MC FLO bietet verschiedene Funktionen an, die in der Excel-Umgebung flexibel erweitert werden können. Ein interessanter Anwendungsfall ist die Bayessche Zeitreihenregression. Sie können die Zeitreihe mit weiteren erklärenden Variablen (z.B. Arbeitslosenquote etc.) im Rahmen einer Regressionsanalyse kombinieren. Die Anzahl erklärender Variablen und die Anzahl der beobachteten Datenpunkte sind theoretisch unbegrenzt.
Die Bayessche Regression stellt das notwendige Grundgerüst bereit, um Vorwissen zu Beziehungen einer oder mehrere unabhängigen Variablen zu einer Zielvariablen einer Überprüfung zu unterziehen und Entscheidungen unter Unsicherheit zu begünstigen.
Ziel einer quantitativen Analyse mittels Monte-Carlo Simulation und unter Verwendung der Bayesschen Statistik ist eine objektiv begründbare Entscheidungsempfehlung unter Berücksichtigung von Unsicherheit, etwa bei den Absatzmengen oder Anzahl Cyberangriffen, welches ein Unternehmen ausgesetzt ist.
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.
Die Bayessche Statistik ist abseits des in heutiger Zeit prominent beigezogenen Vergleichs, ob eine Corona Impfung sinnvoll ist oder nicht, auch für die Unternehmensplanung – und Steuerung ein hilfreiches Instrument, um Daten mit Wissen zu kombinieren und aus der vereinten Kraft beider neue Schlüsse zu ziehen. Teil 2.
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.
Kennen Sie die Szene aus den Film "Avengers: Infinity War", in welcher Dr. Strange 14'000'605 mögliche Ausgänge aus dem Kampf gegen den Titan Thanos vor dem geistigen Auge sah und nur in einem Fall die Avengers diesen zu ihrem Gunsten entscheiden konnten? Wie konnten es dann dazu kommen, dass die Avengers - durch die Hand von Iron Man - am Schluss doch noch den Sieg errungen konnten? Die Statistik - insbesondere die Bayessche Auffassung - führt uns zur Antwort.
Der Bayessche Wahrscheinlichkeitsbegriff greift auf «subjektive» Einschätzungen (Glauben, oder «beliefs») zurück. Bei Monte-Carlo Simulationen werden sowohl der frequentistische als auch der Bayessche Wahrscheinlichkeitsbegriff kombiniert. Durch die Simulation wird das subjektive «Bauchgefühl» auf einer objektiv nachvollziehbaren Grundlage gestellt. Mit jeder neuen Erfahrung des Managements wird das (erweiterte) subjektive Bauchgefühl rationalisiert und einer Kontrolle unterzogen.