QMB - Qualitätsmanagementbeauftragter Logo
    • Startseite
    • Seminare und Ausbildungen
    • QM Toolbox (AI)
      • ISO 9001:2026 Toolbox (AI)
    • Lexikon
      • QMB: Aufgaben & Rolle
    • Blog
    • Methoden
    • Kontakt
    • Impressum
QMB - Qualitätsmanagementbeauftragter LogoQMB - QualitätsmanagementbeauftragterWissen · Methoden · Praxis
Lexikon/Monte Carlo
Lexikon · Wissen · Anwendung

Monte Carlo

  • Risikobewertung
  • Analyse
Monte Carlo

Inhaltsverzeichnis

  1. Kurz erklärt
  2. Definition
  3. Bedeutung im Fachkontext
  4. Input, Verarbeitung, Output, Outcome, Impact
  5. Schritte der Methode in Übersicht
  6. Anwendung und Vorgehen
  7. Anwendungsgebiete
  8. Typische Fehler und Missverständnisse
  9. Abgrenzung und Grenzen
  10. Thema + KI-Unterstützung
  11. Beispiele im AI Tool
  12. Seminare zum Thema
  13. Häufige Fragen

Monte Carlo

Kurz erklärt

Die Monte-Carlo-Simulation ist ein stochastisches Verfahren zur Risikobewertung und Entscheidungsunterstützung bei Unsicherheit. Anstatt punktuelle, deterministische Annahmen zu treffen, modelliert sie komplexe Systeme durch tausend- bis millionenfache zufallsbasierte Rechenläufe, um die Wahrscheinlichkeitsverteilung möglicher Ergebnisse abzubilden. Sie ist ein Werkzeug, das Transparenz in unsicheren Entscheidungssituationen schafft.

Monte Carlo · Kurz erklärt
Monte Carlo · Kurz erklärt01AUSGANGSLAGESystembeschreibung,Zielvorgaben, relevanteEinflussfaktoren02DIE METHODESystemidentifikation →Verteilungsmodellierung →Simulationsdurchführung →Statistische Auswertung03DAS ERGEBNISWahrscheinlichkeitsverteilungder Zielgröße, RisikokennzahlenDie Methodik wird in den folgenden Abschnitten Schritt für Schritt erläutert.

Definition

Die Monte-Carlo-Simulation ist ein numerisches Rechenverfahren, das auf der wiederholten Generierung von Zufallszahlen innerhalb vordefinierter Wahrscheinlichkeitsverteilungen basiert. Ziel ist die mathematische Annäherung komplexer, oft nicht-linearer Zusammenhänge, für die keine analytische Lösung existiert. Sie transformiert eine Menge unsicherer Eingabegrößen in eine robuste statistische Prognose über die Verteilung der Ausgangsergebnisse. Fachlich definiert als probabilistische Sensitivitätsanalyse, erlaubt sie die präzise Quantifizierung von Risiken durch die Abbildung der gesamten Ergebnisbandbreite statt nur eines Erwartungswerts. Sie ist in der modernen Statistik als Standardverfahren zur Behandlung stochastischer Unsicherheiten etabliert.

Bedeutung im Fachkontext

Im Qualitätsmanagement, in der OPEX-Methodik und bei komplexen Engineering-Prozessen dient die Methode zur Validierung der Robustheit von Systemen. Sie findet Anwendung, wenn Variablen wie Fertigungstoleranzen, Prozesszeiten oder Materialeigenschaften interagieren und deren kumulierte Auswirkung auf eine Zielgröße nicht linear aggregierbar ist. Durch die Simulation von Szenarien bietet sie eine faktenbasierte Entscheidungsgrundlage für Prozessfreigaben, Design-Validierungen und Investitionsplanungen. Sie ersetzt das blinde Vertrauen in 'Worst-Case'-Annahmen durch eine mathematisch fundierte Risikoperspektive, wodurch Überdimensionierung und ineffiziente Fehlersuche vermieden werden.

Input, Verarbeitung, Output, Outcome, Impact

Monte Carlo · Gesamtwirkpfad der Methode
Monte Carlo · Von Input bis Impact01INPUTRelevanteEinflussfaktoren,statistischeVerteilungsfunktionen der Variablen,historischeDatenreihen,Experten-Einschätzungen undmathematischesModell derSystembeziehungen.02VERARBEITUNGSystematischestochastischeStichprobenziehungüber das Modelldurch tausend- bismillionenfacheIterationen zurBerechnung derErgebnisvariablen.03OUTPUTVerteilungsfunktionder Zielgröße(Histogramm),statistischeKennzahlen(Mittelwert,Standardabweichung,Quantile,Konfidenzintervalle) undSensitivitätsindikatoren.04OUTCOME1. Identifikationkritischer Pfadeoder Variablen, diedas Gesamtrisikomaßgeblichbestimmen; 2.Aufbau einerquantifizierbarenWissensbasis überProzess- oderProduktvariabilitätfür künftigeStandardisierung.05IMPACTErhöhung derPlanungssicherheitbei Projekten,Senkung derQualitätskostendurchzielgerichteteProzessoptimierungund fundierte,risikobasierteManagemententscheidungen auf Basisvalider Daten,statt aufBauchgefühl.Input schafft die Voraussetzungen, Output dokumentiert das Ergebnis.Outcome und Impact entstehen erst durch Umsetzung und nachweisbare Wirkung.
Wirkungspfade und Beiträge zu Unternehmenszielen im Detail

Outcome

1. Identifikation kritischer Pfade oder Variablen, die das Gesamtrisiko maßgeblich bestimmen; 2. Aufbau einer quantifizierbaren Wissensbasis über Prozess- oder Produktvariabilität für künftige Standardisierung.

Impact

Erhöhung der Planungssicherheit bei Projekten, Senkung der Qualitätskosten durch zielgerichtete Prozessoptimierung und fundierte, risikobasierte Managemententscheidungen auf Basis valider Daten, statt auf Bauchgefühl.

