Data-Driven Risk Management: KI-Lösungen für Risikomanagement

Klassische Ansätze stützen sich auf feste Regeln, Schwellenwerte und Experteneinschätzungen, die in festen Intervallen aktualisiert werden. Datengetriebenes Risikomanagement wertet stattdessen laufend interne und externe Datenquellen aus und passt Risikoeinschätzungen kontinuierlich an neue Muster an. Der praktische Unterschied zeigt sich vor allem bei selten auftretenden oder neuartigen Risiken: regelbasierte Systeme erkennen nur, was bereits als Regel hinterlegt ist, während datengetriebene Modelle auch bislang unbekannte Anomalien identifizieren können, vorausgesetzt, die zugrunde liegenden Daten sind ausreichend aktuell und vollständig.

Typischerweise fließen interne Quellen wie Transaktions-, Prozess- und Schadensdaten sowie externe Quellen wie Markt-, Branchen- und regulatorische Daten ein. Entscheidend ist weniger die Menge als die Konsistenz: Die Quellen müssen über Systeme hinweg vergleichbar strukturiert und in ausreichender historischer Tiefe verfügbar sein, damit Modelle valide trainiert und zurückgetestet werden können. Fehlen historische Daten zu seltenen Risikoereignissen, lässt sich das meist nur durch ergänzende externe Datensätze oder Szenariodaten kompensieren.

KI-Verfahren übernehmen primär drei Aufgabenklassen: Mustererkennung in großen, heterogenen Datenmengen, etwa Anomalieerkennung in Transaktionsdaten, Vorhersagemodelle für Risikowahrscheinlichkeiten wie Ausfall- oder Betrugswahrscheinlichkeiten, und die automatisierte Auswertung unstrukturierter Textdaten wie Verträgen, Nachrichten oder internen Berichten. Sie ersetzt nicht die Risikoentscheidung selbst, sondern liefert die Grundlage für schnellere und differenziertere menschliche Entscheidungen.

Vor der Einführung sollten Vollständigkeit, Konsistenz über Systeme hinweg und ausreichende historische Tiefe geprüft werden. Besonders relevant ist die Konsistenz: Wenn dieselbe Kennzahl in verschiedenen Quellsystemen unterschiedlich berechnet wird, führt das zu widersprüchlichen Modellergebnissen. Ein Data-Quality-Assessment vor Projektstart zeigt, welche Lücken zunächst durch Prozessanpassungen statt durch zusätzliche Modellkomplexität geschlossen werden sollten.

Aufsichtsbehörden erwarten bei risikorelevanten Modellen grundsätzlich Nachvollziehbarkeit der Entscheidungslogik, nicht nur ein korrektes Ergebnis. In der Praxis bedeutet das: interpretierbare Modellstrukturen bevorzugen, wo die Komplexität es zulässt, und bei komplexeren Verfahren wie Ensemble- oder Deep-Learning-Modellen ergänzende Erklärverfahren wie SHAP- oder LIME-Analysen einsetzen, um einzelne Modellentscheidungen im Nachhinein begründen zu können. Diese Nachvollziehbarkeit sollte von Anfang an mitgeplant werden, sie lässt sich selten nachträglich in ein fertiges Modell einbauen.

Die technische Basis bilden meist eine zentrale Datenplattform, Data Warehouse oder Data Lake je nach Anteil strukturierter und unstrukturierter Daten, eine Modellierungsumgebung für Machine-Learning-Verfahren sowie ein Dashboard- und Reporting-Layer für die operative Nutzung durch Risikomanager. Welche konkreten Systeme sinnvoll sind, hängt stark von der bestehenden IT-Landschaft ab, eine Neubeschaffung ist selten der erste Schritt, meist lässt sich vorhandene Infrastruktur erweitern.

Ein typischer Ablauf beginnt mit der Auswahl eines eng abgegrenzten Use Cases mit klarer Datenverfügbarkeit, gefolgt von einer Pilotphase zur Validierung von Modellgüte und Nachvollziehbarkeit. Erst nach erfolgreicher Validierung, inklusive Rücktests gegen historische Daten, erfolgt die Ausweitung auf weitere Risikobereiche. Dieser stufenweise Ansatz reduziert das Risiko von Fehlinvestitionen, verlängert aber die Zeit bis zur unternehmensweiten Skalierung gegenüber einer Big-Bang-Einführung.