Simulation & Unsicherheit
Warteschlangen simulieren: Auslastung und Wartezeit
Ein Team kann im Durchschnitt genug Arbeit erledigen und trotzdem lange Warteschlangen erzeugen. Diese Simulation zeigt, wie Auslastung, schwankende Bearbeitungszeiten und eine zweite Bedienperson zusammenwirken.
Kurz erklärt
Warteschlangen entstehen, wenn zufällige Ankünfte zeitweise mehr Arbeit bringen, als freie Bedienpersonen erledigen können. Hohe Auslastung und schwankende Bearbeitungszeiten verstärken Wartezeiten. Die Simulation verfolgt 400 Aufträge vom leeren Start bis zur Erledigung.
Im kostenlosen Rechner ausprobierenKostenlos · im Browser · ohne Anmeldung
Auf einen Blick
- Durchschnittliche Kapazität allein erklärt die Wartezeit nicht.
- Dieselben Zufallsziehungen machen den Vergleich einer und zweier Bedienpersonen nachvollziehbar.
- Ab 100 Prozent angebotener Auslastung existiert unter diesen Annahmen kein stabiler langfristiger Mittelwert.
Warum warten Aufträge trotz freier Durchschnittskapazität?
Eine Servicekraft braucht im Mittel zehn Minuten pro Auftrag. Rechnerisch schafft sie sechs Aufträge pro Stunde. Treffen durchschnittlich 4,8 Aufträge ein, liegt die angebotene Auslastung bei 80 Prozent. Trotzdem beginnt nicht jeder Auftrag sofort. Zwei kurz nacheinander eintreffende Aufträge können dieselbe Person benötigen; eine lange Bearbeitung blockiert alle nachfolgenden. Freie Zeit am Morgen lässt sich nicht auf einen Andrang am Nachmittag übertragen.
Die Simulation macht diese zeitliche Struktur sichtbar. Sie erzeugt 400 Ankünfte und verfolgt jeden Auftrag bis zum Ende. Eine oder zwei identische Bedienpersonen teilen sich eine gemeinsame Warteschlange. Wer zuerst ankommt, wird zuerst bedient. Aufträge verlassen die Schlange nicht vorzeitig, und es gibt weder Prioritäten noch Unterbrechungen. Dieses Ressourcenprinzip entspricht einer üblichen ereignisorientierten Warteschlangenmodellierung (SimPy developers 2026).
Ein kleiner Ablauf von Hand
Nehmen wir zunächst drei Aufträge mit Ankünften bei Minute null, zwei und vier sowie jeweils fünf Minuten Bearbeitung. Mit einer Bedienperson beginnen sie bei null, fünf und zehn. Die Wartezeiten sind deshalb null, drei und sechs Minuten. Mit zwei Bedienpersonen beginnen die ersten beiden sofort; der dritte startet bei Minute fünf und wartet eine Minute.
Genau dieses Prinzip verwendet der Rechner für größere Stichproben. Er sucht für jeden neuen Auftrag die zuerst freie Bedienperson. Der Beginn ist das Maximum aus Ankunft und deren nächstem freien Zeitpunkt. Beginn minus Ankunft ergibt die Wartezeit; Beginn plus Bearbeitungsdauer ergibt das Ende. Der Rechner springt zwischen Ereignissen und muss keine künstlichen Minutenschritte zählen.
Die mittlere Bearbeitungsdauer beträgt im Modell weiterhin zehn Minuten. Die einzelnen Zeiten schwanken lognormal, also positiv und potenziell nach rechts ausgedehnt. Der Variationskoeffizient ist die Standardabweichung geteilt durch den Mittelwert. Bei null dauern alle Bearbeitungen genau zehn Minuten; bei eins entspricht die Standardabweichung dem Mittelwert. Die Ankunftsabstände sind unabhängig und exponentialverteilt.
Belastung und Streuung ausprobieren
Warteschlangen simulieren – interaktiver Rechner
400 Aufträge treffen zufällig ein. Eine gemeinsame FIFO-Schlange verteilt sie auf eine oder zwei Bedienpersonen. Bei 4,8 Ankünften pro Stunde und zehn Minuten mittlerer Bearbeitung beträgt die angebotene Auslastung einer Person 80 Prozent.