Schritte der Methode in Übersicht

Die methodische Anwendung gliedert sich in vier zentrale Phasen, die einen geschlossenen Wirkungskreislauf bilden: 1. Systemidentifikation, 2. Verteilungsmodellierung, 3. Simulationsdurchführung, 4. Statistische Auswertung. Diese Schritte gewährleisten die mathematische Integrität des Modells und die Reproduzierbarkeit der statistischen Prognose. ## Beschreibung der Einzelschritte

Monte Carlo · Methodenschritte im Überblick
Monte Carlo · Methodenschritte im Überblick01SystemidentifikationFestlegung desAnalyseumfangs02VerteilungsmodellierungMathematische Erfassungder Unsicherheit03SimulationsdurchführungGenerierung der Datenbasis04Statistische AuswertungInterpretation derErgebnisseAusführliche Ziele, Vorgehensweisen und Qualitätskriterien folgen im Methodenabschnitt.
Schritt 01 / 4

Systemidentifikation

Festlegung des Analyseumfangs

Schritt 02 / 4

Verteilungsmodellierung

Mathematische Erfassung der Unsicherheit

Schritt 03 / 4

Simulationsdurchführung

Generierung der Datenbasis

Schritt 04 / 4

Statistische Auswertung

Interpretation der Ergebnisse

Anwendung und Vorgehen

Die praktische Anwendung der Monte-Carlo-Simulation (MCS) erfordert ein methodisch diszipliniertes Vorgehen, um den Sprung von der theoretischen Stochastik zur operativen Entscheidungsunterstützung zu meistern. Der Prozess beginnt nicht mit dem Computer, sondern mit der Modellbildung: Die logische Struktur des zu untersuchenden Systems muss mathematisch in Form von Gleichungen oder Algorithmen abgebildet werden.

Der operative Ablauf

  1. Strukturierung des Modells: Zuerst wird die Zielgröße (Key Performance Indicator, KPI) definiert, etwa die Projektgesamtkosten oder die Fertigungsdurchlaufzeit. Anschließend werden alle einflussnehmenden Variablen identifiziert. Hierbei ist eine Sensitivitätsvoranalyse ratsam, um jene Variablen zu isolieren, die den größten Einfluss auf das Ergebnis haben, da nur diese einer detaillierten statistischen Modellierung bedürfen.
  2. Definition der Verteilungen: Für jede stochastische Variable muss eine Wahrscheinlichkeitsdichtefunktion (PDF) gewählt werden. In der Praxis finden häufig die Normalverteilung (für natürliche Streuungen), die Dreiecksverteilung (bei Experten-Schätzungen: Min/Max/Wahrscheinlichster Wert) oder die Beta-Verteilung (bei begrenzten Intervallen) Verwendung.
  3. Simulation unter Berücksichtigung von Korrelationen: Ein entscheidender Schritt ist die Modellierung von Abhängigkeiten. Wenn Variable A (z. B. Materialpreis) mit Variable B (z. B. Transportkosten) korreliert, dürfen diese nicht isoliert betrachtet werden. Professionelle Werkzeuge nutzen hierfür Copula-Modelle oder Korrelationsmatrizen, um ein realistisches Verhalten der Eingangsgrößen sicherzustellen.
  4. Rechenlauf und Konvergenzprüfung: Nach Festlegung der Parameter wird die Simulation gestartet. Die Anzahl der Iterationen (N) sollte so gewählt werden, dass das Ergebnis stabil bleibt. Ein einfaches Kriterium ist die Beobachtung des Mittelwerts: Wenn sich dieser nach weiteren 10.000 Läufen nicht mehr signifikant ändert, ist Konvergenz erreicht.
  5. Interpretation: Die Ergebnisse werden nicht als Punktwert, sondern als Wahrscheinlichkeitsverteilung (z. B. "Mit 90-prozentiger Wahrscheinlichkeit liegen die Kosten zwischen 1,2 und 1,5 Millionen Euro") interpretiert.

Anwendungsgebiete

Die Stärke der MCS liegt in ihrer Universalität bei der Analyse nicht-linearer Systeme. Durch die Abbildung von Unsicherheit statt bloßer Mittelwerte erschließt sie zahlreiche Fachbereiche:

  • Produktionsplanung und Supply Chain: Hier hilft die MCS bei der Pufferdimensionierung. Anstatt Sicherheitsbestände willkürlich festzulegen, modelliert man die Volatilität der Nachfrage und die Lieferzuverlässigkeit von Zulieferern. Die Simulation zeigt auf, welcher Bestand notwendig ist, um ein Service-Level von beispielsweise 98 % zu halten.
  • Projektmanagement: Bei komplexen Vorhaben, etwa im Anlagenbau, dient die MCS der Termin- und Budgetprognose. Die Schätzung einzelner Arbeitspakete erfolgt durch "Three-Point-Estimates". Die Simulation aggregiert diese zu einer Wahrscheinlichkeitsverteilung für das Projektende, was dem Management hilft, realistische Zeitpuffer zu planen statt auf ein "optimistisches Datum" zu vertrauen.
  • Finanzrisikomanagement: Hier wird die Methode zur Berechnung des Value at Risk (VaR) verwendet. Durch die Simulation tausender Marktszenarien auf Basis historischer Volatilitäten lässt sich das Risiko eines Portfolios gegenüber extremen Marktschwankungen quantifizieren.
  • Produktentwicklung (Toleranzanalyse): Im Engineering ist die "Worst-Case-Toleranzanalyse" oft zu restriktiv. Die MCS erlaubt eine statistische Toleranzanalyse (Statistical Tolerance Stack-up), bei der die tatsächliche Wahrscheinlichkeit einer fehlerhaften Passung berechnet wird, was unnötige Anforderungen an die Fertigungspräzision und damit enorme Kosten spart.

