Simulation

Ziel

Die Simulation beantwortet eine Frage von genauer Form: Wenn wir so vorgehen, was geschieht dann und um wie viel? Sie beantwortet sie vor jeder Konstruktion oder Änderung, in Zahlen, in genau der Einheit, in der die Entscheidung fällt. Die übrigen Prototyping-Methoden erzeugen etwas zum Anschauen, eine Folge von Bildern oder eine von Hand gezeichnete Oberfläche, die die Anspruchsgruppe kommentiert. Die Simulation erzeugt etwas zum Ausführen, dessen Ergebnisse die Anspruchsgruppe liest.

Der BABOK beschreibt die Technik in zwei Sätzen, jeder mit einem Vorbehalt, der so stehen bleiben muss: Die Simulation dient dazu, eine Lösung oder Lösungskomponenten zu demonstrieren, und sie kann Prozesse, Szenarien, Geschäftsregeln, Daten und Eingaben auf die Probe stellen. Die Bestimmung zur Messung ist anderswo verankert, an einer einzigen Stelle: in der Aufgabe Lösungsleistung messen, wo der BABOK schreibt, Prototyping diene dazu, eine neue Lösung zu simulieren, damit Leistungskennzahlen bestimmt und erhoben werden können. Das ist die einzige Stelle des Leitfadens, an der Prototyping an die Messung gebunden wird. Der Leitfaden schreibt es über das Prototyping im Allgemeinen, über das Verb „simulieren“. Die einzige Methode der Familie, die es einlöst, ist diese hier. Die beiden Verankerungen sagen Verschiedenes, das auseinanderzuhalten sich lohnt: die eine sagt, was die Technik übt, die andere, was sie einbringt.

Das Arbeitsergebnis besteht aus sieben Objekten. Dem ausführbaren Modell. Dem Parameterblatt, das für jeden Parameter seine Herkunft trägt: gemessen, angepasst oder angenommen. Dem Validierungsprotokoll, das das Modell mit einer Periode konfrontiert, deren tatsächliche Ergebnisse bekannt sind, und die gewählte Toleranz festhält. Den Szenariodefinitionen. Den Laufergebnissen samt ihren Intervallen. Der Sensitivitätsanalyse, die den Parameter benennt, auf dem die Entscheidung tatsächlich ruht. Und der Entscheidungsnotiz, die den Gültigkeitsbereich des Ergebnisses festhält, also die Bedingungen, unter denen es zustande kam und ausserhalb deren es nicht mehr gilt.

Was die Organisation zu diesem Preis kauft, ist die Möglichkeit, sich folgenlos zu irren. Eine Mahnpolitik, eine Tarifstufe, ein zusätzlicher Schalter, eine Zuteilungsregel: real angewendet kosten diese Änderungen ihre Umsetzung, ihre Rücknahme und den Schaden, der inzwischen entstanden ist. Im Modell ausgeführt kosten sie eine Rechennacht. Der BABOK merkt zur Definition des künftigen Zustands an, Prototyping könnte auch dabei helfen, den potenziellen Wert einer Option zu bestimmen; die Simulation ist diejenige Methode, die ihn bestimmt, indem sie ihn misst.

Einsatz

Wann einsetzen

• Regeländerung mit zählbaren Folgen: Mahnungen, Tarifstufen, Anspruchskriterien, Zuteilungsregeln.
• Frage nach Kapazität oder Durchsatz: Warteschlange, Wartezeit, Auslastung, ein Schalter mehr oder weniger.
• Optionen, die sich nicht parallel erproben lassen: zwei Mahnpolitiken an denselben Kunden, real unmöglich.
• Teure oder schwer rückgängig zu machende Änderung: der Lauf ist der billigste Weg, sich zu irren.
• Leistungskennzahlen vor der Inbetriebnahme erwartet: der versprochene Wert wird beziffert, solange ein Verzicht noch möglich ist.
• Ein Prozessmodell existiert bereits, der häufigste Auslöser: es ausführbar zu machen kostet wenig.
• Kontraintuitives Gesamtverhalten: ein wandernder Engpass, eine Warteschlange, die jenseits einer Schwelle explodiert.

