„Wir planen erwartungstreu.“ Und dann baut man eine asymmetrische PERT-Verteilung ein … → und plötzlich stimmt der Erwartungswert nicht mehr. Das ist ein Thema, das ich aktuell sehr häufig sehe. Viele wollen völlig zurecht zwei Dinge gleichzeitig erreichen: • realistische Abbildung von Risiken (inkl. stärkerem Downside) • und trotzdem eine erwartungstreue Planung (Planwert = Erwartungswert) Das Problem: Sobald man bei einer PERT-Verteilung einfach „nach unten zieht“ (z. B. Minimum oder wahrscheinlichsten Wert reduziert), 👉 sinkt automatisch auch der Erwartungswert. Und damit ist die Planung nicht mehr erwartungstreu – oft ohne dass es überhaupt bemerkt wird. Es gibt aber zwei völlig unterschiedliche Zielsetzungen: 1. Bewusst konservativer planen → Erwartungswert soll unter dem Planwert liegen ✔ dann ist das Verschieben nach unten korrekt ✔ typisch für Szenarioanalysen („Was, wenn wir zu optimistisch sind?“) 2. Erwartungstreu bleiben, aber Downside realistischer abbilden → und genau hier wird es spannend Dann muss man anders vorgehen: • mehr Raum auf der Downside schaffen (Minimum weiter nach unten) • gleichzeitig den wahrscheinlichsten Wert anpassen • sodass der Erwartungswert stabil bleibt Das wirkt zunächst kontraintuitiv, ist aber genau der saubere Weg. In der Praxis scheitert das oft an der Parametrisierung. Denn die klassische PERT arbeitet mit: • Minimum • Modus (wahrscheinlichster Wert) • Maximum 👉 und nicht mit dem Erwartungswert. Die einfache Lösung: direkt mit dem Erwartungswert arbeiten. Genau dafür gibt es in Risk Kit die PertMEM-Parametrisierung: • Minimum • Erwartungswert • Maximum Der Rest wird im Hintergrund konsistent berechnet. Das hat zwei entscheidende Vorteile: ✔ Der Planwert bleibt garantiert der Erwartungswert ✔ Asymmetrien können gezielt eingebaut werden (z. B. mehr Downside) Mein Eindruck aus vielen Projekten: Nicht die Wahl der Verteilung ist das eigentliche Problem – sondern die fehlende Kontrolle über den Erwartungswert. Und genau dort entstehen dann stillschweigend Verzerrungen. Die entscheidende Frage ist also nicht nur: „Welche Verteilung verwenden wir?“ sondern: 👉 „Bleibt unser Modell eigentlich erwartungstreu – trotz aller Risikologik?“ Wie handhabt ihr das in euren Modellen?
Dieser Beitrag ist zuerst auf LinkedIn erschienen. Dort ansehen und mitdiskutieren