Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Wandel des Risikomanagements durch Big Data

Foto: Pixabay (CC0)

(English version below)

Die sinnvolle und nutzenbringende Auswertung großer Mengen an unstrukturierten Daten stellt das bislang in der Praxis etablierte Risikomanagement vor eine Reihe von neuen Herausforderungen, die im Folgenden kurze zusammengefasst werden (Rogers 2017):

  • Die Einbindung von Big Data in den Risikomanagementprozess wird in Zukunft noch weiter ausgebaut werden. Somit kommt sowohl der Zugänglichkeit und Validierung der Daten als auch der Verwendung entsprechender Analyse- und Auswertungstools eine zentrale Rolle zu.
  • Im Rahmen der Risikoidentifikation sollten daher zunächst Vorüberlegungen angestellt werden, die sich mit Fragen, wie z.B. „Wer speist die Daten ein?“, „Wie kann die Aktualität, Vollständigkeit und Kompatibilität der Daten sichergestellt werden?“, „Wie kann die Datenqualität garantiert werden?“ beschäftigen.
  • Auch müssen ggf. gewohnte Vorgehensweisen angepasst werden, um kostbare Ressourcen sparsam einzusetzen: so ist es ratsam, zunächst das Ziel der Datenanalyse festzulegen (z.B. Vorhersage des Ebola Infektionsrisikos), anstatt zu versuchen, möglichst viele Auswertungsmöglichkeiten aus einem verfügbaren Datensatz zu ziehen, die ggf. nicht alle zielführend sind.
  • Für eine bessere, umfangreichere Datenverfügbarkeit muss das Risikomanagement zukünftig noch stärker auf die interdisziplinäre Zusammenarbeit in den Unternehmen ausgerichtet werden. Gleichzeitig können wie zuvor aufgezeigt, ggf. mehrere Bereiche von den Auswertungsergebnissen profitieren.
  • Für die Datenverarbeitung sind zudem die richtigen, neuen IT Tools einzusetzen (z.B. Amazon Elastic MapReduce, Microsoft Azure Cortana Analytics Suite), die auf effiziente Art und Weise die benötigten Informationen identifizieren, beispielweise durch Anwendung von maschinellem Lernen und Künstlicher Intelligenz.
  • Die kontinuierliche Auswertung von unstrukturierten Datenmengen kann jedoch nicht allein nur durch den Einsatz von IT Tools gemeistert werden. Es wird auch die Unterstützung von Experten, sog. Data Scientists, benötigt, welche die Datenanalyse technisch durchführen und Entscheidungshilfen herbeiführen. Hierzu gehören u.a. die manuelle Bereinigung von Rohdaten zur Steigerung der Datenqualität und das Programmieren von Algorithmen zur automatischen Nutzung von Echtzeitdaten.
  • Die stärkere Gewichtung der Datenanalyse im Risikomanagement wird somit zu einer Teilung der Verantwortlichkeiten zwischen Data Scientists und Risikomanagern führen.
  • Die Ergebnisse der Datenanalyse als Prognosehilfe in den Entscheidungen des Managements zu berücksichtigen, wird zukünftig zu den Kernaufgaben des Risikomanagers gehören.
  • Der Aufgabenfokus wird sich folglich hin zur stärkeren Entscheidungsfindung nach Datenlage, d.h. die richtigen Rückschlüsse aus den Daten zu ziehen, entwickeln. Somit ändern sich auch die Anforderungen an die Qualifikationen des Risikomanagers.
  • Die automatisierte Recherche und Auswertung von Echtzeitinformationen führt zu einer Reduzierung der manuellen Tätigkeiten des Risikomanagers. Somit bleibt mehr Zeit für analytische und strategische Aufgaben, d.h. es können mittel- und längerfristige Lösungen auf Basis der Ergebnisse von Big Data Science entwickelt werden (Al-Khazrage 2018, S. 58).

Es bleibt festzuhalten, dass der Einsatz von Big Data im Rahmen des Risikomanagements mit unterschiedlichen Auswirkungen verbunden ist. Zur Vorbereitung auf diese Veränderungen sollten die Unternehmen – je nach Ausstattung ihrer Ressourcen – frühzeitig entsprechende Maßnahmen anstoßen.

Auszug aus Schröder et al. 2019, Neue Anwendungsmöglichkeiten für das Risikomanagement durch den Einsatz von Big Data – Zwei Fallbeipspiele, in: Schröder, Meike; Wegner, Kirsten (Hrsg.) Logistik im Wandel der Zeit, Springer: Wiesbaden, S. 121-136.