Typische Fehler und Missverständnisse

Obwohl die Monte-Carlo-Simulation mathematisch robust ist, scheitert sie in der Praxis häufig an Anwenderfehlern:

  • Das "Garbage-in, Garbage-out"-Prinzip: Die Simulation ist nur so gut wie die gewählten Verteilungsformen. Ein häufiger Fehler ist die Verwendung einer Normalverteilung für Variablen, die tatsächlich "Fat Tails" (extreme Ausreißer) aufweisen, oder die Unterschätzung der Varianz durch zu optimistische Experten-Schätzungen.
  • Ignorieren von Korrelationen: Dies ist der gefährlichste Fehler. Wenn Variablen als unabhängig modelliert werden, die in der Realität gemeinsam steigen oder fallen, werden Risiken massiv unterschätzt. Die Simulation liefert dann ein falsches Sicherheitsgefühl.
  • Scheingenauigkeit: Die methodische Komplexität verleitet Anwender dazu, dem Ergebnis blind zu vertrauen. Eine Simulation kann jedoch nur bekannte Unsicherheiten verarbeiten. Unbekannte Risiken, wie plötzliche regulatorische Änderungen oder technologische Sprünge, werden durch die Statistik nicht erfasst.
  • Falsche Zielsetzung: Die MCS liefert Wahrscheinlichkeiten, keine Prophezeiungen. Das Missverständnis, dass die Simulation die "tatsächliche Zukunft" vorhersagt, führt oft zu Enttäuschungen, wenn das reale Ergebnis außerhalb der berechneten Konfidenzintervalle liegt – ein Hinweis auf eine unvollständige Modellierung.

Abgrenzung und Grenzen

Die Monte-Carlo-Simulation ist ein mächtiges Werkzeug, aber kein Allheilmittel. Ihre Grenzen sind dort erreicht, wo die Datenlage zu dünn oder das System zu volatil ist.

  • Abgrenzung: Im Vergleich zur deterministischen Planung (Berechnung mit festen Werten) bietet die MCS eine Risikoperspektive. Im Vergleich zur analytischen Lösung (z. B. Warteschlangentheorie) ist die MCS numerisch und kann auch bei mathematisch nicht explizit lösbaren Gleichungssystemen eingesetzt werden.
  • Grenze: "Black Swan"-Ereignisse: Die Methode modelliert bekannte Unsicherheiten innerhalb statistischer Rahmenbedingungen. Sie ist konzeptionell nicht dazu in der Lage, unvorhersehbare, systemische Schocks vorherzusagen.
  • Grenze: Rechenlast: Bei extrem komplexen Modellen, wie sie etwa in der Strömungsmechanik (CFD) vorkommen, kann jeder einzelne Iterationsschritt Minuten oder Stunden dauern. Hier stoßen selbst moderne Workstations bei Millionen von Läufen an ihre Grenzen.
  • Grenze: Psychologische Faktoren: In Projekt- oder Produktionsumgebungen kann die Simulation Lernkurveneffekte oder die Dynamik menschlicher Motivation nur schwer abbilden, sofern diese nicht explizit als stochastische Variable definiert sind.

Häufige Fragen

Können Monte-Carlo-Simulationen auch bei sehr wenigen Daten verwendet werden?+

Ja, jedoch verlagert sich die Basis dann von historischen Daten hin zur Experten-Einschätzung (Expert Judgment). Anstatt aus einer großen Datenmenge die Verteilungsform zu wählen, definieren Fachexperten das "Best-Case", "Worst-Case" und "Likely-Case"-Szenario. Die Simulation dient hier als Strukturierungshilfe für das vorhandene implizite Wissen.

Wie viele Simulationen sind für ein verlässliches Ergebnis nötig?+

Als Faustregel gelten 10.000 Iterationen als Standard, um eine hinreichende Stabilität in den Quantilen zu erreichen. Bei sehr komplexen Modellen mit vielen voneinander abhängigen Variablen kann eine Konvergenzanalyse (Monitoring der Standardabweichung des Mittelwerts) bestimmen, ob die Anzahl erhöht werden muss.

Ist die Monte-Carlo-Simulation ein Ersatz für das Risikomanagement?+

Nein, die MCS ist lediglich ein Instrument des Risikomanagements. Sie quantifiziert das Risiko, sie entscheidet jedoch nicht darüber. Das Management muss auf Basis der Simulationsergebnisse (z. B. 95%-Konfidenzintervall) entscheiden, welche Risikostreuung akzeptabel ist und welche Maßnahmen zur Risikominderung eingeleitet werden.

Warum wird oft die Normalverteilung kritisiert?+

Die Normalverteilung (Gauß-Glocke) unterschätzt in vielen realen Systemen – insbesondere in Finanzmärkten oder bei der Projektdauer – das Auftreten von extremen Ereignissen. In der Praxis sollte immer geprüft werden, ob eine Verteilung mit "fetteren" Rändern (z. B. Student-t-Verteilung) für das vorliegende Problem angemessener ist.

Kann die Simulation genutzt werden, um Designfehler zu finden?+

Nein. Die Monte-Carlo-Simulation prüft die Robustheit eines bestehenden Modells gegenüber Parametervariationen. Ein grundlegender Designfehler (z. B. ein falsch konstruiertes Lager, das unter Belastung bricht) wird durch die Simulation nicht aufgedeckt, da die Statistik nur innerhalb der vom Modell vorgegebenen logischen Grenzen operiert.

Quellen und fachliche Grundlagen

    Alle Verknüpfungen sind sichtbar. Zum Öffnen der Starter-Inhalte bitte einloggen.

    Einloggen

    Passende Tools & Methodenwissen

    9
    Beispiele anzeigen

    Gemeinsame Themen: Analyse

    Methode verstehen
    Beispiele anzeigen

    Gemeinsame Themen: Risikobewertung

    Methode verstehen
    Beispiele anzeigen

    Gemeinsame Themen: Risikobewertung

    Methode verstehen
    Beispiele anzeigen

    Gemeinsame Themen: Analyse

    Methode verstehen
    Beispiele anzeigen

    Gemeinsame Themen: Risikobewertung

    Methode verstehen
    Beispiele anzeigen

    Gemeinsame Themen: Risikobewertung

    Methode verstehen
    Beispiele anzeigen

    Gemeinsame Themen: Risikobewertung

    Methode verstehen
    Beispiele anzeigen

    Gemeinsame Themen: Risikobewertung

    Methode verstehen
    Beispiele anzeigen

    Projektbeispiele zu diesen Methoden

    56
    Analyse & Ursachen6W-Methode AI

    6W – Kantenbruch an den Tafelseiten der Milka Alpenmilch 100g nach dem Wickelprozess

    Praxisbeispiel

    Präzise 6W-Gegenüberstellung (Was, Wer, Wo, Wie, Wann, Warum als Ist / Ist-nicht) mit integrierter Problembeschreibung für A3 und 8D.

