Lernmodell 1: Gewinn
The content of this page is licensed under the Creative Commons Attribution 3.0 License.
Quick view of the model (open complete model with iMODELER):
Tweet
Description
Simulationsmodell:
Das kleine Modell soll aufzeigen, wie man den
Gewinn und die
Liquidität eines Unternehmens über einen Monat hinweg
simulieren kann.
Zum einen lassen sich bestimmte
Inputfaktoren, wie etwa der Verkaufspreis, der Beschaffungspreis oder die Fixkosten variieren, wodurch ein Eindruck gewonnen wird, wie sich dadurch der Gewinn oder die Liquidität verändert.
In dem Modell sind aber auch einige
Zufallsfaktoren eingebaut. Hierfür wurde jeweils eine Normalverteilung/ Glockenkurve unterstellt. Für diese wurde ein Mittelwert und eine Standardabweichung angegeben, die bei den Simulationen natürlich auch verändert werden können (Formel: gaussrandom(Mittelwert;Standardabweichung). Hierdurch lassen sich
Monte-Carlo-Simulationen durchführen und man erkennt die mögliche Bandbreite der Simulationen. Die vier Faktoren mit solch einem Zufallsfaktor sind pink markiert.
- Wetterabhängigkeit: die Anzahl der Kunden ist vom Wetter abhängig. Es werden Wetterprognosen genutzt, diese sind aber mit Unsicherheit belegt.
- Kundenpotenzial: Das Potenzial wird geschätzt, man ist sich aber nicht ganz sicher dabei, weshalb Schätzfehler berücksichtigt werden.
- Käufe je Kunde: bei der Anzahl an Einheiten, die ein Kunde kauft, gibt es immer wieder Schwankungen.
- Robstoffpreise: die Preise für Rohstoffe schwanken immer wieder um den prognostizierten Preis.
Weiterentwicklung:
Das Modell kann man weiterentwickeln, z.B. um den Faktor Werbung, der einerseits die Kundenanzahl oder die gekaufte Menge je Kunde erhöht, andererseits aber auch den Aufwand erhöht. Damit wird das Modell, das noch keine Rückkopplungen und Schleifen enthält, zu einem dynamischen Modell entwickelt.
Erkenntnisse:
Durch das spielerische Simulieren und durch die Veränderung der Faktoren gewinnt man ein Gefühl dafür, wie sensibel das Unternehmen, bzw. der Gewinn und die Liquidität, auf solche Veränderungen reagiert. Teils ist man überrascht, dass das Unternehmen sehr robust ist und kaum auf Veränderungen reagiert. In anderen Fällen ist man überrascht, wie extrem das Unternehmen reagiert.
Bei der Interpretation der Ergebnisse stößt man auf die für die Praxis relevanten zentralen Fragen:
- Wie stark beeinflusst das Wetter tatsächlich die Kundenanzahl? Gibt es auch noch andere beeinflussende Faktoren? - hier könnte beispielsweise eine Datenanalyse helfen (Business Analytics und Anwendung von Algorithmen zur Bestimmung stark korrelierender Einflussfaktoren - reine "gefühlte" Erfahrungswerte stimmen nicht immer).
- Wie groß ist das Kundenpotenzial tatsächlich?
- Wie viel kauft jeder Kunde - im Durchschnitt, welche Bandbreite gibt es, kann man dies beeinflussen, wie,...?
- Wie stark schwanken die Rohstoffpreise tatsächlich? Wie wird sich dies in der Zukunft entwickeln? Können wir Maßnahmen ergreifen, um die Abhängigkeit zu verringern?
1715 views