Für Entscheider: Die meisten strategischen Entscheidungen werden getroffen, ohne den vollständigen Entscheidungsraum zu sehen
Kapitalallokation scheitert selten an fehlender Analyse. Sie scheitert daran, dass der Entscheidungsraum nicht vollständig berechnet wird.
Bereits bei 20 Initiativen existieren über 1 Million mögliche Portfoliokombinationen. Bei 50 Projekten sind es mehr als eine Billiarde.
Vorstände prüfen Projekte. Gremien priorisieren Maßnahmen. Controlling überwacht Budgets.
Doch nahezu keine Organisation berechnet die mathematisch optimale Kombination unter realen Nebenbedingungen.
Das globale Optimum bleibt unsichtbar.
Wenn der vollständige Entscheidungsraum nicht berechnet wird, wird Komplexität verwaltet – nicht optimiert.
Im Folgenden analysieren wir, wie Organisationen ihr Portfolio formal modellieren und das globale Optimum unter realen Nebenbedingungen ex ante bestimmen können:
Ausgangspunkt: Die vollständige Investitionsliste vor der eigentlichen Entscheidung
Der entscheidende Unterschied dieser neuen Berechnungsmethode liegt im Zeitpunkt der Anwendung: Sie wird nicht nach der Entscheidung zur Validierung verwendet, sondern vor der eigentlichen Entscheidung, ausgehend von der vollständigen Investitions- und Projektliste des Unternehmens.
Typischerweise existiert eine Liste potenzieller CAPEX-Projekte – z. B. Werksmodernisierungen, IT-Transformationen, Produktentwicklungen, Infrastrukturmaßnahmen oder Effizienzprogramme. Gleichzeitig bestehen fixe Restriktionen wie ein begrenztes Gesamtbudget, begrenzte Engineering-Kapazitäten, Produktionsfenster, Risikobudgets und strategische Rahmenbedingungen.
Genau hier entsteht das eigentliche Entscheidungsproblem: Nicht alle Projekte können umgesetzt werden. Die Frage ist daher nicht, welche Projekte isoliert sinnvoll erscheinen, sondern welche Kombination dieser Projekte unter den gegebenen Restriktionen das global optimale Gesamtportfolio bildet.
Die neue Berechnungsmethode bewertet daher nicht einzelne Projekte isoliert, sondern berechnet aus der vollständigen Projektliste das optimale Portfolio unter Berücksichtigung aller Budget-, Kapazitäts-, Risiko- und Strategiegrenzen. Das Ergebnis ist eine mathematisch fundierte Auswahl derjenigen Projekte, die gemeinsam den maximalen Gesamtwertbeitrag erzeugen – vor der eigentlichen Investitionsentscheidung.
Dadurch wird CAPEX-Planung von einem sequenziellen Auswahlprozess zu einer konsistenten Portfolio-Optimierung überführt, bei der Opportunitätskosten, Restriktionsengpässe und Portfolioeffekte vollständig berücksichtigt werden.
Projekte verschwinden nicht – sie werden besser positioniert und über mehrere Jahre optimal eingeplant
In einem mathematisch optimierten Investitionssystem werden Projekte nicht verworfen. Stattdessen werden sie neu priorisiert, zeitlich verschoben oder strategisch anders positioniert, sodass sie unter gegebenen Budget-, Kapazitäts- und Risikorestriktionen zum optimalen Zeitpunkt den maximalen ökonomischen Beitrag zum Gesamtportfolio leisten.
Entscheidend ist dabei die Mehrjahresperspektive. Investitionsentscheidungen werden nicht isoliert für ein einzelnes Jahr getroffen, sondern im Kontext von 2-, 3-, 5- oder 10-Jahresplänen optimiert.
Liquidität, die durch die Optimierung im Startjahr entsteht, wird systematisch in das Folgejahr übertragen. Dadurch erhöht sich das verfügbare Investitionsbudget der nächsten Periode. Auch dieses Folgejahr wird anschließend erneut optimiert.
Der Effekt: Projekte können nachgezogen werden, sobald sie unter den neuen Budget-, Kapazitäts- und Renditebedingungen in das global optimale Portfolio passen. Auf diese Weise entsteht eine dynamische Mehrjahresoptimierung, bei der jede Optimierungsperiode die Investitionsmöglichkeiten der folgenden Jahre strukturell verbessert.
Warum die meisten Portfolios strukturell suboptimal sind – in 90 Sekunden
- Portfolioentscheidungen erzeugen einen kombinatorischen Entscheidungsraum nach der Logik 2^N.
- Ab etwa 20 Projekten ist eine vollständige manuelle Bewertung faktisch unmöglich.