    Global freigegeben
    Beispiel ansehen
    Analyse & Ursachen6W-Methode AI

    6W-Problembeschreibung: Abweichung Röstgrad Kaffeebohnen Arabica Blend

    Praxisbeispiel

    6W-Ist/Ist-nicht-Analyse bei Röstgrad-Abweichungen an Kaffeebohnen inklusive konkreter Problemdefinition für das CAQ-System.

    Global freigegeben
    Beispiel ansehen
    Analyse & Ursachen6W-Methode AI

    6W-Problembeschreibung: Kantenbruch an 100g Schokoladentafeln

    Praxisbeispiel

    Präzise 6W-Gegenüberstellung (Was, Wer, Wo, Wie, Wann, Warum als Ist / Ist-nicht) mit integrierter Problembeschreibung für A3 und 8D.

    Referenzbeispiel
    Beispiel ansehen
    Analyse & Ursachen6W-Methode AI

    6W-Problembeschreibung: Abweichung Röstgrad Kaffeebohnen Arabica Blend

    Praxisbeispiel

    6W-Ist/Ist-nicht-Analyse bei Röstgrad-Abweichungen an Kaffeebohnen inklusive konkreter Problemdefinition für das CAQ-System.

    Referenzbeispiel
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Maschinenbau – Unkontrollierte Roboterbewegung bei Störbeseitigung (OSHA-Realunfall 1989)

    Praxisbeispiel

    Quellenbasierte Bow-Tie-Vollsimulation auf Basis des OSHA-Unfallberichts vom 17.05.1989: 8 Ursachen, 8 präventive, 8 schadensbegrenzende Barrieren, 8 Folgen, 6 Eskalationsfaktoren, 8 Kontrollen und 12 konkret abgeleitete Maßnahmen mit Verantwortlichen, Terminen und Wirksamkeitsnachweisen. Historische Fakten und didaktische Soll-Analyse getrennt.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    10 · Medizintechnik – BD Alaris Infusionspumpe: Softwarefehler und Therapieunterbrechung (FDA-Rückruf 2020)

    Praxisbeispiel

    Offiziell dokumentierter Realfall mit praxisnaher Bow-Tie-Vollausarbeitung: 10 Bedrohungen und präventive Barrieren, 8 Folgen und reaktive Barrieren, 6 Eskalationsfaktoren, 8 Sicherungen, 20 abgeleitete Maßnahmen inkl. Rollen und Wirksamkeitsnachweis. Umsetzungsvorschläge klar als hypothetisch gekennzeichnet.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Luftfahrt – Air France AF447: Kontrollverlust im Reiseflug (2009)

    Praxisbeispiel

    BEA-quellenbasierter Realfall: Vollständige didaktische Bow-Tie-Rekonstruktion mit 10 Bedrohungen und Präventionen, 8 Folgen und reaktiven Barrieren, 6 Eskalationsfaktoren, 20 risikobezogenen Maßnahmen mit Wirksamkeitsprüfung.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Chemische Industrie – Freisetzung hochtoxischer Chemikalien bei einer Anlagenstörung

    Praxisbeispiel

    Ausführliches anonymisiertes, auf einem offiziell untersuchten Chemieunfall beruhendes Bow-Tie-Lernbeispiel mit 12 Bedrohungen, 12 präventiven, 10 reaktiven Barrieren, 8 Folgen, 10 Eskalationsfaktoren und 15 Maßnahmen. Barrieren und Verbesserungen als didaktische Vorschläge, nicht als historisch belegte Wirksamkeit.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    11 · Gesundheitswesen – Vanderbilt 2017: Vecuronium statt Midazolam verabreicht

    Praxisbeispiel

    Offiziell dokumentierter Realfall mit praxisnaher Bow-Tie-Vollausarbeitung: 10 Bedrohungen und präventive Barrieren, 8 Folgen und reaktive Barrieren, 6 Eskalationsfaktoren, 8 Sicherungen, 20 abgeleitete Maßnahmen inkl. Rollen und Wirksamkeitsnachweis. Umsetzungsvorschläge klar als hypothetisch gekennzeichnet.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Bahnverkehr – Amtrak 188: Entgleisung in Philadelphia (2015)

    Praxisbeispiel

    NTSB-quellenbasierter Realfall: Vollständige didaktische Bow-Tie-Rekonstruktion mit 10 Bedrohungen und Präventionen, 8 Folgen und reaktiven Barrieren, 6 Eskalationsfaktoren, 20 risikobezogenen Maßnahmen mit Wirksamkeitsprüfung.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    GSG 9 – FIKTIVES BEISPIEL · SIMULIERTE AUSARBEITUNG: Landshut-Geisellage 1977

    Praxisbeispiel

    FIKTIVES BEISPIEL · SIMULIERTE AUSARBEITUNG auf historischer Quellenbasis; ausführliche Bow-Tie-Lehranalyse mit zehn Bedrohungen, zehn Präventionsbarrieren, acht Folgen, acht Schadensbegrenzungen, sechs Eskalationen und sechs didaktisch begründeten priorisierten Maßnahmen. Kein authentischer Einsatzplan.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    IT und Cybersecurity – SIMULIERTE AUSARBEITUNG: Colonial Pipeline Ransomware 2021

    Praxisbeispiel

    SIMULIERTE AUSARBEITUNG auf Basis dokumentierter Colonial-Pipeline-Ransomware 2021. 10 Bedrohungen und Präventionsbarrieren, 8 Folgen und reaktive Barrieren, 6 Eskalationsfaktoren, 10 Prüfschritte sowie 6 priorisierte Maßnahmen mit Verantwortung und Wirksamkeitskriterium. Ein sicherheitsbedingter Pipeline-Stopp, keine nachgewiesene OT-Übernahme.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Schifffahrt – Dali: Blackout und Kollision mit der Key Bridge (2024)

