Das Ziel einer modernen Unternehmensplanung sollte sein, die Daten des Risikoregisters in die Planung zu überführen und ein Gesamtbild zu erstellen, aus dem Massnahmen ableitbar sind, die den Fortbestand des Unternehmens sichern.
Ein glaubhafter und nachvollziehbarer Entscheid stützt sich auf alle möglichen Ausprägungen der Treiber; die Ambition ist sodann auf den relevanten Steuerungsebenen so anzusetzen, dass Ziele erreichbar bleiben, planungsrelevante Sicherheiten aber ausreichend in der Planung verankert sind. Kurzum: Eine finanzielle Simulation kommt nicht drumherum, die Monte-Carlo Simulation als einzige «echte» Simulation anzuerkennen.
La estadística bayesiana junto con el método Monte Carlo se puede utilizar de forma eficaz para la planificación empresarial. Se basa en el concepto del conocimiento previo (a-priori), que cuantifica valoraciones subjetivas y permite actualizar este conocimiento previo a partir de nuevos datos.
Bayesian statistics in conjunction with the Monte Carlo approach can be used effectively for corporate planning. It is based on the concept of prior beliefs, which quantifies subjective assessments and allows this prior knowledge to be updated on the basis of new data. By quantifying all possible future outcomes (scenarios), ambitions (target values) can be consistently derived and predictions performed.
Die von Bayes geprägte Statistik kann in Kombination mit der Monte-Carlo Simulation ideal für die Unternehmensplanung beigezogen werden. Sie fusst auf dem Konzept des Vorwissens (A-priori), welches die subjektiven Einschätzungen quantifiziert und anhand von Daten eine Aktualisierung des Vorwissens erlaubt. Durch die Quantifizierung aller möglicher zukünftiger Zustände (Szenarien) werden Ambitionen (Zielwerte) konsistent hergeleitet und Prognosen ermöglicht.
The "raison d'être" of a comprehensive quantitative analysis using the Monte Carlo approach is an objectively justifiable recommendation for a decision, taking into account uncertainty.
For those decision driven people, which still have to use "heat maps" to communicate threats, MC FLO offers an equivalent instrument - the conditional risk matrix.
Ziel einer umfassenden quantitativen Analyse mittels Monte-Carlo Simulation ist eine objektiv begründbare Entscheidungsempfehlung unter Berücksichtigung von Unsicherheit, etwa bei den Absatzmengen oder Anzahl Cyberangriffe, welches ein Unternehmen ausgesetzt ist. Für diejenigen Personen, die eine quantitative Analyse schätzen, die Resultate davon aber in einer Risikomatrix abzubilden haben, stehen in MC FLO nun die geeigneten Instrumente bereit.
Während die gängigen Optimierungsverfahren wie der Simplex-Algorithmus rasch exakte Lösungen liefern können, da sie auf deterministische Ausgangsbedingungen aufsetzen, besticht die Monte-Carlo Simulation durch den Ausweis von Wahrscheinlichkeiten. Das ist der Kern.
Wenn die Kosten einer Impfung pro Person gleichverteilt zwischen 20 Euro (Minimum, bester Fall) und 40 Euro (Maximum, schlechtester Fall) betragen, wie hoch werden die Impfkosten für 10 Mio. Menschen im besten und im schlechtesten Fall sein? Genau: In beiden Fällen werden aufgrund des zentralen Grenzwertsatzes die Gesamtkosten sehr nah beim Erwartungswert von 300 Mio. Euro liegen.
DIP stellt die Konsistenz der Daten sicher, auch bei vorhandenen Korrelationen und ermöglicht die einheitenübergreifende Koordination von unsicheren Sachverhalten. Die Simulationsresultate von MC FLO können selbstverständlich in die Cloud und somit in andere Planungssuiten übertragen werden.