Monte-Carlo-Simulation im Projektmanagement: Risiken sichtbar machen

Eine Schätzung ist eine Behauptung über die Zukunft. „Fünf Tage" klingt präzise, verschweigt aber, dass dieselbe Aufgabe an einem schlechten Tag acht Tage dauert und an einem guten drei. Wer mit einem festen Wert plant, plant mit einer Illusion. Die Monte-Carlo-Simulation nimmt diese Illusion ernst und rechnet die Streuung mit, anstatt sie wegzumitteln.

Was ist eine Monte-Carlo-Simulation?

Eine Monte-Carlo-Simulation modelliert Unsicherheit durch wiederholtes Zufalls-Sampling. Statt mit einem festen Wert zu rechnen, etwa „die Aufgabe dauert fünf Tage", arbeiten Sie mit Wahrscheinlichkeitsverteilungen und lassen das Modell tausende Male durchlaufen. Jeder Durchlauf zieht zufällige Werte aus diesen Verteilungen. Am Ende steht keine einzelne Schätzung, sondern eine Verteilung möglicher Ergebnisse.

Die Kernaussage verschiebt sich damit grundlegend. Aus „Das Projekt ist am 30. September fertig" wird „Mit 80 Prozent Wahrscheinlichkeit fertig bis zum 15. Oktober". Der Unterschied ist greifbar. Das eine ist ein Versprechen, das Sie nicht halten können. Das andere eine Aussage, mit der ein Auftraggeber wirklich planen kann.

Monte Carlo im Projektmanagement: Schritt für Schritt

Im Projektmanagement folgt die Simulation einem klaren Ablauf. Wir gehen ihn Schritt für Schritt durch, vom einzelnen Vorgang bis zur fertigen Wahrscheinlichkeitskurve.

Schritt 1: Jede Aufgabe bekommt eine Spannweite. Statt einer einzigen Zahl schätzen Sie drei: optimistisch (O), wenn alles glattläuft, wahrscheinlich (M) für den Normalfall und pessimistisch (P), wenn es hakt. Aus diesen drei Punkten baut das Modell eine Drei-Punkt-Verteilung. Die meisten Ziehungen landen nahe M, wenige an den Rändern. Wer tiefer einsteigt, wählt die Form bewusst: Eine PERT-Beta gewichtet M stärker, ein Dreieck ist gröber, aber leichter zu erklären.

Schritt 2: Ein Durchlauf würfelt jede Dauer. Ein einzelner Lauf zieht für jeden Vorgang genau eine zufällige Dauer aus dessen Verteilung und rechnet daraus ein mögliches Projektende. Das ist eine plausible Zukunft, kein Mittelwert, sondern ein konkretes Szenario, so wie ein einziger Würfelwurf fürs ganze Projekt. Mal kommen 27 Tage heraus, mal 31. Für sich genommen sagt ein Lauf wenig aus. Er ist nur einer von vielen.

Schritt 3: Das Netz entscheidet, nicht die Summe. Dauern addieren sich nicht einfach entlang einer Linie. Die Abhängigkeiten im Netzplan bestimmen den Weg, und an einem Meilenstein, auf den mehrere Pfade zulaufen, zählt der späteste, also das Maximum, nicht der Durchschnitt. Das ist die Pfadkonvergenz: Selbst wenn jeder einzelne Pfad meist pünktlich ist, steigt mit jedem zusätzlichen Pfad die Chance, dass wenigstens einer zu spät kommt. Stellen Sie sich eine Staffel vor, bei der der langsamste Läufer die Zeit vorgibt.

Schritt 4: 10.000 Läufe ergeben die Wahrscheinlichkeit. Jetzt wiederholen Sie den Würfelwurf, zum Beispiel 10.000 Mal. Jeder Lauf liefert ein Enddatum, zusammen ergeben sie genau die Verteilung von oben. Sortiert man die Termine aufsteigend, entsteht die kumulative S-Kurve, und an ihr lesen Sie die Konfidenzniveaus ab. P80 heißt schlicht: In 80 von 100 simulierten Welten sind Sie bis zu diesem Datum fertig. Histogramm und S-Kurve sind zwei Blicke auf dieselben Daten; auf die S-Kurve legen Sie sich am Ende fest, wenn Sie einen Termin zusagen.