Wann nicht einsetzen

• Die Entscheidung kostet weniger als das Modell: die Änderung vornehmen und die Realität messen, über einen Pilotversuch, eine begrenzte Einführung oder einen A/B-Test.
• Die Frage betrifft das Erscheinungsbild der Lösung: es gibt nichts auszuführen, also Papier-Prototyping oder Storyboarding wählen.

Beschreibung

Zwei unabhängige Achsen

Der BABOK klassifiziert Prototypen anhand zweier verschiedener Elemente. Der Ansatz sagt, was aus dem Prototyp wird: man wirft ihn weg, oder man lässt ihn zur Lösung heranwachsen. Die Methode sagt, wie er hergestellt und geübt wird: über ein Storyboard, auf Papier, über eine Simulation oder über die Modellierung von Arbeitsabläufen, die auf dieser Achse als geborgte Methode auftritt, deren Heimat die Prozessmodellierung ist. Jeder Prototyp antwortet auf jeder der beiden Achsen, unabhängig. Ein Papierprototyp ist immer ein Wegwerf-Prototyp. Eine Simulation kann weggeworfen werden oder in einem Werkzeug weiterleben, das sie dauerhaft macht, was sie auf die Seite des evolutionären Prototypings stellt. Wer fragt: „Ist das ein Wegwerf-Prototyp oder eine Simulation?“, stellt eine Frage ohne Antwort: Es ist das Prototyping als Ganzes, das die Weichenstellung zwischen den beiden Achsen regelt.

Das Verb simulieren durchzieht diese Familie und stiftet darin eine eigene Verwirrung. Mehrere Prototypenformen können einen Prozess oder eine Regel simulieren, und der Leitfaden sagt das vom evolutionären Werkzeug, sofern spezialisierte Software eingesetzt wird: Das ist eine Fähigkeit des Werkzeugs. Die Simulation ist die Methode, deren ganzer Zweck und einziges Produkt genau das ist. Die Frage, die sie von den anderen trennt, passt in eine Zeile: Muss der Prototyp ausgeführt werden oder nur angeschaut? Ausgeführt, dann ist es diese hier. Angeschaut, dann ist es ein Storyboard oder ein Papierprototyp.

Eine Simulation durchführen

Die Frage rahmen, bevor ein Modell existiert

Die Entscheidung benennen, dann die Messgrössen, die sie entscheiden. Das ist die konzeptuelle Modellierung: wählen, was modelliert wird und was draussen bleibt. Robinson hält sie für die schwierigste, am wenigsten verstandene und wohl wichtigste Tätigkeit einer Simulationsstudie. Ein Modell ohne angehängte Entscheidung erzeugt eine Zahl, die niemand nutzt. Der Detailgrad rechtfertigt sich durch die Entscheidung: Jedes zusätzliche Element muss eine Messgrösse bewegen, die zählt, sonst fügt es einen zu schätzenden Parameter und eine zu tragende Fehlerquelle hinzu.

Vom bestehenden Prozessmodell ausgehen

Eine Simulation läuft auf einem Prozessmodell, das die Prozessmodellierung hervorbringt, mit ihrer eigenen Notation und ihren eigenen Regeln. Die Simulation lädt diese Zeichnung mit dem auf, was sie ausführbar macht: Dauern auf den Aktivitäten, Wahrscheinlichkeiten auf den Verzweigungen, Ressourcen mit ihren Kapazitäten und Arbeitszeiten, Warteschlangendisziplinen (wer zuerst kommt, mahlt zuerst; Priorität; Abbruch nach so und so vielen Minuten) und ein Ankunftsgesetz der Fälle. Ein gezeichnetes Prozessmodell ist eine Karte; dieselben Kästchen werden, versehen mit diesen fünf Parameterfamilien, zu einer Maschine.