Changes in Risk Management via Big Data

The meaningful and beneficial evaluation of large amounts of unstructured data is the next important step for effective risk management as a whole to take. This challenge, along with several other new, pertinent challenges, will be briefly summarised below (Rogers 2017): 

  • The integration of Big Data into the risk management process will be further expanded in the future. Thus, both the accessibility and validation of the data and the use of corresponding analysis and evaluation tools will play a central role. 
  • Within the scope of risk identification, preliminary considerations should therefore be made to address questions such as “Who feeds the data?”, “How can the timeliness, completeness and compatibility of the data be ensured?”, and “How can data quality be guaranteed? 
  • It may also be necessary to adapt customized procedures in order to use limited resources sparingly: for example, it is advisable to first define the goal of data analysis (e.g. predicting the risk of Ebola infection) instead of trying to draw as many evaluation options as possible from an available data set without a specified goal in mind.
  • For better, more extensive data availability in the future, risk management must be geared more strongly towards interdisciplinary cooperation within companies. At the same time, as shown above, a multitude of departments may benefit from the evaluation of the results. 
  • For data processing, the correct IT tools–Amazon Elastic MapReduce, Microsoft Azure Cortana Analytics Suite–must be used to efficiently identify the required information (e.g., implementing machine learning and artificial intelligence).
  • However, the continuous analysis of unstructured data cannot be mastered by IT tools alone; the support of experts, i.e. data scientists, who perform technical data analysis and provide decision assistance is also necessary. This includes, among other things, a manual cleansing of raw data to increase data quality and the programming of algorithms for the automatic use of real-time data.
  • The increased emphasis on data analysis in risk management will thus lead to a division of responsibilities between data scientists and risk managers.
  • In the future, one of the risk manager’s core tasks will be to consider the results of data analysis as a forecasting aid in management decisions. 
  • The primary tasks will consequently become more data-driven, and, as a result, the demands on the qualifications of risk managers will also change.
  • The automated research and evaluation of real-time information will lead to a reduction in the manual activities of the risk manager. This leaves more time for analytical and strategic tasks, i.e. medium and long-term solutions can be developed based on the results of Big Data Science (Al-Khazrage 2018, p. 58). 

It should be noted that the use of Big Data in risk management is associated with various outcomes. In order to prepare for these outcomes, companies should–depending on their resources–initiate appropriate measures at an early stage. 

Excerpt from Schröder et al. 2019, Neue Anwendungsmöglichkeiten für Risikomanagement durch die Einsatz von Big Data – Zwei Fallbeipspiele, in: Schröder, Meike; Wegner, Kirsten (eds.) Logistik im Wandel der Zeit, Springer: Wiesbaden, pp. 121-136.

 

Neue Anwendungsmöglichkeiten für das Risikomanagement durch den Einsatz von Big Data

Bild: ©iStock.com/metamorworks

Die zunehmende Digitalisierung, verbunden mit der Generierung großer Datenmengen – auch umschrieben mit dem Schlagwort Big Data – stellt das bislang implementierte, traditionelle Risikomanagement einerseits vor neue Herausforderungen, andererseits eröffnen sich mit ihr aber auch Potentiale für eine breitere praktische Anwendung, insbesondere im Hinblick auf die Risikoidentifikation und -bewertung, welche in diesem Ausmaß bislang nicht möglich waren. 

In Prozessen, wie dem Maschinellen Lernen – einem Teilbereich der Künstlichen Intelligenz – entwickeln IT-Systeme auf Basis dieser vorhandenen Datenbestände und mit Hilfe von Algorithmen Muster und Gesetzmäßigkeiten für Risiken und treffen entsprechende Prognosen, die fortlaufend angepasst werden (Beierle & Kern-Isberne 2003, S. 99f.). Dies ermöglicht es, umfangreichere Frühwarnsysteme zu implementieren und folglich den proaktiven Umgang mit Risiken zu fördern. Hierbei nimmt neben der Zugänglichkeit auch die Validierung der Daten eine entscheidende Rolle ein (Barga et al. 2015, S. 4 ff.; Dorschel et al. 2015, S. 56; Gadatsch und Landrock 2017, S. 4).

Darüber hinaus geht mit der höheren Datenverfügbarkeit eine verbesserte Transparenz einher, welche neue Potentiale der Visualisierung (auch Mapping genannt) eröffnet. Somit ist es durch entsprechende Datensätze möglich, z.B. Bewegungen von Personen oder Objekten zu visualisieren und zukünftige Änderungen im Ablauf durch eintretende Risiken zu prognostizieren.

