Probabilistisches Decisioning für Pharma — Monte Carlo, Bayesian und Arrhenius in QA, Transport und Verhandlung

1. Management-Zusammenfassung

Operative Entscheidungen in der Pharmaindustrie — die Freigabe einer Charge nach einer Temperaturabweichung, die Bewertung der Ausschreibungsabdeckung, die Ausgestaltung eines Gegenangebots auf eine Preisforderung eines Lieferanten — werden routinemäßig so behandelt, als gäbe es jeweils eine einzige richtige Antwort. Das ist nicht der Fall. Die zugrunde liegende Realität ist stets probabilistisch: eine Verteilung des Haltbarkeitsverlusts in Abhängigkeit vom Zeit-Temperatur-Profil, eine Verteilung der Zuschlagswahrscheinlichkeit in Abhängigkeit von der Lane-Historie, eine Verteilung der Lieferantenakzeptanz in Abhängigkeit von der BATNA.

Dieses Paper plädiert dafür, das deterministische Entscheidungsunterstützungs-Paradigma durch ein probabilistisches zu ersetzen, das Verteilungen und Konfidenzintervalle als erstklassige Ergebnisse sichtbar macht. Wir gehen drei mathematische Grundlagen durch — Monte-Carlo-Simulation, Bayesian-Inferenz und Arrhenius-Kinetik — und veranschaulichen jede anhand eines durchgerechneten operativen Pharma-Beispiels.

2. Das Problem — Punktschätzungen in einer probabilistischen Welt

Betrachten wir ein typisches Szenario. Eine Kühlkettensendung eines aktiven pharmazeutischen Wirkstoffs (API) erfährt eine 6-stündige Abweichung über 8 °C mit einer Spitze bei 14 °C. Das QA-Team muss entscheiden: Charge freigeben oder zurückweisen. Die klassischen Werkzeuge zur Entscheidungsunterstützung — typischerweise Excel mit einer Stabilitätsdaten-Abfrage oder ein QMS-Workflow mit festen Regeln — liefern eine einzige Antwort: „freigeben" oder „zurückweisen", optional mit einer einzelnen geschätzten Zahl für den Haltbarkeitsverlust (z. B. „11 Tage").

Diese Rahmung ist operativ bequem, aber erkenntnistheoretisch falsch. Der tatsächliche Haltbarkeitsverlust ist keine einzelne Zahl, sondern eine Verteilung, die geprägt wird durch:

• Unsicherheit der Aktivierungsenergie (E_a) — typischerweise aus Stabilitätsstudien auf ±15–20 % bekannt, aber selten als Verteilung kommuniziert.
• Kalibrierfehler der Sensoren — moderne Datenlogger sind bei Raumtemperatur auf ±0,5 °C genau, driften aber im Einsatzverlauf.
• Räumliche Inhomogenität — der Sensor ist ein einzelner Punkt auf der Palette; das Produkt selbst erfuhr eine Bandbreite von Temperaturen.
• API-spezifische Arrhenius-Parameter — mitunter aus chemisch ähnlichen Verbindungen extrapoliert statt direkt gemessen.

Wenn das QA-Team sechs Monate später — von einem Auditor oder vom Lieferanten einer zurückgesandten Charge — gefragt wird „warum haben Sie diese freigegeben?", muss die dokumentierte Begründung all dies adressieren. Zu sagen „das Excel-Modell ergab einen Haltbarkeitsverlust von 11 Tagen, unterhalb der 30-Tage-Schwelle" ist keine vertretbare Antwort. Zu sagen „die kalibrierte Verteilung verortete den Haltbarkeitsverlust bei 11 Tagen ± 4 Tagen (95 % CI), mit einer Wahrscheinlichkeit von 3 %, 30 Tage zu überschreiten, was unsere Risikorichtlinie für diese Chargenklasse als akzeptabel einstuft" ist es sehr wohl.

