Monte-Carlo-Simulation

Die Monte-Carlo-Simulation ist eine statistische Methode, bei der ein Modell tausende Male mit zufällig variierten Eingabewerten durchgespielt wird, um Wahrscheinlichkeitsverteilungen für Ergebnisse zu erzeugen. Im Einkauf liefert sie belastbare Bandbreiten statt einzelner Punktschätzungen — und macht Risiken damit verhandelbar.

Detaillierte Erklärung

Klassische Einkaufskalkulationen arbeiten mit Mittelwerten: ein Stahlpreis, eine Lieferzeit, ein Wechselkurs. Diese Punktschätzung täuscht Sicherheit vor, die real nicht existiert. Die Monte-Carlo-Simulation ersetzt jeden unsicheren Parameter durch eine Wahrscheinlichkeitsverteilung — zum Beispiel eine Normalverteilung für Stahlpreise oder eine diskrete Verteilung für Lieferausfallrisiken — und zieht daraus typischerweise 10.000 bis 100.000 Zufallskombinationen.

Das Ergebnis ist kein einzelner Gesamtkostenwert, sondern ein Histogramm: 10 % Wahrscheinlichkeit, dass die Gesamtkosten unter 2,1 Mio. EUR liegen; 50 % unter 2,4 Mio. EUR; 90 % unter 2,9 Mio. EUR. Dieser Value-at-Risk-Ansatz stammt aus dem Finanzwesen, ist aber für komplexe Beschaffungsentscheidungen ebenso anwendbar.

Im DACH-Mittelstand sind die häufigsten Einsatzfelder:

Preisrisikoanalyse: Rohstoffpreise wie Kupfer, Aluminium oder Kunststoffgranulate unterliegen erheblichen Schwankungen. Wer eine Jahresbedarfsplanung mit festen Preisannahmen erstellt, unterschätzt systematisch das Kostenbandbreiten-Risiko. Die Simulation kombiniert historische Volatilität mit aktuellen Terminmarkt-Daten und ergibt eine belastbare Kostenspanne für das Budgetjahr.

Lieferketten-Resilienz: Ausfallwahrscheinlichkeiten von Lieferanten, Transportzeiten und Zollverzögerungen lassen sich als Verteilungen modellieren. Die Simulation berechnet, wie wahrscheinlich eine Versorgungsunterbrechung ist und welche Sicherheitsbestandshöhe ([sicherheitsbestand]) den Servicelevel auf einem definierten Niveau hält.

Make-or-Buy-Entscheidungen: Beide Alternativen tragen jeweils eigene Unsicherheiten — Lohnkostenentwicklung, Kapazitätsauslastung, Transportpreise. Die Simulation quantifiziert, unter welchen Bedingungen Make günstiger wird als Buy, und liefert die Crossing-Wahrscheinlichkeit als Entscheidungsgrundlage.

Tooling im Mittelstand: Microsoft Excel mit dem Add-in @Risk oder Crystal Ball ist für einfache Modelle ausreichend. SAP IBP unterstützt probabilistische Szenarien in der Bestandsplanung. Für komplexere Lieferkettenmodelle werden Python-Bibliotheken (NumPy, SciPy) oder spezialisierte Tools wie AnyLogic eingesetzt. Gartner hebt in seinen Supply-Chain-Berichten regelmäßig die steigende Verbreitung stochastischer Planungsansätze im Mittelstand hervor.

Wichtig ist die Wahl der richtigen Eingangsverteilung. Eine Normalverteilung ist für viele Rohstoffpreise angemessen; Lieferzeiten folgen häufig einer Log-Normalverteilung; seltene Extremereignisse (Hafensperrungen, Force-Majeure) werden besser als diskrete Szenarien mit expliziten Eintrittswahrscheinlichkeiten modelliert.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein Maschinenbauunternehmen mit 350 Mitarbeitern in Bayern beschafft jährlich ca. 800 Tonnen Aluminium-Strangpressprofile. Der Einkaufsleiter muss dem Vorstand ein Budget für 2026 vorlegen. Der aktuelle LME-Aluminiumpreis liegt bei 2.450 EUR/t, aber die Schwankungsbreite der letzten drei Jahre betrug ±22 %.

Statt einem einzigen Budget-Wert von 1,96 Mio. EUR wird eine Monte-Carlo-Simulation mit 50.000 Iterationen aufgesetzt. Eingabeparameter: Aluminiumpreis (Normalverteilung, Mittelwert 2.450 EUR/t, Standardabweichung 539 EUR/t), EUR/USD-Kurs (Normalverteilung basierend auf EZB-Volatilitätsdaten), sowie eine 8 %ige Wahrscheinlichkeit einer Lieferantenstörung mit einem Zusatzkosteneffekt von +120.000 EUR.

Das Ergebnis: P10 = 1,71 Mio. EUR, P50 = 1,98 Mio. EUR, P90 = 2,31 Mio. EUR. Der Vorstand erhält nun ein konservatives Budget von 2,31 Mio. EUR (P90-Wert) mit dem expliziten Hinweis, dass dieses Budget in 9 von 10 Szenarien ausreichend ist. Gleichzeitig wird ein Preissicherungskonzept für 40 % des Jahresbedarfs über Terminkontrakte diskutiert — denn die Simulation zeigt, dass diese Absicherung die P90-Grenze auf 2,14 Mio. EUR senkt.

Typische Fehler & Verhandlungskontext

Korrelationen ignorieren: Der häufigste Modellfehler ist die Annahme, dass Eingangsparameter unabhängig voneinander sind. Rohstoffpreise und Energiekosten sind jedoch oft positiv korreliert; Lieferzeiten und Lagerkosten ebenfalls. Werden Korrelationen nicht abgebildet, unterschätzt das Modell systematisch das Tail-Risiko — genau jene Extremszenarien, die für die Risikovorsage relevant sind.

Scheingenauigkeit durch zu viele Parameter: Je mehr Freiheitsgrade ein Modell hat, desto breiter werden die Ausgabeverteilungen — und desto weniger handlungsleitend ist das Ergebnis. Gute Simulationsmodelle sind bewusst schlanker: drei bis fünf Schlüsselparameter mit gut belegten Verteilungen liefern mehr Entscheidungsklarheit als zwanzig schlecht kalibrierte Parameter.

Im Verhandlungskontext ist die Simulation ein wirksames Werkzeug: Wer dem Lieferanten eine Kostenstruktur-Simulation vorlegen kann, die zeigt, dass Rohstoffkostenrückgänge mit hoher Wahrscheinlichkeit eintreten werden, untermauert Preisreduzierungsforderungen mit statistischen Argumenten statt bloßen Markteinschätzungen. Umgekehrt lassen sich Preissicherungsklauseln (Indexierung) mit Simulationsergebnissen begründen: "Unsere Kalkulation zeigt ein P90-Szenario von X EUR/t — eine Indexklausel begrenzt das beiderseitige Risiko."

Datenbasis pflegen: Eine Monte-Carlo-Simulation ist nur so gut wie ihre Eingangsdaten. Historische Preisreihen sollten mindestens drei Jahre umfassen; Lieferantenausfallraten sollten aus eigenen Beschaffungsdaten stammen, nicht aus generischen Industrie-Benchmarks. Ohne gepflegte Datenbasis wird aus einem Risikomodell schnell eine Zufallszahlengenerierung mit schöner Präsentation.

Verwandte Begriffe

• [[szenarioplanung]]
• [[sensitivitaetsanalyse]]
• [[bedarfsplanung]]
• [[sicherheitsbestand]]
• [[s-op-prozess]]