Warum Monte Carlo den kritischen Pfad schlägt

Genau die Pfadkonvergenz aus Schritt 3 erklärt, warum der klassische kritische Pfad die Projektdauer systematisch unterschätzt. Er rechnet mit festen Dauern und betrachtet nur den längsten Strang, blendet aber aus, wie wahrscheinlich es ist, dass mehrere Vorgänge gleichzeitig schieflaufen. Termine sind dadurch fragiler, als ein deterministischer Plan suggeriert.

Tornado-Diagramm: die Sensitivitätsanalyse

Als Nebeneffekt liefert die Simulation eine Sensitivitätsanalyse. Ein Tornado-Diagramm zeigt, welche Vorgänge am stärksten zur Gesamtunsicherheit beitragen. So weiß Ihr Risikomanagement, wo es ansetzen muss, statt überall gleichzeitig zu wachen.

Die drei Bausteine der Unsicherheit

Bevor wir simulieren, lohnt ein Blick aufs Mentalmodell. Es gibt drei Arten von Unsicherheit, und das sind keine konkurrierenden Varianten von Monte Carlo, zwischen denen Sie wählen. Es sind drei Quellen, die Sie modellieren, und ein gutes Modell deckt alle ab. Die Frage ist also nicht „welche Variante nehme ich", sondern „welche Unsicherheiten stecken in meinem Projekt und wie bilde ich jede ab".

Variabilität: die alltägliche Streuung

Jeder Vorgang dauert mal länger, mal kürzer. Das ist das Plus-minus-X-Prozent-Band, das klassische Monte Carlo, bei dem jeder Vorgang eine Verteilung bekommt. Hier drehen Sie bewusst an allen Schrauben gleichzeitig, nicht an einer einzelnen. Der Witz ist, dass sich viele kleine Streuungen über die Netzplanlogik aufsummieren und an Pfadkonvergenzen verstärken.

Ereignisrisiken: diskrete Risikoereignisse

Der Lieferant fällt aus oder nicht. Die Ressource ist krank oder nicht. Das ist kein „plus-minus zehn Prozent Dauer", sondern „mit Wahrscheinlichkeit p tritt Ereignis X ein, und dann verschiebt sich Y um Z Tage". Statt eines Bandes um jeden Wert setzen Sie hier einen An/Aus-Schalter an wenige kritische Stellen: mit Wahrscheinlichkeit p tritt das Ereignis ein, sonst nicht.

Strukturrisiken: Verzweigung und Wiederholung

Die dritte Quelle steckt nicht in der Dauer eines Vorgangs, sondern in der Frage, ob er überhaupt so durchläuft wie geplant. Eine Abnahme kann durchfallen, eine Genehmigung abgelehnt, ein Prüfschritt nicht bestanden werden. Dann wird der Vorgang nicht im ersten Anlauf abgeschlossen, sondern zieht eine Nacharbeitsschleife nach sich: einen zusätzlichen Vorgang, der im glatten Plan gar nicht auftaucht. Während ein Ereignisrisiko eine bestehende Dauer verlängert, verändert ein Strukturrisiko den Netzplan selbst.

In der Simulation bilden Sie das als probabilistische Verzweigung ab: In jedem Durchlauf entscheidet ein Zufallsschalter mit Wahrscheinlichkeit p, ob die Wiederholschleife mit eigener Dauerverteilung eingefügt wird. Über 10.000 Läufe zeigt sich das als zweiter Buckel rechts in der Verteilung, die typische Signatur eines Nacharbeitsrisikos. Genau diese Fälle übersieht ein Plan, der nur den reibungslosen Durchlauf kennt.

Die besten Modelle kombinieren alle drei: ein Grundrauschen auf allen Vorgängen, ein paar diskrete Risiko-Schalter an den Stellen, an denen wirklich etwas kippen kann, und eine Verzweigung dort, wo ein Vorgang misslingen und Nacharbeit auslösen kann.