Die Regeln ausführbar machen

Eine Regel hört auf, ein Satz zum Lesen zu sein, und wird zu einer Bedingung, die der Lauf auswertet. „Der Kunde wird in der Regel innert Monatsfrist gemahnt“ lässt sich nicht ausführen: Es braucht die Schwelle in Tagen, die Reihenfolge, in der die Bedingungen ausgewertet werden, das Los des Grenzfalls und die Ausnahme, die alle anwenden, ohne sie je aufgeschrieben zu haben. Das ist die Arbeit der Geschäftsregelanalyse. Die Simulation legt die unscharf gebliebenen Regeln offen: Eine mehrdeutige Regel lässt sich nicht codieren, und der Modellierer entdeckt die Mehrdeutigkeit in dem Moment, in dem er sie schreibt.

Auf echten Daten parametrieren und die Herkunft jedes Parameters festhalten

Jeder Parameter des Modells ist gemessen (er stammt aus einem System und lässt sich vorweisen), angepasst (eine Verteilung wurde an eine Historie angepasst) oder angenommen (niemand hat ihn beobachtet, jemand hat ihn eingeschätzt). Ein angenommener Parameter ist eine Hypothese und trägt diesen Namen auf dem Parameterblatt. Sargent nennt diese Anforderung Datenvalidität: sicherzustellen, dass die Daten, die für den Bau des Modells, für seine Bewertung und für die Durchführung der Experimente nötig sind, angemessen und korrekt sind. NASA-STD-7009B macht daraus einen eigenständigen Bewertungsgegenstand, das Pedigree der Eingaben, denn die Glaubwürdigkeit eines Ergebnisses hängt zuerst von der Glaubwürdigkeit dessen ab, was in das Modell eingegangen ist. Der Fehlermodus ist banal: ein angenommener Parameter, der aussieht wie ein gemessener, weil ihn nichts in der Tabelle davon unterscheidet.

Verifizieren, dann validieren

Das sind zwei verschiedene Fragen, und die erste ist die leichtere. Die Verifikation fragt, ob das Programm tut, was spezifiziert wurde: Sie stellt sicher, dass das computerisierte Modell und seine Implementierung korrekt sind. Die Validierung fragt, ob das Modell für den Gebrauch, den man davon macht, richtig ist: Sargent definiert sie als den Nachweis, dass ein Modell innerhalb seines Anwendbarkeitsbereichs eine zufriedenstellende Genauigkeit im Hinblick auf die beabsichtigte Anwendung besitzt. Ein Modell ohne einen einzigen Fehler kann von vorne bis hinten falsch liegen, weil es einen Prozess getreu abbildet, der nicht der Prozess der Organisation ist. Das Instrument der Validierung ist das Referenzszenario: Man führt das Modell mit den bereits geltenden Regeln über eine Periode aus, für die die Organisation die tatsächlichen Ergebnisse besitzt, und man akzeptiert das Modell nur, wenn es sie innerhalb einer vor dem Lauf festgelegten Toleranz reproduziert. Vorher festgelegt, denn eine nach dem Lauf gewählte Toleranz wird so gewählt, dass sie eingehalten wird.

Replizieren

Ein stochastisches Modell liefert bei jeder Ausführung eine andere Antwort, und der Abstand zwischen zwei Ausführungen ist alles andere als geringfügig. Law liefert die sparsamste Demonstration dafür: An einem Bankschaltermodell erzeugen fünf unabhängige Replikationen desselben Szenarios mittlere Wartezeiten in der Warteschlange von 1,53 · 1,66 · 1,24 · 2,34 · 2,86 Minuten, und er folgert, dass ein einzelner Lauf offensichtlich nicht „die Antworten“ liefert. Die Betriebsart, die er als verbreitet beschreibt, ein einzelner Lauf beliebiger Länge, dessen Ergebnis als wahre Eigenschaft des Modells behandelt wird, kann einer nicht zu vernachlässigenden Wahrscheinlichkeit aussetzen, falsche Schlüsse über das untersuchte System zu ziehen. Die Zahl der Replikationen wird deshalb vorher entschieden, nach der gewünschten Genauigkeit auf der Messgrösse, die die Entscheidung trägt. Law gibt ein mechanisches Verfahren an: Man startet eine Pilotserie, etwa zehn Replikationen, berechnet auf der entscheidenden Messgrösse die Halbbreite des Konfidenzintervalls und fügt so lange Replikationen hinzu, bis diese Halbbreite unter die von der Entscheidung benötigte Genauigkeit fällt. Eine Entscheidung, die sich an fünf Sperrungen entscheidet, verlangt ein Intervall, das schmaler ist als fünf Sperrungen. Diese Rechnung legt die Zahl fest, und die zwanzig Replikationen des Beispiels stammen daher.