Dasselbe Muster wiederholt sich über operative Pharma-Entscheidungen hinweg. Die Kosten der Verwendung von Punktschätzungen sind nicht immer sichtbar: eine Ausschreibung, die an einen Spediteur mit still erhöhtem Tail-Risiko vergeben wird; ein Gegenangebot, das der Lieferant ablehnt, weil die BATNA unrealistisch war; eine grenzwertige Charge, die freigegeben wurde, weil das Entscheidungswerkzeug „OK" meldete, ohne die Verteilung zu zeigen.

3. Drei mathematische Grundlagen

Eine probabilistische Entscheidungs-Engine für Pharma-Operationen ruht auf drei Grundlagen, von denen jede für eine andere Klasse von Fragen geeignet ist.

Monte-Carlo-Simulation

Eingesetzt, wenn die Frage lautet „wie ist die Verteilung der Ergebnisse angesichts vieler unsicherer Eingaben". Wiederholtes Ziehen aus den Eingangsverteilungen, jeweilige Berechnung des Ergebnisses, Akkumulation der empirischen Ausgabeverteilung. Auf moderner Hardware rechnerisch günstig; geeignet für die Bewertung der Ausschreibungsabdeckung, die Prognose von Lane-Risiken und Kapazitäts-Stresstests.

Bayesian-Inferenz

Eingesetzt, wenn eine A-priori-Schätzung vorliegt, die mit dem Eintreffen neuer Evidenz aktualisiert werden sollte. Die klassische Pharma-Anwendung ist die Preiselastizität von Lieferanten: Die A-priori-Schätzung basiert auf Kategorie-Benchmarks (Fastmarkets, ICIS, LME), die Likelihood stammt aus den tatsächlichen Reaktionen des Lieferanten auf vergangene Angebote, die A-posteriori-Verteilung ist die Elastizitätsverteilung, die wir zur Planung der nächsten Runde verwenden sollten.

Arrhenius-Kinetik

Das empirische Geschwindigkeitsgesetz des chemischen Abbaus als Funktion der Temperatur, verwendet, um Zeit-Temperatur-Profile in Schätzungen des Haltbarkeitsverlusts zu übersetzen. Die Arrhenius-Gleichung ist in ihrer Form deterministisch, in der Anwendung jedoch probabilistisch — die Parameter (A, E_a) sind selbst Schätzungen mit Konfidenzintervallen aus Stabilitätsstudien.

4. Durchgerechnetes Beispiel 1: Arrhenius-Kinetik in der QA-Haltbarkeitsmodellierung

Die Arrhenius-Gleichung beschreibt die Geschwindigkeitskonstante k einer chemischen Reaktion (in diesem Fall den Abbau eines API) als Funktion der Temperatur:

Bei einem Temperaturabweichungsereignis lautet die operative Frage: Wie hoch ist angesichts des tatsächlichen Zeit-Temperatur-Profils aus dem Sensorprotokoll der effektive Haltbarkeitsverlust im Vergleich zu einer hypothetischen isothermen Lagerung unter der angegebenen Bedingung?

Die probabilistische Engine berechnet:

1. Kumulative Exposition — Integration von k(T) über das tatsächliche Profil, um die äquivalente isotherme Expositionszeit bei der Referenztemperatur zu erhalten.
2. Verteilung des Haltbarkeitsverlusts — Übersetzung der Exposition in verbrauchte Haltbarkeitstage, wobei die Unsicherheit in E_a, A und der Sensorkalibrierung durch die Berechnung propagiert wird. Monte Carlo mit 10.000 Stichproben konvergiert typischerweise innerhalb von Sekunden.
3. Schwellenwahrscheinlichkeit — Berechnung der Wahrscheinlichkeit, dass der Haltbarkeitsverlust angesichts der Zurückweisungsschwelle des Kunden (z. B. 30 Tage) diese überschreitet.