    Praxisbeispiel

    Realfall NTSB, quellenbasierte realitätsnahe Bow-Tie-Werkstattrekonstruktion mit vollständigen Risikopfaden, 20 abgeleiteten Maßnahmen und prüfbaren Wirksamkeitskriterien.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    THW – FIKTIVES BEISPIEL · SIMULIERTE AUSARBEITUNG: Starkregen, Pumpwerksüberlastung und Hochwasser 2026

    Praxisbeispiel

    Fiktiver THW-Unterstützungseinsatz einer süddeutschen Kleinstadt August 2026 mit Starkregen, Überlastung der Entwässerung, Stromversorgung und möglicher Heizölkontamination. Klimarisikokontext, keine Attribution eines Einzelereignisses.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Windenergie – SIMULIERTE AUSARBEITUNG: Arbeitsbühnenabsturz Birstein 2026

    Praxisbeispiel

    SIMULIERTE AUSARBEITUNG anhand realen Unfalls in Birstein am 25.02.2026. Gutachten: eine von drei tragenden Schraubverbindungen fehlerhaft montiert, Versagen nach Kranentlastung; kein Materialversagen. Fachliche Bow-Tie-Vollausarbeitung mit 10 Bedrohungen und präventiven Barrieren, 8 Folgen und reaktiven Barrieren, 6 Eskalationsfaktoren, 10 Prüf-/Sicherungsschritten und 6 tief ausgearbeiteten Maßnahmen. Quellen Polizei und Hessenschau.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Logistik – SIMULIERTE AUSARBEITUNG: Ammoniak-Tanklastwagenunfall Teutopolis 2023

    Praxisbeispiel

    SIMULIERTE AUSARBEITUNG · NTSB-Unfall als belegte Faktenbasis. Ausführlicher fiktiver Fachworkshop mit realitätsnahen Risikopfaden, 10 Bedrohungen und präventiven Barrieren, 8 Folgen und reaktiven Barrieren, 6 Eskalationsfaktoren, 10 Prüfaufgaben und 6 ausführlich abgeleiteten Maßnahmen mit Funktionsverantwortung und objektiven Wirksamkeitsnachweisen. Keine historische Unternehmensdokumentation.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Polizei Berlin – FIKTIVES BEISPIEL · SIMULIERTE AUSARBEITUNG: Großdemonstration, Gegenproteste und Desinformation 2026

    Praxisbeispiel

    Fiktive politisch neutrale Großlage Berlin-Mitte Oktober 2026; Demonstrationsfreiheit und Schutz von Personen sowie Rettungszugängen. Historische Kontextdaten BKA PMK 2025, keine Behauptung eines realen Ereignisses.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Automobilindustrie – GM-Zündschalter 2014: Ausfall sicherheitsrelevanter Fahrzeugfunktionen

    Praxisbeispiel

    Globales reales Bow-Tie-Lernbeispiel zum GM-Zündschloss-Rückruf 2014 (Chevrolet Cobalt u. a.). Nachgewiesener Fehlermechanismus mit DOJ-, SEC- und NHTSA-Primärquellen; Schutzbarrieren und Maßnahmen sind als didaktische Soll-Vorschläge gekennzeichnet.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Pharmaindustrie – NECC: Pilz-Kontamination steriler Injektionen (2012)

    Praxisbeispiel

    Realfall CDC/FDA, quellenbasierte realitätsnahe Bow-Tie-Werkstattrekonstruktion mit vollständigen Risikopfaden, 20 abgeleiteten Maßnahmen und prüfbaren Wirksamkeitskriterien.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    08 Schifffahrt – Dali: Stromausfall und Brückenkollision 2024

    Praxisbeispiel

    Detaillierte quellenbasierte Vollsimulation mit 10 Bedrohungen, 10 Präventivbarrieren, 8 Konsequenzen, 8 Reaktivbarrieren, 6 Eskalationen, 8 Sicherungen und 21 zugeordneten Maßnahmen. Fakten und Modellannahmen getrennt.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    09 Pharmaindustrie – NECC: kontaminierte Sterilinjektionen 2012

    Praxisbeispiel

    Detaillierte quellenbasierte Vollsimulation mit 10 Bedrohungen, 10 Präventivbarrieren, 8 Konsequenzen, 8 Reaktivbarrieren, 6 Eskalationen, 8 Sicherungen und 21 zugeordneten Maßnahmen. Fakten und Modellannahmen getrennt.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    12 · Lebensmittelindustrie – Blue Bell 2015: Listerien in Speiseeis

    Praxisbeispiel

    Quellenbasierter Realfall als vertiefte didaktische Bow-Tie-Rekonstruktion: zehn ausführliche Bedrohungs-/Barrierenpaare, acht Folgen-/Schutzpaare, sechs Eskalationen und nur sechs umfassende, klar zugeordnete Maßnahmen. Historie und Soll-Analyse getrennt.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    13 · Energieversorgung – Blackout USA/Kanada 2003: Kaskadierende Netzabschaltungen

    Praxisbeispiel

    Quellenbasierter Realfall als vertiefte didaktische Bow-Tie-Rekonstruktion: zehn ausführliche Bedrohungs-/Barrierenpaare, acht Folgen-/Schutzpaare, sechs Eskalationen und nur sechs umfassende, klar zugeordnete Maßnahmen. Historie und Soll-Analyse getrennt.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    14 · Kerntechnik – Three Mile Island 1979: Verlust der Kernkühlung

    Praxisbeispiel

    Offizieller Untersuchungsfall mit didaktischer Bow-Tie-Vollausarbeitung: 10 Bedrohungen und Präventionen, 8 Folgen und Reaktionen, 6 Eskalationen, 10 Sicherungen, 6 priorisierte Maßnahmen mit Testnachweisen.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Bauindustrie – tödlicher Absturz vom Pump-Jack-Gerüst bei Fassadenarbeiten (2014)