Korrelation: die Klammer um die drei

Die drei Bausteine wirken selten unabhängig, und genau das zeigt der Rahmen in der Grafik oben. Schlechtes Wetter verzögert nicht einen Außenvorgang, sondern alle gleichzeitig; ein überlasteter Lieferant trifft jede Bestellung, nicht nur eine. Das ist Korrelation: ein gemeinsamer Treiber, der mehrere Vorgänge im selben Durchlauf in dieselbe Richtung zieht.

Korrelation ist kein vierter Baustein, sondern eine Klammer um die drei. Sie entscheidet, ob sich viele kleine Streuungen gegenseitig wegmitteln oder aufschaukeln. Wer Risiken fälschlich als unabhängig modelliert, unterschätzt die Spannweite systematisch, denn unkorrelierte Abweichungen gleichen sich im Mittel aus, korrelierte nicht. In der Praxis ist das oft der größte Hebel auf ein realistisches P80.

Die Stellschrauben einer Monte-Carlo-Simulation

Neben der Frage „was modelliere ich" gibt es weitere Achsen, an denen Sie tatsächlich entscheiden.

Verteilungsform pro Vorgang. Das Dreieck (O, M, P) ist simpel, intuitiv und ideal zum Erklären. Die PERT-Beta-Verteilung gewichtet die wahrscheinliche Dauer stärker und verläuft glatter; sie ist der De-facto-Standard im Projektmanagement und unsere Empfehlung. Die Uniform-Verteilung passt, wenn Sie wirklich nur Minimum und Maximum kennen. Lognormal eignet sich für Dauern mit langem Auslauf nach oben, denn Aufgaben werden selten viel schneller, manchmal aber deutlich langsamer.

Zielgröße der Simulation. Die häufigste Frage ist der Termin (Schedule Risk): wann Sie fertig sind. Daneben steht das Kostenrisiko (Cost Risk): was das Projekt am Ende kostet. Beides lässt sich koppeln, denn Verzug erzeugt Mehrkosten, etwa Pönale oder Lagerkosten. Genau das beantwortet eine Frage wie den Lieferantenvergleich, bei dem Termin und Preis gegeneinander stehen.

Bleibt die dritte Achse: woher die Zahlen für diese Verteilungen überhaupt stammen, also die Eingangsunsicherheit. Hier entscheidet sich, ob die Simulation auf belastbaren Daten oder auf einem Bauchgefühl steht.

Woher die Eingangsunsicherheit kommt. Am belastbarsten sind Erfahrungsdaten, also die empirische Häufigkeit, etwa aus einer Lieferhistorie. Daneben steht die Experteneinschätzung, das klassische O/M/P-Raten, wenn keine Daten vorliegen. Und es gibt den Plan/Ist-Vergleich von Merlin Project: Merlin hält Plan- und Ist-Werte je Vorgang. In einem laufenden Projekt messen Sie die typische Streuung an der Abweichung vergangener Vorgänge, statt sie zu schätzen. So speist sich Ihre Simulation aus echten Projektdaten und wird mit jedem abgeschlossenen Vorgang belastbarer.

Von der Theorie in die Praxis

Bisher war eine Monte-Carlo-Simulation aufwendig und blieb Spezialwerkzeugen vorbehalten, samt von Hand gepflegter Drei-Punkt-Schätzungen. Mit dem MCP-Server in Merlin Project liest eine KI Ihren Projektplan direkt aus und rechnet die Simulation auf Zuruf. Sie bitten Claude in einem Satz, 10.000 Projektverläufe aus Ihrem Plan zu simulieren, und bekommen die S-Kurve mit P50, P80 und P90 erklärt zurück. Aus einem Spezialwerkzeug mit eigener Datenpflege wird ein Satz an Claude.

Wie das konkret aussieht, vom Setup über die Beispiel-Prompts bis zu zwei durchgerechneten Fallbeispielen, zeigt der Praxisteil: So simulieren Sie Monte Carlo mit Merlin Project und dem MCP-Server.

Wie lohnend strukturiertes Risikomanagement im Projekt ist, zeigt außerdem unser Beitrag zu Riskology, der Monte-Carlo-Methode der Atlantic Systems Guild.

Haben Sie Fragen zu diesem Blogartikel oder möchten darüber diskutieren, freuen wir uns auf Ihren Beitrag bei uns im Forum.