Erhöhen Sie zunächst die Ankunftsrate, während Bearbeitungsstreuung und Personenzahl gleich bleiben. Die Linie zeigt Wartezeit gegen Ankunftszeit; Spitzen machen einzelne Belastungsphasen sichtbar. Der Durchschnitt allein verdeckt solche Unterschiede. Das 90-Prozent-Quantil beschreibt die Wartezeit, die 90 Prozent der 400 simulierten Aufträge nicht überschreiten.
Schalten Sie danach auf zwei Bedienpersonen. Der Rechner verwendet dieselben Ankünfte und Bearbeitungsziehungen. Damit stammt der Unterschied nicht aus einer zufällig günstigeren zweiten Stichprobe. Ändern Sie schließlich die Streuung. Gleiche durchschnittliche Bearbeitungsdauer bedeutet nicht gleiche Wartezeit; die Bedeutung der Servicevarianz gehört zu den klassischen Ergebnissen der Warteschlangentheorie (Larson, R. C.; Odoni, A. R. 1981).
Hohe Auslastung richtig lesen
Die angebotene Auslastung lautet : Ankünfte pro Zeiteinheit mal mittlerer Bearbeitungszeit, geteilt durch die Zahl der Bedienpersonen. Im Ausgangsfall ergibt das für eine Person. Zwei Personen halbieren diesen Wert. Die Anzeige ist aus den Modellparametern berechnet und keine Messung der tatsächlichen Beschäftigungszeit im kurzen Lauf.
Bei kann dieses Modell keine stabile langfristige Warteschlange liefern. Der Rechner zeigt trotzdem endliche Zahlen, weil nach 400 Ankünften keine weiteren Aufträge hinzukommen. Diese Zahlen beschreiben den endlichen Lauf, keinen stationären Mittelwert. Auch unterhalb dieser Grenze wirken der leere Anfangszustand und die beschränkte Zahl der Aufträge. Eine einzelne wiederholbare Simulation ist keine präzise Kapazitätsgarantie.
Vom Lernmodell zur Personalplanung
Reale Systeme haben Tagesmuster, Terminbuchungen, Pausen, verschiedene Fähigkeiten und Aufträge, die sich gegenseitig beeinflussen. Manche Kunden brechen ab, andere erhalten Vorrang. Das Modell berücksichtigt all das nicht. Besonders zufällige, unabhängige Ankünfte passen nicht automatisch zu gebündelten Lieferungen oder einem gemeinsamen Schichtbeginn.
Für eine Anwendung braucht es deshalb Ankunftszeit, Bearbeitungsbeginn und Ende aus einem klar abgegrenzten Prozess. Prüfen Sie zunächst, ob das Modell bekannte Wartezeiten ungefähr reproduziert. Vergleichen Sie anschließend konkrete Personal- oder Prozessoptionen mit mehreren unabhängigen Läufen und einem vereinbarten Serviceziel. Der Artikel zur Monte-Carlo-Simulation erklärt, warum zusätzliche Wiederholungen Zufallsfehler verringern, aber fehlende Prozessregeln nicht ersetzen.
Häufige Fragen
Ist eine Auslastung unter 100 Prozent ausreichend?
Sie ist hier eine Voraussetzung für einen stabilen langfristigen Betrieb, garantiert aber keine kurze Wartezeit. Streuung und zeitweilige Häufungen bleiben relevant.
Warum zeigt der Rechner bei Überlastung einen endlichen Wert?
Er simuliert nur 400 Aufträge aus einem leeren Anfangszustand. Dieser endliche Stichprobenwert ist kein stationärer langfristiger Mittelwert.
Quellen und weiterführende Literatur
- OnlineSimPy developers (2026): Shared Resources.
- OnlineLarson, R. C.; Odoni, A. R. (1981): Urban Operations Research: M/G/1 Queues.
Zuletzt fachlich geprüft am 14. November 2026. Hinweise auf Fehler nehmen wir gern entgegen: impressum@nyxai.com.