    Praxisbeispiel

    Realer behördlich untersuchter Unfall als vollständig ausgearbeitete Bow-Tie-Praxisrekonstruktion: 10 spezifische Bedrohungen, 10 Präventionsbarrieren, 8 Folgen und 8 reaktive Barrieren, 6 Eskalationsfaktoren, 10 Sicherungsaufgaben und 6 priorisierte überprüfbare Maßnahmen.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Bauindustrie – Gerüstabsturz Oranienburg 2026 | SIMULIERTE AUSARBEITUNG

    Praxisbeispiel

    SIMULIERTE AUSARBEITUNG auf Grundlage des realen tödlichen Gerüstabsturzes am 26.08.2026 in Oranienburg. Offizielle Unfallursache ungeklärt. Didaktischer Praxisworkshop: 10 hypothetische Bedrohungen mit Prävention, 8 mögliche Folgen mit Schutzbarrieren, 6 Eskalationsfaktoren, 10 Sicherungen und 6 priorisierte Maßnahmen. Keine erfundenen historischen Feststellungen.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    SIMULIERTE AUSARBEITUNG | Bauindustrie – Gerüstabsturz Oranienburg 2026

    Praxisbeispiel

    SIMULIERTE AUSARBEITUNG auf Grundlage des realen tödlichen Gerüstabsturzes in Oranienburg am 26.08.2026. Unfallursache amtlich nicht geklärt; 10 hypothetische Gefährdungspfade, 10 Präventionsbarrieren, 8 Folgen und Reaktionen, 6 Eskalationsfaktoren und 6 priorisierte, prüfbare Soll-Maßnahmen. Kein historisches Kundenprotokoll.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    Polizei Berlin – FIKTIVES BEISPIEL · SIMULIERTE AUSARBEITUNG: Großdemonstration Kreuzberg 1987

    Praxisbeispiel

    FIKTIVES BEISPIEL · SIMULIERTE AUSARBEITUNG auf historischer Quellenbasis; ausführliche Bow-Tie-Lehranalyse mit zehn Bedrohungen, zehn Präventionsbarrieren, acht Folgen, acht Schadensbegrenzungen, sechs Eskalationen und sechs didaktisch begründeten priorisierten Maßnahmen. Kein authentischer Einsatzplan.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    THW – FIKTIVES BEISPIEL · SIMULIERTE AUSARBEITUNG: Zweiteinsturz bei Gebäuderettung 2026

    Praxisbeispiel

    Fiktive THW-Unterstützung nach Gebäudeeinsturz mit vermissten Personen; Referenz sind dokumentierte Such- und Rettungsmaßnahmen in Görlitz im Mai 2026 – FIKTIVES BEISPIEL / SIMULIERTE AUSARBEITUNG

    Global freigegeben
    Beispiel ansehen
    RisikomanagementBow-Tie AI

    THW – FIKTIVES BEISPIEL · SIMULIERTE AUSARBEITUNG: Ausfall einer Notstromversorgung 2026

    Praxisbeispiel

    Fiktiver THW-Unterstützungseinsatz bei einem länger dauernden Stromausfall in einer Stadt; eine Pflegeeinrichtung muss sicher mit Ersatzstrom versorgt werden – FIKTIVES BEISPIEL / SIMULIERTE AUSARBEITUNG

    Global freigegeben
    Beispiel ansehen
    FMEA · 7 SchritteFMEA AI

    FMEA – Büroklammer

    Praxisbeispiel

    Beispiel zur Anwendung der Methode. Die Inhalte kannst du im Formblatt ansehen.

    Global freigegeben
    Beispiel ansehen
    FMEA · 7 SchritteFMEA AI

    FMEA – Büroklammer Patent Nr. 64.088

    Praxisbeispiel

    Büroklammer Patent Nr. 64.088 · Konstruktions-FMEA mit Deep-Research-Fehlerursachen. Erhaltener Arbeitsstand mit 3 Rechercheläufen und 45 verknüpften Fehlerursachen; fachliche Prüfung der KI-Entwürfe noch offen.

    Global freigegeben
    Beispiel ansehen
    FMEA · 7 SchritteFMEA AI

    FMEA – Wasserkocher

    Praxisbeispiel

    Beispiel zur Anwendung der Methode. Die Inhalte kannst du im Formblatt ansehen.

    Global freigegeben
    Beispiel ansehen
    FMEA · 7 SchritteFMEA AI

    FMEA – NORDWERK · Ventilblock-Montage

    Praxisbeispiel

    ISO 9001: 6.1 / 8.5.1. Anforderung → Fehler → Ursache → Prüfplan; Zielbewertungen erst nach Nachweis freigeben. Fiktives Industrie-Lernbeispiel. Alle Zahlen, Rollen und Belege sind simuliert; keine reale Freigabe, Kundenvalidierung oder Wirksamkeitsbestätigung.

    Global freigegeben
    Beispiel ansehen
    Analyse & UrsachenGAP-Analyse AI

    DEFENCE READY · ISO 9001:2026 → AQAP 2110 · umfassende GAP-Analyse

    Praxisbeispiel

    Fiktive, sehr ausführliche Defence-Readiness-Prüfung: 24 konkrete GAP-Felder mit SOLL, IST, Evidenz, Ursache, Risikobewertung, priorisierten Maßnahmen, Verantwortlichkeit, Prüfplan und offenem Wirksamkeitsreview. ISO 9001:2026 ist nicht automatisch AQAP-2110-konform.

    Global freigegeben
    Beispiel ansehen
    Analyse & UrsachenGAP-Analyse AI

    Lieferanten-Onboarding · fünf qualitätsrelevante Prüfpunkte

    Praxisbeispiel

    Fiktiver Industriefall mit fünf unterschiedlichen Prüfbereichen, Evidenzstatus, priorisierten Maßnahmen und offenem Wirksamkeitsreview.

    Global freigegeben
    Beispiel ansehen
    Analyse & UrsachenGAP-Analyse AI

    Anforderungs-GAP · fünf Prüfungen vor dem Kundenaudit

    Praxisbeispiel

    Fiktives Kundenregelwerk mit fünf prüfbaren Anforderungen: Änderungen, Design Reviews, Rückverfolgung, Eskalation und Qualifikation.

