Warnung aus dem Datenraum

Risiken für das eigene Geschäft abschätzen – das gelingt der United Overseas Bank in Singapur heute mit einer Big-Data-Lösung in wenigen Minuten. Im Vorjahr brauchte die IT-Abteilung für solche Analysen noch rund 18 Stunden. 100 000 als relevant erachtete Marktparameter, die sich obendrein ständig ändern, checkt das Programm annähernd in Echtzeit. Aus 8,8 Milliarden Einzelberechnungen erhalten die Banker einen stets aktuellen Überblick, von wo Gefahr droht.

Mit der Investition stieß das asiatische Finanzinstitut in einen Bereich vor, den viele Unternehmen noch vernachlässigen. Zwar laufen immer mehr Daten aus zahlreichen Quellen heute auf den Firmenservern auf. Doch die Möglichkeiten, die in diesen Rohdaten für das Risikomanagement liegen, entdecken viele Unternehmen erst langsam. „Es werden Unmengen von Daten gesammelt, die Vernetzung hat aber noch gar nicht stattgefunden“, sagt José Campos Nave, Partner der Wirtschaftskanzlei Rödl & Partner.

Nicht alle Branchen nehmen das Thema wichtig. Das Interesse an Big-Data-Projekten ist zwar nach einer aktuellen IBM-Untersuchung in vielen Unternehmen stark ausgeprägt. Aber nur fünf Prozent der Befragten gaben an, dass das Risikomanagement die wichtigste Zielsetzung sei.

Traditionell sei im Risikomanagement auf eine Auswahl historischer Daten zurückgegriffen worden, sagt Bernd Günter, Director Marketing & Sales des IT-Beratungsunternehmens Accantec Consulting. „Die Idee, Prognosen und daraus resultierende Handlungsanweisungen abzuleiten, ist zwar keine neue, mit den neuen Anwendungen und Rechenkapazitäten ist jedoch ein großer Sprung gemacht worden.“ Heute fließen mehr und aktuellere Informationen ein. So sinkt die Wahrscheinlichkeit, bei der Analyse danebenzuliegen.

Parallel steigt die Nutzerfreundlichkeit. Auch das verhilft den Lösungen zu mehr Akzeptanz und einer besseren Durchdringung im Management: Zahlen werden heute anschaulich in Form von Grafiken, Statistiken oder aufpoppenden Hinweisen aufbereitet, die auch außerhalb des engen Zirkels der Risikomanager verstanden werden. „So kann ein breiteres Publikum im Unternehmen mit validen Informationen arbeiten“, sagt Carsten Krah, Experte für Risikomanagement beim Softwarekonzern SAS. Ein einfaches Beispiel dafür sind Scoring-Landkarten, die dem Kundendienst auf einen Blick zeigen, wie hoch das Zahlungsausfallrisiko bei einer bestimmten Kundenadresse ist.

Damit solche Schlüsse möglich sind, müssen die Daten jedoch zunächst sauber im Unternehmen vorliegen. Laut der IBM-Studie griffen die meisten Big-Data-Projekte auf Daten aus Transaktionen, Protokollen, Ereignissen, E-Mails und Meldungen aus sozialen Medien zurück. Damit auch über die Grenzen von Geschäftsbereichen hinaus damit gearbeitet werden kann, ist Sorgfalt nötig.  „Das fängt damit an, dass jeder jede Spalte einer Excel-Tabelle immer richtig ausfüllt. Eine Anforderung, der Anwender im Alltag oftmals nicht gerecht werden können“, sagt Krah.

Eine Folge: Bislang setzen vor allem solche Unternehmen auf Big-Data-Lösungen im Risikomanagement, die es gewohnt sind, mit großen Datenmengen zu hantieren.  Neben Banken und Versicherungen zählen dazu auch Energieversorger.

Im Mittelstand wird das Thema noch äußerst zögerlich angegangen: „Da ist oft einfach keiner da, der das anwenden kann“, sagt Campos Nave. Im Controlling, dem das Risikomanagement oft noch zugeordnet ist, gehe es eher darum, Daten zusammenzustellen als sie gezielt unter einer Fragestellung der Risikoabschätzung auszuwerten. Erst langsam werde sich hier die Erkenntnis durchsetzen, dass die Auswertung der Daten handfeste Vorteile mit sich bringen könne, meint Campos Nave: „Man muss die Daten als Assets sehen, die man im Unternehmen hat.“ Die Risk Management Association (RMA) sieht Anwendungsmöglichkeiten als Frühwarnsystem bei einer Veränderung der Kundenpräferenzen oder als Instrument zur Verhinderung von Wirtschaftskriminalität.

So verlockend die herausgefilterten Botschaften auch sind: Bei dem Überangebot an Daten müssten sich auch Risikomanager bewusst sein, dass die Aussagekraft begrenzt ist. „Die Tatsache, dass ein Muster existiert, setzt voraus, dass dieses in der Vergangenheit entstanden ist“, sagt Roland Franz Erben, Vorsitzender des Vorstands der RMA. „Dies wiederum heißt nicht zwangsläufig, dass eine Schlussfolgerung aufgrund dieses Musters auch für die Zukunft Gültigkeit besitzt.“ Ergebnisse aus Big-Data-Anwendungen könnten den Entscheidern so leicht eine „Scheingenauigkeit“ vorgaukeln, warnt Erben. Der gesunde Menschenverstand stehe dann plötzlich im Widerspruch zu den hochkomplexen Analysen. „Ein schlechtes Modell wird auch durch Big Data nicht besser.“

Erschienen am 1. Oktober 2013 im Handelsblatt.

Schreib einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind markiert *