Das Ergebnis ist nicht „Haltbarkeit um 11 Tage reduziert", sondern „der Haltbarkeitsverlust beträgt 11 ± 4 Tage (95 % CI), mit einer Wahrscheinlichkeit von 2,7 %, die 30-Tage-Zurückweisungsschwelle zu überschreiten". Die Entscheidungsrichtlinien-Schicht bildet dies dann auf eine Empfehlung ab — freigeben, zur QP-Prüfung zurückhalten oder zurückweisen — je nach Chargenklasse und Risikotoleranz des Kunden.

Der Nutzen wird am deutlichsten sechs Monate später sichtbar, wenn ein Auditor fragt „warum wurde diese Charge angesichts der Abweichung freigegeben". Das reproduzierbare Decision Package enthält das Eingangsprofil, die kalibrierten Arrhenius-Parameter, die resultierende Verteilung, die Schwellenprüfung und die Richtlinienversion. Die Entscheidung ist bit-für-bit reproduzierbar.

5. Durchgerechnetes Beispiel 2: Bayesian-Inferenz bei der Preiselastizität von Lieferanten

Die Lieferantenverhandlung ist der klassische Anwendungsfall für Bayesian-Inferenz: Wir haben eine A-priori-Schätzung der Preiselastizität des Lieferanten (aus Kategorie-Benchmarks), wir beobachten dessen Reaktion auf ein bestimmtes Angebot, wir aktualisieren.

Die Bayesian-Aktualisierung der Elastizität (nennen wir sie e) lautet:

Nach 3–5 Runden mit einem Lieferanten konvergiert die A-posteriori-Verteilung typischerweise zu einer engen Verteilung, die es uns erlaubt, das nächste Gegenangebot mit kalibrierter erwarteter Annahmewahrscheinlichkeit zu gestalten. Der Decision Hub empfiehlt dann vier Preis-Chips — Requested, Target, Ceiling, Walk-away — mit ihren jeweiligen Annahmewahrscheinlichkeiten.

Der Verhandler entscheidet, welchen er senden möchte. Der Decision Hub behauptet nicht, dass irgendeine einzelne Zahl „die beste" sei — er zeigt die Trade-off-Kurve zwischen erwarteter Ersparnis und dem Risiko eines Verhandlungsabbruchs des Lieferanten und überlässt es dem Verhandler, mit vollständigem Kontext sein Urteil anzuwenden.

6. Durchgerechnetes Beispiel 3: Monte Carlo zur Bewertung der Ausschreibungsabdeckung

Frage: Wie hoch ist angesichts des Produktionsplans für das nächste Quartal und der aktiven Ausschreibungs-Lanes die Wahrscheinlichkeit, dass wir 95 % der Transportnachfrage ohne Spot-Fracht-Exposition abdecken?

Monte Carlo handhabt dies auf natürliche Weise. Ziehen aus:

• Stochastizität des Produktionsplans — Verzugswahrscheinlichkeit pro SKU pro Woche, historisch kalibriert.
• Spediteurakzeptanz pro Lane — historische Annahmequote von Zuschlägen für jeden aktiven Ausschreibungs-Spediteur.
• Nachfragevolatilität pro Temperaturklasse — Kühlkette und Umgebungstemperatur haben unterschiedliche Variabilitätsprofile.
• Verteilung der Spot-Raten-Inflation — nach Spediteur und Monat, aus historischen Spreads zwischen Spot- und Vertragsraten.

10.000 Simulationen ausführen. Die Ausgabe ist eine Verteilung über das gemeinsame Ergebnis „Abdeckungsquote × Gesamtkosten der Spot-Exposition". Die Engine identifiziert dann die Lanes, die am stärksten zum Tail-Risiko beitragen (schlechteste 5 % der Ergebnisse), und empfiehlt eine Mini-Ausschreibung für diese Lanes, bevor die Rechnungen abgeglichen werden.

Operativ verwandelt dies das „ich glaube, wir sind weitgehend abgedeckt" des Planers in „wir sind zu 87 % wahrscheinlich in der Lage, 95 %+ der Nachfrage abzudecken, wobei das Tail-Risiko auf drei Lanes konzentriert ist; eine Mini-Ausschreibung für diese Lanes hebt die gemeinsame Wahrscheinlichkeit auf 96 %".

