Datengetriebenes Risikocontrolling: Grundlagen, Beispiele und neue Anforderungen

Zusammenfassung

• Datengetriebenes Risikocontrolling nutzt große Datenmengen und neue Analyseverfahren wie Analytics und Künstliche Intelligenz.
• Veränderungen und Verbesserungen kann es in allen Phasen des Risikomanagementprozesses geben.
• Während sich einerseits dadurch Aufgaben von Risikocontrollern automatisieren lassen, kommen andere hinzu oder werden wichtiger. Das sind insbesondere statistische Analysen als auch die Beratung des Managements.
• Die Aufgaben im Risikocontrolling werden anspruchsvoller und erfordern zusätzliche Kompetenzen, insbesondere in den Bereichen Statistik und KI. Der Beitrag gibt zunächst einen Überblick über das Risikocontrolling an sich und ergänzt dann die datengetriebenen Aspekte.
• Diese werden durch Beispiele und Vertiefungen zur Lieferkettenüberwachung, zu Kreditausfallrisiken, zur Modellgenerierung sowie zu IT-Risiken veranschaulicht. Abschließend werden Anforderungen bzw. Herausforderungen für Risikocontrollerinnen und -controller vorgestellt.

1 Daten, Informationen und Risikocontrolling

Risikomanagement (RM) umfasst alle organisatorischen Regelungen zur systematischen, regelmäßigen und unternehmensweiten Umsetzung des RM-Prozesses sowie dessen Unterstützung durch geeignete Instrumente und Methoden mit den Zielen der langfristigen Existenzsicherung, der Eröffnung von Handlungsspielräumen, der Erreichung der geplanten Unternehmensziele und der Senkung der Risiko- und Kapitalkosten.^[1]

RM ist keine einmalige Handlung im Unternehmen. Aufgrund der Umweltdynamik muss eine systematische und permanente Analyse und Steuerung der Risiken erfolgen. Daher werden die einzelnen Aktivitäten als operativer RM-Prozess mit den Phasen Risikoidentifikation, -bewertung, -berichterstattung, -steuerung und -überwachung strukturiert. Der operative RM-Prozess kann als kybernetischer Regelkreis aufgefasst werden, da die einzel...