In mehreren früheren Artikeln habe ich die Datenproblematik erörtert. Die Leute sind oft verwirrt darüber, wie viele Daten sie wirklich brauchen. Vor allem höre ich häufig den Satz : „Für die Simulation werden so viele Daten benötigt, aber ich habe nicht genug Daten, um sie zu füttern.“ Betrachten wir also eine Situation, in der Sie über, sagen wir, 40 % der Daten verfügen, die Sie gerne hätten, um eine fundierte Entscheidung treffen zu können, und untersuchen wir die Auswahlmöglichkeiten.
1) Sie können die Entscheidung möglicherweise aufschieben. In vielen Fällen ist keine Entscheidung eine Entscheidung an sich, denn die Entscheidung wird durch die Situation oder durch andere Beteiligte getroffen werden. Wenn Sie aber wirklich die Möglichkeit haben, zu warten und mehr Daten zu sammeln, bevor Sie eine Entscheidung treffen, dann müssen Sie die Kosten des Wartens gegen die potenziell bessere Entscheidung abwägen, die Sie mit besseren Daten treffen könnten. Wie auch immer, nach dem Abwarten haben Sie immer noch alle folgenden Optionen zur Verfügung.
2) Nach dem „Sitz der Hose“ zu urteilen und nur nach dem zu entscheiden, was man weiß. Dieser Ansatz verschärft den Mangel an Daten, indem er auch die Komplexität des Problems ignoriert und jeden analytischen Ansatz außer Acht lässt. (Ironischerweise werden bei diesem Ansatz die vorhandenen Daten oft ignoriert.) Sie treffen eine völlig subjektive Entscheidung, die oft stark von politischen Erwägungen beeinflusst ist. Es besteht kein Zweifel, dass einige sehr erfahrene Leute ziemlich gute Entscheidungen treffen können. Aber es ist auch wahr, dass sich viele Entscheidungen als schlecht herausstellen und von einem analytischeren und objektiveren Ansatz sehr profitiert hätten.
3) Verwenden Sie eine Tabellenkalkulation oder einen anderen analytischen Ansatz, der nicht so viele Daten erfordert. Oberflächlich betrachtet klingt dies nach einer guten Idee, und in der Tat gibt es eine Reihe von Problemen, für die Tabellenkalkulationen sicherlich die beste (oder zumindest eine angemessene) Wahl sind. Aber für die Modellierungsprobleme, mit denen wir typischerweise konfrontiert werden, haben Tabellenkalkulationen zwei wesentliche Einschränkungen: Sie können die Systemkomplexität nicht bewältigen und sie können die Systemvariabilität nicht angemessen berücksichtigen. Mit diesem Ansatz „wünschen“ Sie sich einfach, dass die fehlenden Daten nicht benötigt werden. Sie treffen nicht nur die Entscheidung ohne diese Daten, sondern Sie tun auch so, als ob die fehlenden Daten für Ihre Entscheidung nicht wichtig wären. Ein stark vereinfachtes Modell, das weder die Variabilität noch die Systemkomplexität berücksichtigt und die fehlenden Daten ignoriert … klingt nicht gerade nach einer guten Entscheidung.
4) Simulieren Sie mit den Daten, die Sie haben. Kein Modell ist jemals perfekt. Ihre Absicht ist es im Allgemeinen, ein Modell zu erstellen, das Ihre Projektziele so gut wie möglich erfüllt, wenn man die Zeit, die Ressourcen und die verfügbaren Daten berücksichtigt. Wir sind uns wahrscheinlich alle einig, dass bessere und vollständigere Daten zu einem genaueren, vollständigeren und robusteren Modell führen. Aber der Wert eines Modells ist nicht wahr oder falsch (wertvoll oder wertlos), sondern vielmehr eine abgestufte Skala mit steigendem Wert. Um auf das Problem der Variabilität zurückzukommen: Es ist viel besser, ein Modell mit Schätzungen der Variabilität zu erstellen, als einfach eine Konstante zu verwenden. Ebenso wird ein Modell, das auf 40 % Daten basiert, nicht annähernd die Ergebnisse eines Modells mit allen gewünschten Daten liefern, aber es wird immer noch die analytischen Techniken übertreffen, denen nicht nur dieselben Daten fehlen, sondern auch die Komplexität und Variabilität des Systems.
Und im Gegensatz zu anderen Ansätzen ignoriert die Simulation nicht die fehlenden Daten, sondern kann Ihnen auch dabei helfen, die Auswirkungen zu ermitteln und die Gelegenheiten zur Erhebung weiterer Daten zu priorisieren. Einige Produkte verfügen beispielsweise über Funktionen, mit denen Sie die Auswirkungen von Vermutungen auf Ihre wichtigsten Ergebnisse (KPIs) bewerten können. Sie verfügen auch über Funktionen, mit deren Hilfe Sie beurteilen können, wo Sie Ihre Datenerfassungsbemühungen zur Erweiterung von Stichproben oder kleinen Datensätzen einsetzen sollten, um die Genauigkeit Ihres Modells zu verbessern. Und alle Simulationen bieten Was-wäre-wenn-Funktionen, mit denen Sie den besten und den schlechtesten Fall bewerten können.
Perfektion ist der Feind des Erfolgs. Sie können nicht aufhören, Entscheidungen zu treffen, während Sie auf perfekte Daten warten. Aber Sie können Werkzeuge verwenden, die belastbar genug sind, um auch mit begrenzten Daten einen Wert zu schaffen. Vor allem, wenn diese Werkzeuge Ihnen helfen, den Wert der vorhandenen und der fehlenden Daten besser zu verstehen.
Viel Spaß beim Modellieren!
Dave Sturrock
VP Betrieb – Simio LLC