7. Auditierbarkeit — Modellversionen in jeder Entscheidung

Die Auditierbarkeits-Geschichte ist es, die probabilistisches Decisioning von probabilistischer Spielerei unterscheidet. Jedes Decision Package, das von einer ordnungsgemäß konstruierten probabilistischen Engine ausgegeben wird, muss enthalten:

• Die Engine-Version (semver) — damit die exakte mathematische Implementierung wiederholt werden kann.
• Die Version des Parametersatzes (pro Mandant) — Ihre spezifischen Arrhenius-Parameter, Ihre spezifische Spediteurhistorie, Ihre spezifischen A-priori-Verteilungen der Lieferantenelastizität.
• Die Version des Regelsatzes (Ihre SOPs) — die harten Gates, die vor der probabilistischen Schicht ausgeführt wurden.
• Die Version der Richtlinienschicht — Ihre spezifische Konfiguration der Risikotoleranz.
• Den Lineage-Hash der Eingangsdaten — welche Rohdaten diese Entscheidung gespeist haben.
• Den SHA-256-Hash der vollständigen PDF- + JSON-Ausgabe — zur Manipulationssicherheit.

Wenn ein Auditor fragt „warum hat das Modell vor zwei Jahren X empfohlen?" — wiederholt das Team die exakte Engine-Version mit exakt denselben Eingaben und erhält exakt dieselbe Ausgabe. Bit-für-Bit-Reproduzierbarkeit ist die operative Anforderung, kein Nice-to-have.

8. Was probabilistisches Decisioning NICHT ist

• Kein Large-Language-Model. LLMs können eine Rolle dabei spielen, Freitext-Abweichungsnotizen in strukturierte Felder zu parsen, aber sie treten nicht in die Schleife der Entscheidungsempfehlung ein. Wahrscheinlichkeitsverteilungen stammen aus expliziten mathematischen Modellen, nicht aus dem Token-Sampling der Textgenerierung.
• Keine Black Box. Jede Verteilung kann inspiziert werden, jede Regel ist menschenlesbarer Code, jede Empfehlung lässt sich auf ihre Eingaben zurückverfolgen. Wenn die Engine X empfiehlt und der Bediener anderer Meinung ist, ist die Begründung der Engine vollständig überprüfbar.
• Kein Ersatz für das Urteilsvermögen von QA / QP / Beschaffung. Probabilistisches Decisioning empfiehlt; Menschen genehmigen. Die Genehmigung ist Teil des Decision Package.
• Keine Magie. Die Ergebnisqualität ist durch die Eingabequalität begrenzt. Zur Rolle der Engine gehört es, zu kennzeichnen, wann die Eingaben für eine zuverlässige Inferenz unzureichend sind — und eine Empfehlung zu verweigern, statt zu konfabulieren.

9. Kernaussagen

1. Operative Pharma-Entscheidungen sind ihrer Natur nach probabilistisch; deterministische Werkzeuge zwingen ihnen eine verlustbehaftete Rahmung auf.
2. Drei Grundlagen decken die meisten operativen Entscheidungsklassen ab: Monte Carlo (Prognose), Bayesian (sequenzielle Aktualisierung), Arrhenius (chemische Kinetik).
3. Die richtige Architektur schichtet harte Regeln (SOPs / GxP) → probabilistische Modelle → Entscheidungsrichtlinie (Risikotoleranz), mit expliziten Versionsstempeln auf jeder Schicht.
4. Auditierbarkeit erfordert Bit-für-Bit-Reproduzierbarkeit, nicht nur Protokollierung — Engine-Version, Parameterversion, Regelversion, Richtlinienversion, Eingabe-Hash und Ausgabe-Hash in jedem Decision Package.
5. Probabilistisch bedeutet NICHT undurchsichtig. Jede Verteilung ist inspizierbar, jede Empfehlung ist überprüfbar, kein LLM befindet sich in der Entscheidungsschleife.