    Global freigegeben
    Beispiel ansehen
    Analyse & UrsachenGAP-Analyse AI

    DEFENCE READY · ISO 9001:2026 → AQAP 2110 · umfassende GAP-Analyse

    Praxisbeispiel

    Fiktive, sehr ausführliche Defence-Readiness-Prüfung: 24 konkrete GAP-Felder mit SOLL, IST, Evidenz, Ursache, Risikobewertung, priorisierten Maßnahmen, Verantwortlichkeit, Prüfplan und offenem Wirksamkeitsreview. ISO 9001:2026 ist nicht automatisch AQAP-2110-konform.

    Referenzbeispiel
    Beispiel ansehen
    StrategiemanagementPESTEL-Analyse AI

    Spritzguss · eigene Haushaltsproduktlinie

    Praxisbeispiel

    Rezyklat, Qualität, bezahlte Nachfrage, Variantenkosten und Verpackung rechtlich getrennt; vier Maßnahmen mit Wirksamkeitsprüfung.

    Global freigegeben
    Beispiel ansehen
    StrategiemanagementPESTEL-Analyse AI

    Zerspanung · automatisierte Fertigungszelle

    Praxisbeispiel

    Didaktischer Investitionsfall mit Auftragsmix, Fachkräften, Automation, Energie und Sicherheitsanforderungen. Drei Maßnahmen leiten direkt aus den wichtigsten Treibern ab.

    Global freigegeben
    Beispiel ansehen
    StrategiemanagementPESTEL-Analyse AI

    Pumpenbau · Remanufacturing-Geschäft

    Praxisbeispiel

    Didaktischer Industrie-Fall zu Rücklauf, Befundbarkeit, Kundenakzeptanz, Wirtschaftlichkeit und Verantwortungsmodell. Drei Pilotmaßnahmen mit messbarer Wirkung.

    Global freigegeben
    Beispiel ansehen
    StrategiemanagementPESTEL-Analyse AI

    Wärmepumpen · robuste Plattformentscheidung

    Praxisbeispiel

    Acht Faktoren, sechs Dimensionen, drei Wechselwirkungen, vier verknüpfte Pilotmaßnahmen. Fakten und Modellannahmen getrennt; fachliche Freigabe offen.

    Global freigegeben
    Beispiel ansehen
    StrategiemanagementPESTEL-Analyse AI

    Wärmepumpen · robuste Plattformentscheidung

    Praxisbeispiel

    Acht Faktoren, sechs Dimensionen, drei Wechselwirkungen, vier verknüpfte Pilotmaßnahmen. Fakten und Modellannahmen getrennt; fachliche Freigabe offen.

    Referenzbeispiel
    Beispiel ansehen
    StrategiemanagementPESTEL-Analyse AI

    Spritzguss · eigene Haushaltsproduktlinie

    Praxisbeispiel

    Rezyklat, Qualität, bezahlte Nachfrage, Variantenkosten und Verpackung rechtlich getrennt; vier Maßnahmen mit Wirksamkeitsprüfung.

    Referenzbeispiel
    Beispiel ansehen
    StrategiemanagementPESTEL-Analyse AI

    Zerspanung · automatisierte Fertigungszelle

    Praxisbeispiel

    Didaktischer Investitionsfall mit Auftragsmix, Fachkräften, Automation, Energie und Sicherheitsanforderungen. Drei Maßnahmen leiten direkt aus den wichtigsten Treibern ab.

    Referenzbeispiel
    Beispiel ansehen
    StrategiemanagementPESTEL-Analyse AI

    Pumpenbau · Remanufacturing-Geschäft

    Praxisbeispiel

    Didaktischer Industrie-Fall zu Rücklauf, Befundbarkeit, Kundenakzeptanz, Wirtschaftlichkeit und Verantwortungsmodell. Drei Pilotmaßnahmen mit messbarer Wirkung.

    Referenzbeispiel
    Beispiel ansehen
    RisikomanagementRisikomatrix & Risk Register AI

    Risikomatrix · Automotive – Bandstillstand durch Wetter-Lieferengpass

    Praxisbeispiel

    Globaler editierbarer fiktiver Schulungsfall mit zwei Risikoketten und 8 unabhängigen Teilursachen. Ausgang / Ziel / offenes Ist, Eskalationspriorität und konkrete Evidenz. Eine zweite Bezugsquelle senkt ohne reale technische Teilefreigabe nicht automatisch das Risiko. Sicherheitsbezogene Fremdkomponenten dürfen nicht zur Terminrettung unvalidiert eingesetzt werden.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementRisikomatrix & Risk Register AI

    Risikomatrix · Chemie/Pharma – Chargenabweichung durch Kühlausfall

    Praxisbeispiel

    Globaler editierbarer fiktiver Schulungsfall mit zwei Risikoketten und 7 unabhängigen Teilursachen. Ausgang / Ziel / offenes Ist, Eskalationspriorität und konkrete Evidenz. Nicht allein mit zusätzlicher Kontrolle reagieren. Fehlende Kältereserve, Wärmetauscherzustand, Alarmregelung und Bedienverhalten erfordern jeweils Ursachenmaßnahmen.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementRisikomatrix & Risk Register AI

    Risikomatrix · Maschinenbau – Spindelkollision beim manuellen Einrichten

    Praxisbeispiel

    Globaler editierbarer fiktiver Schulungsfall mit zwei Risikoketten und 7 unabhängigen Teilursachen. Ausgang / Ziel / offenes Ist, Eskalationspriorität und konkrete Evidenz. Das wirtschaftliche Schadensrisiko P4/S4 ist von der Personengefährdung zu trennen. Maschinensicherheit wird nicht mit einem DCM-Software-Upgrade allein nachgewiesen.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementRisikomatrix & Risk Register AI