Wissen, ob das Modell terminiert oder im stationären Betrieb läuft

Eine Simulation mit natürlichem Anfang und Ende, etwa ein Abrechnungsjahr, heisst terminierend: Das System und das Modell starten leer, und jede Replikation spielt die ganze Periode erneut durch. Ein Modell des stationären Betriebs wird nach dem Verhalten des Systems im eingeschwungenen Zustand gefragt, und auch es startet leer, mit leeren Warteschlangen und untätigen Schaltern, in einem Zustand, der dem zu messenden fremd ist. Die Einschwingphase ist die Zeit, die es braucht, um aus diesem Übergang herauszukommen, und die Beobachtungen, die sie liefert, werden vor jeder Berechnung gelöscht. Der klassische Fehler besteht darin, eine mittlere Wartezeit abzulesen, in die eine Stunde leerer Warteschlangen eingeflossen ist: Die Messgrösse wird optimistisch, umso mehr, je kürzer die Ausführung ist. Kapazitäts- und Warteschlangenfragen, der häufigste Auslöser dieser Technik, fallen fast immer auf die Seite des stationären Betriebs. Das Mahnmodell des Beispiels dagegen ist terminierend, und die Frage der Einschwingphase stellt sich dort nicht.

Das Ergebnis mit seiner Unsicherheit lesen und den Parameter finden, der die Entscheidung trägt

Ein Simulationsergebnis ist ein Intervall: Man berichtet es mit seinen Grenzen. Danach kommt die Sensitivitätsanalyse: Man variiert die angenommenen Parameter einzeln über den Bereich, in dem sie glaubwürdig bleiben, und beobachtet, welche davon die entscheidende Messgrösse bewegen. Oft tut es nur ein einziger, und die Übung hat dann ihren besten Dienst geleistet: Sie hat gesagt, worauf die Entscheidung ruht und wo es sich lohnen würde, messen zu gehen statt weiter anzunehmen. NASA-STD-7009B hält diesen ganzen Apparat für eine Ingenieuranforderung und trennt zwei Glaubwürdigkeiten, die des Modells und die der Ergebnisse, die es hervorgebracht hat, und verlangt für Letztere die Charakterisierung der Unsicherheit, die Sensitivitätsanalyse und einen ordentlichen Ergebnisbericht.

Entscheiden und den Gültigkeitsbereich festhalten

Sargent formuliert es ohne Umschweife: Ein Modell kann für eine Menge experimenteller Bedingungen gültig und für eine andere ungültig sein. Der Gültigkeitsbereich gehört deshalb zum Arbeitsergebnis, genau wie die Zahl. Er hält fest, wozu das Modell validiert wurde, auf welchen Daten und in welchen Grenzen von Volumen und Verhalten. Er verhindert in sechs Monaten, dass ein für eine Kapazitätsfrage validiertes Modell zu einer Tariffrage befragt wird.

Woran eine Simulation scheitert

Das plausible Modell, das niemand validiert hat

Es läuft, es liefert Zahlen, die Zahlen haben Nachkommastellen, und niemand hat je geprüft, ob es ein Jahr reproduziert, das alle kennen. Das ist die zentrale Falle der Technik, und die Abwehr ist strukturell: das Referenzszenario und eine vor der Ausführung festgelegte Toleranz.

