Simulation (z. B. Monte-Carlo-Simulation) ist eine Technik, mit der ein virtuelles oder physisches Modell eines Systems, Prozesses oder Produkts erstellt wird, um verschiedene Szenarien, Optionen und Strategien zu testen und zu bewerten und Chancen zu identifizieren.
Modelle, hier speziell das Monte-Carlo-Modell, helfen dabei, bestimmte erwartete Ergebnisse auf der Grundlage von Annahmen zu berechnen oder abzuschätzen. Typischerweise basiert ein Modell auf vielen Annahmen. Je besser sie validiert werden, desto genauer sind Schätzungen und Ergebnisse möglich. Die Schätzung kann dabei wiederholt verwendet werden, wenn der Wissensstand zunimmt. Je mehr validierte Hypothesen enthalten sind, desto näher kommt das Modell der Realität. Basierend auf der Annahme, dass wir bereits Lösungen entwickelt haben (d. h. wir sollten den Markt und die Lösung kennen, da diese Zahlen bei der Berechnung verwendet werden). Geeignet für komplexere Situationen mit höherer Unsicherheit, da einfachen inkrementellen Projekten weniger Hypothesen zugrunde liegen und der Fall leichter abzuschätzen ist (ein mathematisches Modell für triviale Berechnungen ist weniger sinnvoll). Monte Carlo ermöglicht Schätzungen mithilfe von Wertebereichen im Gegensatz zu anderen, einfacheren Methoden. Auch für Prozessverbesserungen mit abschätzbaren Inputs und Outputs (z. B. bei der Herstellung neuer Produkte).
Schrittweise Anleitung:
- Definiere das Problem
Identifizieren Sie das Ziel der Simulation (z. B. Prognose von Portfoliowerten).
- Formulieren Sie das Modell
Entwickeln Sie ein mathematisches Modell, das das System oder Problem beschreibt, einschliesslich Zufallsvariablen.
- Ermitteln Sie die Eingabevariablen
Geben Sie Wahrscheinlichkeitsverteilungen für die Zufallsvariablen auf der Grundlage historischer Daten oder Annahmen an.
- Generieren Sie Zufallszahlen
Verwenden Sie Zufallszahlengeneratoren, um Stichprobenwerte für die stochastischen Variablen aus den Verteilungen zu ermitteln.
- Wiederhole die Simulation
Führen Sie mehrere Iterationen der Simulation durch (in der Regel 1.000 bis 10.000 Mal).
- Ergebnisse sammeln
Notieren Sie die Ergebnisse jeder Iteration.
- Analysieren Sie die Ergebnisse
Berechnen Sie wichtige Statistiken wie Mittelwert, Median und Varianz.
- Interpretieren Sie die Ergebnisse
Ziehen Sie Schlüsse auf der Grundlage der statistischen Ergebnisse (z. B. Wahrscheinlichkeiten bestimmter Ergebnisse).
- Visualisieren
Erstellen Sie Diagramme (z. B. Histogramme), um die Verteilung der Ergebnisse zu visualisieren.
- Verfeinern und wiederholen
Passen Sie das Modell oder die Parameter bei Bedarf an und führen Sie die Simulation erneut aus.
Beispiel:
General Electric (GE) verwendet Monte-Carlo-Simulationen, um Risiken bei grossen Infrastrukturprojekten wie Energieanlagen und Flugzeugtriebwerken zu bewerten. Durch die Simulation verschiedener Szenarien quantifizierten sie Unsicherheiten in Bezug auf Kosten, Zeitpläne und technische Risiken. Dies hilft ihnen, sich auf mögliche Verzögerungen und Kostenüberschreitungen vorzubereiten.
Umsetzung:
- Eingabevariablen: GE verwendet historische Projektdaten und Expertenmeinungen, um Wahrscheinlichkeitsverteilungen für Kosten, Zeitpläne und Ressourcenverbrauch zu definieren.
- Simulationen: Sie führen Tausende von Iterationen durch, um die Bandbreite möglicher Projektergebnisse abzuschätzen.
- Ergebnisse: Die statistische Analyse der Simulationsergebnisse zeigt mögliche „Worst-Case“ - und „Best-Case“ -Szenarien auf und ermöglicht so fundierte Entscheidungen bei der Projektplanung.
Durch diesen Ansatz managt GE Risiken genauer und trifft Entscheidungen, die Unsicherheiten berücksichtigen. Das Ergebnis ist eine höhere Projekterfolgsrate und weniger Kostenüberschreitungen.
Weitere Informationen zum Thema finden Sie in der folgenden Quelle:
Furness, P. (2011). Anwendungen der Monte-Carlo-Simulation in der Marketinganalyse. Zeitschrift für Direkt-, Daten- und Digitalmarketingpraxis, 13(2), 132—147. https://doi.org/10.1057/dddmp.2011.25
#Target Ergebnisse #Revenue Modell #Scalability
