Platon & Constantinescu (2014) analysieren ein rumänisches Umweltprojekt mit 1.000 Monte-Carlo-Simulationen. Die Ergebnisse sind erstaunlich — und haben direkte Konsequenzen für Ihr Portfolio.
Seit 1944, als Stanislaw Ulam und Nicholas Metropolis die Monte-Carlo-Methode am Manhattan-Projekt entwickelten, gilt sie als Goldstandard für quantitative Risikoanalyse. Doch die meisten Unternehmen nutzen sie immer noch für Einzelprojekte, wenn überhaupt. Victor Platon und Andreea Constantinescu vom Rumänischen Institut für Nationalökonomie zeigen in ihrer 2014 in Procedia Economics and Finance veröffentlichten Studie, wie die Methode in der Praxis funktioniert — und wo ihre Grenzen liegen.
Das untersuchte Projekt: Ein integriertes Abfallwirtschaftssystem in Suceava, Rumänien. Wert: 51,76 Millionen Euro. Geplante Laufzeit: 45 Monate. Die Frage: Wie wahrscheinlich ist es, dass Budget und Zeitplan eingehalten werden?
Die Autoren teilten das Projekt in sechs Kostenkomponenten (Handelsgüter, Nicht-Handelsgüter, Facharbeiter, Hilfsarbeiter, Landakquisition, Transferzahlungen) und vier Bauabschnitte auf. Für jede Komponente definierten sie eine Dreiecksverteilung mit Minimum-, Maximum- und wahrscheinlichstem Wert. Dann führten sie 1.000 Simulationen durch.
Das Ergebnis ist ein klassisches Muster, das wir in hunderten Portfolios beobachten: Budgets sind pessimistischer als nötig, Zeitpläne optimistischer als realistisch. Der geschätzte Projektwert lag leicht über dem Simulationsdurchschnitt — was darauf hindeutet, dass die Kostenschätzung konservativ war. Die Projektdauer hingegen lag fast fünf Monate unter dem Simulationsdurchschnitt — ein dramatischer Unterschied, der nahezu sicher zu Verzögerungen führt.
Die Studie ist methodisch solide, aber nicht ohne Einschränkungen:
Platon und Constantinescu verwenden eine Dreiecksverteilung — die einfachste Wahrscheinlichkeitsverteilung mit nur drei Parametern. Das Problem: Sie überbetont die Extremwerte. In der Praxis sind Projektkosten eher normal- oder lognormalverteilt. Wer die Dreiecksverteilung wählt, unterschätzt systematisch die Wahrscheinlichkeit moderater Abweichungen und überschätzt die Wahrscheinlichkeit extremer Ausreißer.
Die Ergebnisse der Studie lassen sich auf drei Prinzipien herunterbrechen, die jedes Portfolio-Team anwenden kann — unabhängig von Branche oder Projektgröße:
Die Studie zeigt, dass Budget- und Zeitschätzungen nicht zusammengefasst werden sollten. Ein Projekt kann unter Budget und über dem Zeitplan liegen — oder umgekehrt. Ein aggregierter “Projekt-Score” verschleiert diese Unterschiede. Trennen Sie beide Dimensionen in Ihrem Reporting.
Die subjektiven Parameter der Studie sind ihr größtes Manko. Wenn Ihre Monte-Carlo-Simulation auf Schätzungen statt auf Echtzeitdaten basiert, ist das Ergebnis nur so gut wie Ihre schlechteste Annahme. Verknüpfen Sie Ihr Risikomodell mit ERP, Jira, SAP oder SharePoint — so dass Budget-Verbrauch, Meilenstein-Fortschritt und Ressourcenbelegung automatisch einfließen.
Eine Simulation bei Projektstart ist besser als keine. Aber sie wird schnell veraltet. Jedes neue Datenpunktpaar — ein verbuchter Kostenposten, ein verschobener Meilenstein, ein neues Risiko — verändert die Wahrscheinlichkeitsverteilung. Wer sein Portfolio nur quartalsweise simuliert, verpasst drei Monate lang Frühwarnsignale.
Aversight adressiert genau die drei Schwachstellen der Studie: Echtzeitdaten aus bis zu 15 verbundenen Systemen ersetzen manuelle Schätzungen. 2.500 Iterationen pro Projekt statt 1.000. Und statt einer statischen Analyse aktualisiert Aversight die Wahrscheinlichkeitsbänder stündlich — mit automatischen Alerts, wenn ein Score-Threshold überschritten wird. Das Ergebnis: Kein Einzelprojekt-Black-Box mehr, sondern ein transparentes Portfolio-Risikobild, das sich mit jedem neuen Dateneintrag schärft.
Platon und Constantinescu liefern mit ihrer Studie einen wertvollen Beleg dafür, dass Monte-Carlo-Simulationen in der Investitionsrisikoanalyse nicht nur theoretisch mächtig sind, sondern praktisch umsetzbar. Die zentrale Erkenntnis — dass Zeitpläne systematisch unterschätzt und Budgets überschätzt werden — bestätigt sich in fast jedem Portfolio, das wir analysieren.
Die Einschränkungen der Studie (subjektive Parameter, statische Analyse, geringe Iterationszahl) zeigen aber auch, wo der nächste Schritt liegt: von der manuellen, einmaligen Simulation zur automatisierten, kontinuierlichen Risikointelligenz. Wer diesen Schritt geht, verschiebt das Risikomanagement von der Reaktion zur Prävention.
30 Sekunden — und wir melden uns innerhalb von 24 Stunden.
Kostenlosen Maturity Check starten →