Die falsche Präzision einer einzelnen Ausführung

Ein einzelner Lauf eines stochastischen Modells ist eine Ziehung: Ihn für die Antwort zu nehmen, ist der Fehler.

Verifikation und Validierung verwechseln

Das Modell tut genau das, was von ihm verlangt wurde, und was von ihm verlangt wurde, ist falsch. Ein Review des Modells beruhigt zur ersten Frage und schweigt zur zweiten.

Ein angenommener Parameter, der die ganze Entscheidung trägt

Er wurde nie beobachtet, er steht da wie die anderen, und das Ergebnis kippt mit ihm. Die Sensitivitätsanalyse ist es, die ihn aufstöbert.

Das ausserhalb seines Bereichs wiederverwendete Modell

Für eine Kapazitätsfrage validiert, sechs Monate später zur Tariffrage befragt. Es antwortet ohne Gewähr.

Das Theater der Detailtreue

Am Detail des Modells feilen, während seine Eingaben angenommen bleiben. Der BABOK hält fest, dass sich der Prototyping-Prozess, wenn das System oder der Prozess sehr komplex ist, in der Diskussion über das „Wie“ statt über das „Was“ festfahren kann: Die Debatte über die Feinheit des Modells nimmt den Platz der Debatte über die Qualität der Daten ein.

KI-Überlegungen

Eine Bemerkung, die dieser Technik eigen ist, beherrscht alle anderen. Gefragt, was geschähe, wenn man die Mahnregeln verschärfte, liefert ein Sprachmodell ein Ergebnis: flüssig, plausibel, mit Nachdruck formuliert, etwa „die Sperrungen stiegen um rund 5%“. Es hat nichts ausgeführt. Es hat eine Vermutung erzeugt, im Register eines Ergebnisses. Die Simulation existiert dafür, diesen Satz durch einen gemessenen zu ersetzen. Ein Sprachmodell erzählt einen Ausgang, eine Simulation berechnet ihn, und die Verwechslung beider fällt umso leichter, als die erzählte Fassung sich besser liest und in drei Sekunden eintrifft.

Wo die Werkzeuge einen echten Dienst leisten, leisten sie ihn vor und nach dem Lauf. Davor ist die Anpassung der Eingangsverteilungen an eine Abrechnungshistorie oder ein Ereignisprotokoll eine mühsame statistische Arbeit, die die Maschine gut erledigt, und sie erledigt noch besser etwas, das der Praktiker vernachlässigt: Sie meldet die Reihen, die zu dünn sind, um überhaupt etwas daran anzupassen, und das ist genau das Problem des Pedigrees der Eingaben. Der Aufbau des Modellgerüsts aus einem bestehenden Prozessmodell oder einem Ereignisprotokoll, über Process Mining, spart Tage. Die Erzeugung des Szenariodurchlaufs erspart es, zwanzig Varianten von Hand zu schreiben. Danach durchkämmt ein Ersatzmodell, das auf den eigenen Läufen der Simulation gelernt hat, einen grossen Szenarienraum zu geringen Kosten und behält die teuren Ausführungen den Überlebenden vor, und das Verfassen der Sensitivitätsanalyse lässt sich ohne Schaden delegieren.

Drei Dinge bleiben ausserhalb der Reichweite des Werkzeugs. Die Verhaltensreaktion ist eine Hypothese, und eine KI wird eine solche mit Leichtigkeit liefern: Wie Kunden auf eine Regel reagieren, die nie angewendet wurde, ist das, was keine historischen Daten enthalten, und eine erfundene Elastizität klingt wie eine gemessene. Die Validierung verlangt einen Referenten, also eine bekannte Realität, an der das Modell zu prüfen ist: Kein Werkzeug besitzt sie, und es ist die Organisation, die sie in ihren eigenen Systemen hält. Die Datensensibilität, schliesslich: Eine Abrechnungshistorie identifiziert reale Personen, und sie wird pseudonymisiert, bevor sie in ein Modell eingeht, erst recht, bevor sie zu einem Dritten geht.

