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.
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.
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.
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.