
(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.