Beispiele

Kommunale industrielle Werke überarbeiten ihre Mahnregeln. Die Frage, die der Lauf entscheiden soll: Bringen die vorgeschlagenen Regeln mehr ein und zu welchem Preis für die Einwohner?

Das Modell ist dort am schwächsten, wo die Fallzahlen am kleinsten sind: Die Sperrungen schaffen die Toleranz mit 4,9%, und zwar knapp, und eine Entscheidung, die sich an den Sperrungen entscheidet, ruht damit auf der dünnsten Zelle des Modells.

Die vorgeschlagenen Regeln bringen nach 90 Tagen CHF 92'000 mehr ein und verkürzen den mittleren Verzug um 6,5 Tage, zum Preis von 1'333 zusätzlichen 1. Mahnungen und 131 zusätzlichen 2. Mahnungen sowie 5 zusätzlichen Sperrungen bei Einwohnern. Diese Abwägung in Franken zu beziffern, verlangte einen Stückkostensatz je Mahnung und einen sozialen Preis je Sperrung, die dieser Lauf nicht hervorgebracht hat.

Visualisierungen

Die Technik erzeugt zwei Objekte, jedes in der Form, die aus seiner Natur folgt. Der Lauf ist ein räumliches Objekt: Eingaben, die zusammenlaufen, ein Modell, das eine bestimmte Anzahl Male ausgeführt wird, Messgrössen, die mit ihren Intervallen herauskommen und vor allem eine Rückkante, jene, die von einer beobachteten Referenz zum Modell zurückführt und alles Weitere bedingt. Diese Kante, die der Simulation allein gehört, wird gezeichnet: Eine Tabelle mit drei Zeilen würde sie zerstören. Das Parameterblatt und die Lauftabelle dagegen sind Zeilen und Spalten, mit einer Herkunftsspalte und einer Abweichungsspalte, die sich auf einen Blick lesen: Sie bleiben in Zellen.

Drei Kontrollen genügen, um eine reale Simulationsstudie zu prüfen. Trägt jede Eingabe eine deklarierte Herkunft, oder sind einige angekommen, ohne dass jemand weiss, woher? Zeigt der Replikationszähler eine Zahl grösser als eins? Und ist die Rückkante begangen worden, wurde das Modell also mit einer Periode konfrontiert, deren Ausgang bereits bekannt war? Eine Studie, in der diese Kante fehlt, hat vor dem Schritt aufgehört, der ihre Zahlen lesbar gemacht hätte.

Aufwand

Werkzeuge

Das einfachste Werkzeug ist die Tabellenkalkulation, und man muss wissen, was sie kann und wo sie aufhört. Ein deterministisches Modell trägt sie sehr gut: Volumen, Quoten, mittlere Dauern, und man liest daran die Wirkung einer Regeländerung ab. Dort lebt die Mehrheit dessen, was Simulation genannt wird, und das ist legitim, solange die Frage nicht von der Variabilität abhängt. Sobald es eine Warteschlange, eine geteilte Ressource, einen Abbruch oder eine Verteilung mit schwerem Rand gibt, wird der Mittelwert trügerisch, denn das Verhalten eines Systems mit knappen Ressourcen folgt nicht aus dem Mittelwert seiner Eingaben. Die Tabellenkalkulation hört dann auf, die gestellte Frage zu beantworten.

Darüber kommen die Prozesssimulations-Engines, die ein bereits gezeichnetes Prozessmodell nehmen und ihm die Parametrierung hinzufügen, die es ausführbar macht. Die Spezifikation BPSim der WfMC existiert genau dafür: Sie definiert ein Austauschformat, das Szenarien und ihre Parameter (Dauern, Ressourcen, Kosten, Wahrscheinlichkeiten, Ankunftsgesetze) an ein BPMN- oder XPDL-Modell hängt, was erlaubt, in einem Werkzeug zu parametrieren und in einem anderen auszuführen. Mehrere Plattformen der Geschäftsmodellierung und des Process Mining setzen sie um, was sie zum billigsten Weg macht, wenn das Prozessmodell bereits existiert.

