Dieses Ölbohrungsbeispiel stellt ein typisches Entscheidungsbaumproblem dar. Zuerst müssen wir entscheiden, ob geologische Tests an der voraussichtlichen Bohrstelle ausgeführt werden sollen. Je nach Testergebnissen muss anschließend entschieden werden, ob nach Öl gebohrt werden soll. Das letzte Zufallsereignis ist dann die tatsächliche Ölfündigkeit. Bei den drei aufeinander folgenden Schritten (von links nach rechts) wird die Testentscheidung immer vor der Bohrentscheidung vorgenommen.
Beispielmodell herunterladen: PrecisionTree_Ol.xls
Die Ölfündigkeitsergebnisse in dem Ölbohrungs-Entscheidungsbaum Öl.xls sind in drei diskontinuierliche Resultate unterteilt – Trocken, Ölgetränkt und Öltriefend. In Wirklichkeit müsste die Ölfündigkeit aber eigentlich durch eine kontinuierliche Verteilung beschrieben werden. In diesem Modell wird @RISK dazu verwendet, die Unbestimmtheit dieses Zufallsereignisses zu beschreiben. Indem den Entscheidungsbäumen die @RISK-Wahrscheinlichkeitsverteilungsfunktionen hinzugefügt werden, ist ein genaueres Modellieren möglich und können auch noch weitere mögliche Ergebnisse simuliert werden.
Beispielmodell herunterladen: PrecisionTreeRISK_Ol.xls
TopRank ist in der Lage, @RISK-Verteilungsfunktionen zu erkennen und in WENN-Analysen mit einzubeziehen. Dadurch erhält die WENN-Analyse beim Modellieren von möglichen Eingabewerten erheblich mehr Flexibilität und Genauigkeit.
In diesem Beispiel ist die Jupiter Corporation gerade damit beschäftigt, ein neues Modell einer viertürigen Limousine zu erstellen. Es wird angenommen, dass dieses Auto das Geschäft in den nächsten 5 Jahren antreiben wird, und die Geschäftsleitung hat 5 Faktoren identifiziert, die sich in dieser Zeit auf die Gesamteinnahmen auswirken könnten. Mehrere dieser Faktoren sind mit Wahrscheinlichkeitsverteilungen verbunden. Während einer WENN-Analyse erkennt TopRank die mit diesen Elementen verbundenen Wahrscheinlichkeitsverteilungen und verwendet diese für eine smarte Empfindlichkeitsanalyse. Dabei wird Schritt für Schritt durch den Verteilungsbereich gegangen, wobei die Schritte so verteilt sind, dass jedem Intervall die gleiche Wahrscheinlichkeit eingeräumt wird.
Beispielmodell herunterladen: TopRankRISK_Automodell.xls
NeuralTools kann dazu verwendet werden, unbekannte Werte einer kategorieabhängigen Variable vorauszusagen, und zwar auf Basis von bekannten Werten aus numerischen und kategorieunabhängigen Variablen. In diesem Beispiel wurde das neuronale Netz dahingehend trainiert, dass es voraussagen kann, ob ein Antragsteller einen Autokredit wahrscheinlich pünktlich, verspätet oder gar nicht zurückzahlen wird. Durch Evolver kann nach dem Kreditbetrag gesucht werden, durch den die Wahrscheinlichkeit, dass dieser Antragsteller pünktlich zurückzahlen wird, auf einen Zielwert von 90 % ansteigt.
Beispielmodell herunterladen: NeuralToolsEvolver_Autokredite.xls
DCF-Berechnungen werden oft als Beispiele für @RISK-Verwendungsmöglichkeiten angegeben. In dem Beispielmodell werden die Zuwachsrate der Einnahmen und die variablen Kosten (als Prozentsatz des Umsatzes) als Risikoquellen verwendet. Der DCF ergibt sich aus der vorausgesetzten Investition und dem verwendeten Diskontierungsfaktor. Nach der Simulation wird der durchschnittliche DCF dann „Kapitalwert“ (NBW) genannt. Ob dieses Projekt ausgeführt wird oder nicht, hängt somit von der Risikofreudigkeit des Entscheidungsträgers ab. In diesem Beispiel wird auch die Verteilung von Bonuszahlungen berechnet, wobei davon ausgegangen wird, dass solche Sonderzulagen gezahlt werden, sobald der Kapitalwert (NBW) eine bestimmte Höhe überschreitet. Außerdem werden die @RISK-Statistikfunktionen RiskMean, RiskTarget und RiskTargetD verwendet, um den durchschnittlichen Kapitalwert (NBW), die Wahrscheinlichkeit eines negativen NBW sowie die Wahrscheinlichkeit eines Bonuses zu berechnen.
Beispielmodell herunterladen: CashFlow.xls
Mithilfe der Funktion RiskCompound werden in @RISK zwei Verteilungen kombiniert, um so eine neue Eingabeverteilung zu erstellen, durch die Versicherungsmodelle rationalisiert werden können, um so die Häufigkeit und Schwere von Versicherungsfällen zu prognostizieren. Durch dieses Modell wird gezeigt, wie die Funktion RiskCompound erstellt wird. Auch sind Eigenschaften (wie z.B. Mittelwert und Standardabweichung) sowie ein Zielwert für die sich daraus ergebende Funktion RiskCompound zu sehen.
Beispielmodell herunterladen: RiskCompound.xls
Eine Fertigungsanlage versucht, die optimalen Mengen von vier herzustellenden Produkten festzulegen, um den Mittelwert der Gesamteinnahmen zu maximieren. Die Nachfrage nach den einzelnen Produkten ist ungewiss und wird durch Wahrscheinlichkeitsverteilungsfunktionen dargestellt. Die Menge jedes hergestellten Produkts unterliegt Beschränkungen in Bezug auf verfügbare Herstellungsressourcen. Alle Beschränkungen werden hier in einem Schritt angegeben, und zwar unter Verwendung der Fähigkeit von RISKOptimizer, Beschränkungsbegrenzungen in Form von Bereichen zu definieren. RISKOptimizer sorgt je nach Ressourcen-Beschränkungen dafür, dass die hergestellte Menge des betreffenden Produkts entsprechend variiert, um die Einnahmen zu maximieren.
Beispielmodell herunterladen: ProduktmischungMitBeschrankungen.xls
Buchwerte.Optionen.BilanzMehrschritt.xls