Datengetriebenes Risikocontrolling: Grundlagen, Beispiel ... / 2.3 Einsatzgebiete für ein datengetriebenes Risikocontrolling

Die Einsatzgebiete für ein datengetriebenes RC lassen sich entlang des operativen RM-Prozesses konkretisieren.^[1]

Phase des RM-Prozesses	Potenziale aus der Auswertung von Big Data	Potenziale aus dem Einsatz von Analytics und KI
Risikoidentifikation	Bessere Identifikation von externen Risiken durch die Verfügbarkeit zuvor unzugänglicher externer und qualitativer Daten	Effizientere und schnellere Identifikation von internen und externen Risiken z. B. Data und Text Mining Automatisierte Überwachung von zuvor definierten schwachen Signalen sowie Key Risk Indicators (KRI), um Änderungen der Risikolandschaft in Echtzeit zu identifizieren (Früherkennung)
Risikoanalyse und -bewertung	Besseres Verständnis der einzelnen Risikofaktoren und ihrer Zusammenhänge durch eine bessere Datenverfügbarkeit Genauere Parametrisierung von Risikomodellen durch eine bessere Verfügbarkeit historischer Daten für die einzelnen Risikofaktoren	Regressionsanalysen und KI für die Analyse von Abhängigkeiten einzelner Risikofaktoren Identifikation und Analyse von Modellrisiken und Verbesserung der Qualität von Risikomodellen
Risikoreporting		Automatisiertes Aufbereiten der Ergebnisse der Risikoidentifikation, -analyse und -bewertung in Dashboards Implementierung automatischer Benachrichtigungen bei Überschreitung bestimmter Schwellenwerte für KRI
Risikoüberwachung	Regelmäßiges Backtesting der verwendeten Risikomodelle möglich	Automatisiertes Risikomonitoring bereits bekannter Risiken

Tab. 2: Systematisierung der Einsatzgebiete eines datengetriebenen RC

Im Rahmen der Risikoidentifikation lassen sich mit Hilfe von internen und externen Daten Muster identifizieren. Solche Muster können z. B. interne und externe Einflussfaktoren auf Chancen und Risiken eines Unternehmens sein. Die maschinelle Identifikation von Risiken aus großen Datenmengen vermeidet zum einen subjektive Auswahlentscheidungen und erlaubt eine Vollerhebung und -analyse. Letztere vermeidet dann Probleme der Stichprobenauswahl.

Weiterhin können auch externe und unstrukturierte Daten wie Texte und Fotos auf risikorelevante Inhalte hin untersucht werden. Schließlich kann eine laufende und Echtzeit-Analyse auch zur Früherkennung und Frühwarnung dienen.

Damit eng verbunden ist der Einsatz in der Risikoanalyse, die Wirkungszusammenhänge von Einzelrisiken und Zielgrößen sowie Konsequenzen von Risiken analysieren soll. Die gefundenen Muster in Daten können zum einen auf ihre praktische Signifikanz hin untersucht werden und zum zweiten zur Prognose dienen. In der Risikobewertung können Risikomodelle mit mehr Daten und Parametern angereichert und fundiert werden. Hinzu kommen die vielen Möglichkeiten statistischer und Simulationsverfahren, die es erlauben, tiefergehende Erkenntnisse aus den Risikomodellen abzuleiten.

Mittels Daten und deren Auswertung kann eine Risikoüberwachung automatisiert, schneller und systematischer ablaufen. Signale lassen sich rascher erkennen und die Reaktionszeit verkürzen. Schließlich bieten neue Technologien auch Möglichkeiten das Risikoberichtswesen auf eine neue Stufe zu stellen: risikorelevante Informationen können einfacher visualisiert und Analysen rascher aufbereitet und per Online-Zugang leichter verbreitet werden. Hinzu können Berichte dynamisch erzeugt werden, was es Anwendern erleichtert, eigene Analysen durchzuführen.

[1] Vgl. auch Kammerer et al., 2022a, S. 37.