Für Kapazitäts- und Warteschlangenfragen sind die Werkzeuge der ereignisdiskreten Simulation (Simul8, Arena, AnyLogic, SimPy für alle, die programmieren) die richtige Stufe: Sie tragen Ressourcen, Warteschlangen, Prioritäten, Arbeitszeiten und Wahrscheinlichkeitsgesetze von Haus aus, und sie liefern Konfidenzintervalle. Sie sind es, die die Replikationen und die Auswertung der Ausgaben führen können, ohne dass man sie neu schreibt. Die Process-Mining-Plattformen spielen eine ergänzende und unterschätzte Rolle: Sie rekonstruieren den realen Prozess aus den Ereignisprotokollen des Systems, was auf einen Schlag das Modell und einen Teil der gemessenen Parameter liefert, und sie setzen den ausgeführten Prozess an die Stelle des erklärten.

Die Ausführung kann auch ohne Maschine auskommen. Das BPM CBOK der ABPMP kennt dafür zwei Begriffe: Eine Simulation ist entweder manuell oder, wenn sie über ein Prozesssimulationswerkzeug läuft, elektronisch. Den ersten Begriff beschreibt es unter dem Namen Prozesslabor, in dem ein kleines bereichsübergreifendes Team fiktive Transaktionen von Hand von einem Ende des Prozesses zum anderen führt, im Rahmen einer Prozessverbesserung, einer Neugestaltung oder eines Reengineerings.

Die Wahl des Werkzeugs wiegt schliesslich weit weniger als die Qualität dessen, was man hineingiesst. Eine Simulation, die in einer Tabellenkalkulation auf gemessenen Daten geführt und gegen ein bekanntes Jahr validiert wurde, ist mehr wert als eine Simulation in der besten Engine des Marktes auf angenommenen Parametern. Das Werkzeug entscheidet, was das Modell darstellen kann; die Daten entscheiden, was seine Ergebnisse wert sind.

Quellen

• IIBA, A Guide to the Business Analysis Body of Knowledge (BABOK Guide) v3, §10.36 Prototyping: die Simulation als Prototyping-Methode, was sie demonstriert und was sie auf die Probe stellen kann, sowie die Grenze des Festfahrens im „Wie“.
• ABPMP, Guide to the Business Process Management Common Body of Knowledge (BPM CBOK), §3.10.2 Simulation Tools and Environments: die manuelle oder elektronische Simulation und das Prozesslabor, in dem ein kleines bereichsübergreifendes Team fiktive Transaktionen von Hand von Ende zu Ende ausführt.
• Robert G. Sargent, Verification and Validation of Simulation Models, Proceedings of the 2010 Winter Simulation Conference, S. 166-183: Verifikation, Validierung und Datenvalidität als drei verschiedene Fragen und die Gültigkeit stets relativ zum beabsichtigten Gebrauch.
• Averill M. Law, Statistical Analysis of Simulation Output Data: The Practical State of the Art, Proceedings of the 2015 Winter Simulation Conference, S. 1810-1824: die Replikationen, die Länge der Ausführungen und die Konfidenzintervalle und der bezifferte Nachweis, dass ein einzelner Lauf keine Antwort liefert.
• NASA-STD-7009B, Standard for Models and Simulations, 2024: die Glaubwürdigkeit eines Modells und diejenige seiner Ergebnisse als zwei getrennte Bewertungen, mit dem Pedigree der Eingaben, der Charakterisierung der Unsicherheit, der Sensitivitätsanalyse und dem Ergebnisbericht.
• Stewart Robinson, A Tutorial on Simulation Conceptual Modeling, Proceedings of the 2017 Winter Simulation Conference, S. 565-579: die Rahmung des Modells, was modelliert wird und was draussen bleibt.
• WfMC, Business Process Simulation Specification (BPSim) v2.0: das Austauschformat, das ein BPMN- oder XPDL-Prozessmodell parametriert und damit ausführbar macht.