person should apply mentally before their next estimate, even without rerunning this analysis]
نتیجه
Bias Analysis by Category
| Category | Avg Actual/Estimate Ratio | Consistency | Sample Size | Confidence |
|---|---|---|---|---|
| Client revisions | 1.8x | Tight (1.6-2.0x) | 6 | High |
| New feature builds | 1.3x | Moderate (1.1-1.6x) | 5 | Medium |
| Bug fixes | 0.9x | Tight (0.8-1.0x) | 4 | High |
| Documentation | — | — | 2 | Insufficient data |
Notable Exception
Bug fixes are the one category where you consistently OVER-estimate, finishing in 90% of the time quoted — the opposite direction from your overall pattern. This is likely because you're padding bug-fix estimates out of anxiety about unknown scope, when in practice your diagnostic speed is faster than you give yourself credit for.
Corrected Estimates for Upcoming Tasks
| Task | Category | Original Guess | Correction Factor | Corrected Estimate |
|---|---|---|---|---|
| Homepage redesign revisions round 2 | Client revisions | 3 hours | 1.8x | 5.5 hours |
| Add CSV export feature | New feature builds | 8 hours | 1.3x | 10.5 hours |
| Fix checkout race condition | Bug fixes | 4 hours | 0.9x | 3.5 hours |
| API documentation update | Documentation | 2 hours | 1.3x (fallback, insufficient category data) | 2.5 hours |
One Rule of Thumb
Before quoting any client-revision-round estimate, silently double it — your gut number for this category specifically is off by nearly 2x, more than any other type of work you do.
بیشتر توصیهها درباره تخمینهای زمانی نادرست به این خلاصه میشوند که «اعداد بیشتری به برآوردت اضافه کن»، که عملاً بیفایده است؛ چون نمیگوید چقدر، یا در کجا. برخی دستههای کار نسبتاً دقیق تخمین زده میشوند، برخی دیگر به شکل وحشتناکی انحراف دارند، و اغلب در جهتی که فرد خودش هم متوجهاش نمیشود. این پرامپت بهجای آن حس막مبهم «بلد نیستم زمان تخمین بزنم»، یک ضریب تصحیح واقعی و کمّی از دادههای تاریخی خود شما استخراج میکند.
چرا ضریب تصحیح باید به تفکیک دستهبندی باشد، نه کلی
یک عدد کلی مثل «شما ۳۰٪ کمبرآورد میکنید» بیشتر واقعیت را پنهان میکند تا آشکار، چون الگوی واقعی تقریباً هرگز یکنواخت نیست. ممکن است کسی بهطور مزمن دورهای بازبینی مشتری را تقریباً دو برابر کمتر از واقع تخمین بزند، اما در مورد رفع اشکالها بیش از حد زمان در نظر بگیرد — اعمال یک ضریب تصحیح یکسان روی همه چیز یا دستههایی را که از قبل دقیق بودند، بیش از حد تصحیح میکند، یا بدترین موارد را نیمهکاره رها میگذارد. تحلیل جداگانه به تفکیک دستهبندی است که یک شعار مبهم خودبهبودی را به چیزی تبدیل میکند که دفعه بعد، وقتی مقابل یک فیلد خالی برآورد نشستهاید، واقعاً بتوانید از آن استفاده کنید.
چرا پرامپت از تولید عدد بر پایه داده ناکافی خودداری میکند
اگر از یک مدل بخواهید همیشه یک ضریب تصحیح تولید کند، با کمال میل از دو نقطه داده هم عددی میسازد — عددی که چیزی جز نویز آراسته به شکل بینش نیست. دستورالعمل صریح برای پرچمگذاری دستههایی با کمتر از ۳ نقطه داده بهعنوان «ناکافی»، بهجای اصرار بر محاسبه، همان چیزی است که خروجی را صادقانه نگه میدارد — یک ضریب تصحیح با دقت کاذب از پذیرفتن اینکه هنوز داده کافی وجود ندارد بدتر است، چون اعتمادی به عددی میآفریند که لایق آن نیست.
چرا بخش «استثنای قابلتوجه» از میانگینها مهمتر است
اغلب مفیدترین خروجی این تمرین، دستهای است که از الگوی کلی خارج میشود — کسی که بهطور کلی همه چیز را کمبرآورد میکند، بهجز یک نوع خاص از وظیفه، و معمولاً به دلیلی که به اضطراب یا ناآشنایی خاصی گره خورده است. این جزئیاتی است که هیچ چارچوب مدیریت زمان عمومی هرگز آشکار نمیکند، چون تنها زمانی ظاهر میشود که واقعاً به اعداد خاص یک نفر نگاه کنید، نه اینکه یک قانون بهرهوری جهانی را اعمال کنید.
کجا این ابزار واقعاً ارزش دارد
این پرامپت بیشترین کاربرد را برای کسانی دارد که بر اساس پروژه یا برآورد صورتحساب صادر میکنند — freelancerها، مشاوران و مدیران پروژه — درست پیش از ارائه قیمت یک پروژه جدید، و بهعنوان یک تمرین ماهانه مکرر که با انباشته شدن دادههای تاریخی بیشتر انجام میشود. هر بار که این پرامپت اجرا میشود، با رشد گزارش وظایف پایه دقیقتر میشود — که عکس اکثر توصیههای بهرهوری است که بدون توجه به حجم دادههای موجود درباره فرد، همان نکته کلیشهای را تکرار میکنند.