- Heuristiken (z. B. „Top 5 nach NPV“, „IRR > WACC“, „Payback < 3 Jahre“) erzeugen systematische Verzerrungen.
- Organisationen verwechseln lokale Optima mit der besten Lösung im gesamten Entscheidungsraum.
- Opportunitätskosten bleiben dadurch strukturell unsichtbar.
- Algorithmische Optimierung berechnet die beste Projektkombination unter realen Nebenbedingungen (Budget, Kapazität, Risiko, ESG etc.).
Fazit:
Wer den vollständigen Lösungsraum nicht berechnet, akzeptiert implizit suboptimale Kapitalallokation.
Risiko ≠ Varianz – Warum Simulation keine Entscheidung ist
Executive Summary
In Vorstandssitzungen und Investment Committees gilt Monte-Carlo häufig als Goldstandard. Verteilungen, Konfidenzintervalle und Szenarioanalysen erzeugen den Eindruck mathematischer Belastbarkeit. Doch hier liegt ein strukturelles Missverständnis: Varianz ist kein Risiko – und Simulation ist keine Entscheidung.
Varianz misst Streuung. Risiko hingegen beschreibt die Gefahr, ein definiertes Ziel nicht zu erreichen. Diese beiden Konzepte sind mathematisch nicht identisch. Wer Streuung simuliert, hat noch keine Präferenzfunktion, keine Nebenbedingungen und keine Zielfunktion optimiert. Er hat lediglich Wahrscheinlichkeitsräume bewertet.
Monte-Carlo beantwortet die Frage: „Was könnte passieren?“
Entscheidungsoptimierung beantwortet die Frage: „Welche Option maximiert Zielerreichung unter Restriktionen?“
Simulation ist ein Bewertungsinstrument. Entscheidung ist ein Optimierungsproblem.
Das strukturelle Missverständnis
Monte-Carlo-Simulationen erzeugen tausende zufällige Pfade auf Basis angenommener Verteilungen. Das Resultat ist eine Wahrscheinlichkeitsverteilung möglicher Outcomes. Doch keine dieser Simulationen durchsucht systematisch den vollständigen Kombinationsraum eines Portfolios.
In komplexen Portfolios mit n Projekten existieren 2ⁿ Kombinationen. Bei 20 Projekten sind das über eine Million Optionen. Simulation bewertet Annahmen – sie identifiziert nicht das globale Optimum.
Simulation vs. Optimierung
| Kriterium | Simulation (Monte-Carlo) | Optimierung |
|---|---|---|
| Ziel | Wahrscheinlichkeiten darstellen | Zielfunktion maximieren/minimieren |
| Logik | Zufallsbasierte Pfad-Generierung | Systematische Suche im Entscheidungsraum |
| Ergebnis | Verteilung möglicher Outcomes | Mathematisch optimales Portfolio |
| Entscheidung | Interpretation durch Management | Direkte Ableitung aus Zielfunktion |
Warum Varianz kein Risiko ist
Hohe Varianz kann hohe Chancen bedeuten. Niedrige Varianz kann systematisch suboptimal sein. Risiko entsteht nicht durch Streuung, sondern durch Zielverfehlung relativ zur strategischen Funktion des Portfolios.
Ein Portfolio mit geringer Streuung kann dennoch signifikant unter seinem möglichen Optimum liegen. Das ist kein statistisches Problem – sondern ein strukturelles.
Die Governance-Dimension
Simulation verschiebt Verantwortung zurück ins Gremium. Ergebnisse müssen interpretiert werden. Diskussion ersetzt Berechnung. Meinung ersetzt mathematische Selektion.
Optimierung dagegen definiert ex ante eine Zielfunktion und identifiziert jene Kombination, die unter Budget-, Risiko- und Ressourcenrestriktionen den höchsten Wert erzeugt.
Das ist kein Szenario. Es ist eine Eigenschaft der Daten.
Fazit
Wer simuliert, versteht Unsicherheit.
Wer optimiert, trifft Entscheidungen.
Risikomanagement ohne Optimierung bleibt lokal plausibel – aber global potenziell suboptimal.
FAQ
Ist Monte-Carlo nutzlos?
Nein. Simulation ist wertvoll zur Sensitivitätsanalyse. Sie ersetzt jedoch keine Optimierungslogik.
Kann man Simulation und Optimierung kombinieren?
Ja. Simulation kann Unsicherheiten modellieren, Optimierung selektiert die beste Kombination unter diesen Unsicherheiten.
Warum reicht Szenarioplanung nicht aus?
Szenarien vergleichen einzelne Optionen. Sie durchsuchen nicht systematisch den vollständigen Entscheidungsraum.
Was ist der entscheidende Unterschied?
Simulation beschreibt Möglichkeiten. Optimierung berechnet das Optimum.