Die Verbesserung der Risikoidentifikation hat zugleich die Entwicklung von automatisierten Analyse- und Bewertungsverfahren zur Folge. Die großen Datenmengen sowie die Vielzahl an Bezugsquellen erfordern zur Handhabbarkeit den Einsatz von Algorithmen und komplexen Auswertungsverfahren, um einerseits Aussagen über die zukünftige Entwicklung von Risiken machen zu können (Predictive Analytics) und um andererseits optimale Reaktionen des Unternehmens auf zukünftige Risiken prognostizieren zu können (Prescriptive Analytics) (Krause & Pellens 2018, S. 51). Folglich können Strategien zum Umgang mit Risiken frühzeitiger beschlossen und präventiv passgenaue Maßnahmen initiiert werden. Auch lässt sich für einzelne Maßnahmen eine bessere Kosten-Nutzen-Abschätzung, z.B. durch eine bessere Quantifizierung von Ressourcen, vornehmen.

In unserem Beitrag Neue Anwendungsmöglichkeiten für das Risikomanagement durch den Einsatz von Big Data – Zwei Fallbeispiele, in Logistik im Wandel der Zeit, Von der Produktionssteuerung zu vernetzten Supply Chains beschreiben wir zwei Praxisbeispiele zum Einsatz von Big Data im Risikomanagement: zum einen, die Eindämmung von Epidemien durch Risikoanalysen unter Einsatz von Big Data, zum anderen, die Reduktion des Verschmutzungsrisikos von Schiffsrümpfen durch die Auswertung von Satellitendaten zu den weltweiten Seezuständen, sowie Datensätzen über Meerestemperaturen, Wolkenbedeckung, biologische Faktoren, Salzgehalt, Säuregehalt und andere Mineralien.

Auszug aus Schröder et al. 2019, Neue Anwendungsmöglichkeiten für das Risikomanagement durch den Einsatz von Big Data – Zwei Fallbeipspiele, in: Schröder, Meike; Wegner, Kirsten (Hrsg.) Logistik im Wandel der Zeit, Springer: Wiesbaden, S. 121-136.

New applications for risk management through the use of Big Data

The increasing digitalization, combined with the generation of extensive amounts of data – also referred to as Big Data. Big Data presents new challenges to the traditional risk management implemented so far on the one hand, but on the other hand it also opens up potential for a broader practical application, especially with regard to risk identification and assessment, which has not been possible to this extent so far.

In processes such as machine learning – a subdomain of artificial intelligence – IT systems develop patterns and regularities for risks on the basis of these existing data sets and with the aid of algorithms, and make corresponding forecasts which are continuously adjusted (Beierle & Kern-Isberne 2003, p. 99f.). This enables more comprehensive early warning systems to be implemented and thus promotes the proactive handling of risks. In addition to accessibility, the validation of data plays a decisive role in this context.

Furthermore, the higher data availability is accompanied by improved transparency, which opens up new potentials for visualization (also called mapping). Thus, it is possible to visualize e.g. movements of persons or objects and to predict future changes in the process due to occurring risks by means of corresponding data sets.

The improvement in risk identification has also resulted in the development of automated analysis and evaluation procedures. The large volumes of data and the large number of sources of data supply require the use of algorithms and complex evaluation procedures in order to draw conclusions about the future development of risks (predictive analytics) and to be able to forecast the company’s optimum response to future risks (prescriptive analytics) (Krause & Pellens 2018, p. 51). As a result, strategies for dealing with risks can be decided at an earlier stage and precautionary measures can be initiated that are tailored to the specific situation. In addition, a better cost-benefit assessment can be made for individual measures, e.g. through better quantification of resources.

In our paper about New Applications for Risk Management through the Use of Big Data – Two Case Studies, we describe two practical examples of the use of Big Data in risk management. Firstly, the containment of epidemics through risk analysis using Big Data. Secondly, the reduction of the risk of pollution from ship hulls through the evaluation of satellite data on global sea conditions, as well as data sets on sea temperatures, cloud cover, biological factors, salinity, acidity and other minerals.

Extract from Schröder et al. 2019, Neue Anwendungsmöglichkeiten für das Risikomanagement durch den Einsatz von Big Data – Zwei Fallbeipspiele, in: Schröder, Meike; Wegner, Kirsten (Hrsg.) Logistik im Wandel der Zeit, Springer: Wiesbaden, pp. 121-136.