    Risikomatrix · Lebensmittel – Allergenverschleppung auf der Snack-Abfülllinie

    Praxisbeispiel

    Globaler editierbarer fiktiver Schulungsfall mit zwei Risikoketten und 7 unabhängigen Teilursachen. Ausgang / Ziel / offenes Ist, Eskalationspriorität und konkrete Evidenz. Bei möglicher Anaphylaxie gilt eine nicht beherrschte Allergenverschleppung als nicht akzeptabel. Ein Ziel P1×S4 würde die Schwere ohne Beweis künstlich heruntersetzen; deshalb bleibt S5.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementRisikomatrix & Risk Register AI

    Risikomatrix · Zerspanung – Thermischer Verzug an einer 5-Achs-Fräsmaschine

    Praxisbeispiel

    Globaler editierbarer fiktiver Schulungsfall mit zwei Risikoketten und 7 unabhängigen Teilursachen. Ausgang / Ziel / offenes Ist, Eskalationspriorität und konkrete Evidenz. Die Zeichnungstoleranzen können ohne thermisch stabile Bearbeitung und Prüfung nicht nachweisbar eingehalten werden. Konstruktive, messtechnische und verfahrensbezogene Barrieren sind gemeinsam erforderlich.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementSTPA AI

    HELION · Wiederanlauf der Palettierzelle

    Praxisbeispiel

    ISO 9001: 6.1 / 8.3. Vier UCA-Typen, Kontrollstruktur, Kausalszenarien und verifizierbare Entwicklungsanforderungen. Fiktives Industrie-Lernbeispiel. Alle Zahlen, Rollen und Belege sind simuliert; keine reale Freigabe, Kundenvalidierung oder Wirksamkeitsbestätigung.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementSTPA AI

    HELION · Wiederanlauf der Palettierzelle

    Praxisbeispiel

    ISO 9001: 6.1 / 8.3. Vier UCA-Typen, Kontrollstruktur, Kausalszenarien und verifizierbare Entwicklungsanforderungen. Fiktives Industrie-Lernbeispiel. Alle Zahlen, Rollen und Belege sind simuliert; keine reale Freigabe, Kundenvalidierung oder Wirksamkeitsbestätigung.

    Referenzbeispiel
    Beispiel ansehen
    RisikomanagementSzenario-Risikoanalyse (SRA) AI

    FRISCHQUELL · Kühlraum: Darf die Ware nach Stromausfall versendet werden?

    Praxisbeispiel

    Einfaches, vollständig ausgefülltes SRA-Lernbeispiel: Gefahr erkennen → Szenario entwickeln → Risiko bewerten → Maßnahme ableiten → Wirksamkeit prüfen. Alle Firmen- und Messangaben fiktiv.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementSzenario-Risikoanalyse (SRA) AI

    HELION · Pumpenpilot-Risikoszenarien

    Praxisbeispiel

    ISO 9001: 6.1. Ereignisketten, begründete Bruttobewertung, offene Nachweise und Freigabegate. Fiktives Industrie-Lernbeispiel. Alle Zahlen, Rollen und Belege sind simuliert; keine reale Freigabe, Kundenvalidierung oder Wirksamkeitsbestätigung.

    Global freigegeben
    Beispiel ansehen
    RisikomanagementSzenario-Risikoanalyse (SRA) AI

    HELION · Pumpenpilot-Risikoszenarien

    Praxisbeispiel

    ISO 9001: 6.1. Ereignisketten, begründete Bruttobewertung, offene Nachweise und Freigabegate. Fiktives Industrie-Lernbeispiel. Alle Zahlen, Rollen und Belege sind simuliert; keine reale Freigabe, Kundenvalidierung oder Wirksamkeitsbestätigung.

    Referenzbeispiel
    Beispiel ansehen

    Weitere Tools & Wissen im Themengebiet

    Diese Kategorien ergänzen die konkreten Methodentreffer mit weiteren Werkzeugen, Anwendungswissen und Praxisbeispielen.

    Risikomanagement12 fachlich zugeordnete Tools · Kategorie entdecken
    AK

    Geschrieben von

    André Kapust

    Veröffentlicht am 28. Oktober 2026

    Diesen Artikel als PDF lesen

    DIN A4 mit Textumbruch, QMB - Qualitätsmanagementbeauftragter und der Quellen-URL qmb.wiki/lexikon/monte-carlo im Dokument.

    Lexikoneintrag teilen
    LinkedInFacebookXWhatsAppXingE-Mail
    QMB - Qualitätsmanagementbeauftragter · Persönlicher KontaktReaktionszeit < 24h

    Kontakt & Beratung

    Fragen zu unseren Tools, Schulungen oder einem konkreten Vorhaben? Wir beraten Sie persönlich und praxisnah.

    Vorwahl (+49) ist gewählt · Rufnummer ohne führende 0 eingeben. Keine Werbeanrufe.

    * Pflichtangaben

    Ihre Ansprechpartnerin

    Unsere Bewertungen

    Partner im Fokus

    Quality Services & Wissen GmbH Logo
    Quality Services & Wissen GmbH

    QUALITY stabilisiert: belastbare Qualitätssysteme, auditfähige Prozesse und sichtbare Qualitätskosten.

    Frankfurt am Main

    andre.kapust@enteso.comKontaktformular →

    Thema dieses Portals

    QMB - Qualitätsmanagementbeauftragter

    QMB - Qualitätsmanagementbeauftragter

      • Startseite
      • Seminare und Ausbildungen
      • QM Toolbox (AI)
        • ISO 9001:2026 Toolbox (AI)
      • Lexikon
        • QMB: Aufgaben & Rolle
      • Blog
      • Methoden
      • Kontakt
      • Impressum
    Kontakt aufnehmen
    © 2026 Quality Services & Wissen GmbH
    RSS-FeedImpressumUnsere FarbweltenDatenschutzSitemap

    Deine Privatsphäre. Deine Entscheidung.

    Notwendiger Speicher hält Anmeldung, Sicherheit und deine Auswahl bereit. Nur mit deiner Zustimmung messen wir Seitenaufrufe und Nutzung.

    Du entscheidest freiwillig. Videos und Inhalte bleiben bei jeder Auswahl verfügbar. Externe Medien können Daten an ihre Anbieter übertragen. Änderbar über „Cookie-Einstellungen“ im Seitenfuß.

    DatenschutzerklärungImpressum