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.
Bei Prozessen und Daten welche sich nur zögerlich verändern oder gar über den Zeitablauf ein immer gleiches Muster aufweisen, sind klassische Instrumente wie Regressionen ein Segen. In Fällen, in denen weder Wahrscheinlichkeiten noch alle Umweltzustände in ein Modell aufgenommen werden können, scheitern diese jedoch, weil sie das Momentum – den Thanksgiving-Day oder auch den Schwarzen Schwan – nicht antizipieren können.
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.
Der Zahlungsverzug kann ein Unternehmen schnell in Bedrängnis bringen, insbesondere dann, wenn Wahrscheinlichkeiten unsachgemäss herangezogen werden. Wir zeigen Ihnen, wie Sie mit einer Simulation die Unsicherheit in den Griff bekommen.
Vorliegend zeigen wir Ihnen die Essenz von Monte-Carlo Simulationen. Anhand des Ziegenproblems wird aufgezeigt, dass Simulationen als Entscheidungsinstrument aufgefasst werden müssen.