11. November 2021
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.
05. September 2021
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.
31. August 2021
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.
05. Juli 2021
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.
05. Juli 2021
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.
24. März 2021
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.
08. Februar 2021
Der Beizug einer Monte-Carlo Simulation in Kombination mit Korrelationen zeugt von einem tiefen Verständnis des eigenen Geschäftsmodells. Wer es schafft dies sinnvoll einzubauen, legt glaubhaft dar, dass es die eigenen Prozesse, die Interaktion mit der Umwelt (Regulierung, Konkurrenz, Lieferanten, etc.) versteht und somit sein Unternehmen "im Griff" hat.
Wir sind überzeugt, dass die probabilistische Modellbildung die einzig richtige Antwort auf eine durch VUCA geprägte Welt ist.
23. Januar 2021
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.
21. Dezember 2020
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.
26. Oktober 2020
In einer unserer letzten Blogs haben wir das Data Mining mittels Simulationen und den Vergleich mit einigen der in R implementierten Klassifizierungsalgorithmen kurz vorgestellt. Hier wollen wir den Sachverhalt anhand der in R verfügbaren Testdaten zu Brustkrebserkennung etwas vertiefen und dabei die benutzerdefinierte Verteilung von MC FLO näher vorstellen.