RISK INSIGHTS
Top-Thema Datenqualität: „Shit in – Shit out“. Erste Hilfe zur Erhöhung der Datenqualität.
Datenqualität ist kein technisches Detail, kein lästiger Audit‑Punkt und schon gar kein „Nice‑to‑have“. Sie ist die Lebensader jedes modernen Risikomanagements. Wenn die Daten schlecht sind, ist das gesamte Risikomanagement schlecht und führt zu mangelnder Akzeptanz und verzerrter Risikosteuerung.
DATENQUALITÄT ERHÖHEN
Warum schlechte Daten jedes Risikomanagement zerstören
Schlechte Datenqualität führt nicht einfach zu kleinen Ungenauigkeiten – sie führt zu Fehlentscheidungen, Scheinsicherheit, falschen Prioritäten und teuren Maßnahmen, die am Risco vorbeisteuern
Typische Folgen schlechter Datenqualität:
- Fehlentscheidungen im Management
- geringe Akzeptanz im Unternehmen
- ineffiziente und teure Steuerungsmaßnahmen
- verzerrte Exposure‑Berechnungen
- falsche Risikoklassen
- mangelnde Transparenz
Kurz: Schlechte Datenqualität ist ein eigenes Risiko im Risikomanagement.
Problem Nr. 1: Risikonamen
- zu lang
- zu vage und kreativ
- nicht ein-eindeutig
- doppelt (in verschiedenen Sprachen)
- ganze Sätze statt Begriffe
Ein Risikoname ist kein Roman. Er ist die erste Verteidigungslinie gegen Chaos.
Problem Nr. 2: Risikobeschreibung
- zu technisch
- zu abstrakt
- unvollständig
- unverständlich
Wenn ein Risikoverantwortlicher seinen eigenen Text nicht erklären kann, ist die Beschreibung nahezu wertlos.
Problem Nr. 3: Risikobewertung (Methodik)
- Vorgabe falscher Verteilungsfunktionen
- Modelle abhängig vom verwendeten MC-Simulator
- Übernahme der Bewertung durch Risikomanager
Häufig werden falsche Verteilungsfunktionen für Risiken verwendet (z.B. Dreiecks– anstatt Drei-Punkt-Verteilung). Das führ zu massiven Ergebnisfehlern (grösser als System- oder Modellfehler).
Problem Nr. 4: Risikobewertung (Know How)
- Verteilungsfunktionen auszuwählen
- Parameter und Momente zu definieren / schätzen
- mathematische Modelle zu verstehen
Das ist unrealistisch. „Die Wahl der Verteilungsfunktion ist für 90% ungeschulter (!) RV nicht korrekt machbar.“
Risikoverantwortliche sind keine Finanzmathematiker. Sie sollen schätzen, nicht modellieren.
kORREKTE verteilungsfunktionen
Der Klassiker - Dreiecksverteilung vs. Dreipunktverteilung
Die Wahl der richtigen Verteilungsfunktion hat massiven Einfluss auf die Resultados de simulação und berechneten Risiko-Exposures.
In der Praxis ist ein häufig erkennbarer Fehler bei der Auswahl der Verteilungsfunktion, dass Risiken fälschlicherweise mit Dreiecksverteilungen charakterisiert / bewertet werden, obwohl sie:
- diskret verteilt,
- asymetrisch,
- heavy-tailed
sind. Risikobeispiele sind Cyber-Attacks, Werksbrand, Compliance-Verstösse, Naturkatastrophen, etc.
Kurz: Diese Risiken brauchen Drei‑Punkt‑Schätzungen (Best‑, Normal‑, Worst‑Case), keine Dreiecksverteilungen.
WARUM?
Eine Distribuição triangular erzeugt:
- erfundene Wahrscheinlichkeiten
- Übergewichtung des Most‑Likely‑Schadens
- massive Unterschätzung von Tail‑Risiken
- künstliche Begrenzung der Verteilung
Kurz: Eine Distribuição triangular ist für diese Risikotypen zu simpel und methodisch falsch.
Falsches Vorgehen: Der zentrale Risikomanager gibt die Verteilungsfunktion vor
Weil die Risikoverantwortlichen e Risikobewerter häufig mathematisch nicht geschult sind und/oder keine Grundkenntnisse der Finanzmathematik (u.a. Stochastik) vorliegen, geben häufig die zentralen RM die Verteilungsfunktionen und das Parametersetting vor.
A Vorgabe der Verteilungsfunktionen und deren Parametersetting ist NICHT Aufgabe des zentralen Risikomanmagers, weil:
- Der RM kennt die Risiken nicht im Detail.
- Er würde das Gestão de riscos zentralisieren.
- Er würde die Verantwortung der RV untergraben.
- Er würde seine Rolle missverstehen.
Der Risikomanager ist Qualitätssicherer (-> Konsistenz, Validität, Plausibilität, Vollständigkeit, etc.) und nicht Risikobewerter.
Bei der Risikobewertung mit Verteilungsfunktionen bestehen 3 gravierende Risiken:
80%
der Risikoverantwortlichen sind mit der Auswahl von Verteilungsfunktionen und deren Bewertung überfordert.
70%
der zentralen Risikomanager geben die VT-Funktionen vor und führen auch die Bewertungen durch.
60-80%
der Ergebnisse sind verzerrt, weil ungeeignete Verteilungsannahmen und Parameter die Fehler stärker treiben als das Modell selbst.
DATENQUALITÄT ERHÖHEN
Die Lösung: Datenqualität radikal verbessern
Nachstehend, als Erste-Hilfe-Massnahmen einige Vorschläge, wie man schnell und einfach die Datenqualität verbessern kann. Darüber hinaus gibt es natürlich weitere Handlungsoptionen, um die Datenqualität zu erhöhen.
1. Klare Regeln für RISIKONAMEN:
Definition von Vorgabe für die Benennung der Risikonamen, wie z.B.:
- maximale Länge 3-5 Worte
- Substantiv an den Anfang
- eindeutige Formulierung
- Auswahl einer Sprache (kein Sprachenmix)
- konsistente Struktur
- keine Abkürzungen
Ergebnis: Eindeutige und kurze Risikonamen erhöhen das Verständnis und die Vergleichbarkeit.
2. Verständliche RISIKOBESCHREIBUNGEN:
Die Risikobeschreibungen sollten auch für Dritte verständlich sein, die thematisch nicht eingebunden sind, z.B. durch Darstellung:
- der Auslöser (was passiert?)
- der Ursache und Treiber (warum passiert es?)
- die Auswirkung (was ist der Schaden?)
- des konkreten Ablaufs (wie entwickelt es sich?)
Ergebnis: Eine vollständige und selbsterklärende Beschreibung erhöht das Verständnis und damit eine effiziente Steuerung.
3. Korrekte RISIKOBEWERTUNGEN:
Eine korrekte Risikobewertung gelingt nur, wenn die Schätzfehler minimiert, die Methodik stabilisiert und die Bewertenden geführt bzw. geschult werden.
Schätzfehlerreduktion durch:
- klare Bewertungsdefinition (z.B. EW/SH p.a.)
- Plausibilitätschecks (z.B. historische Daten, Erfahrungswerte, Branchenwerte)
- saubere Parametrisierung – keine Default-Werte
- Vermeidung von Extrembewertungen (Outliner nur mit Begründung)
Ergebnis: Diese Maßnahmen reduzieren den Schätzfehler am stärksten, weil sie die Bewertenden in einen engen, klaren Rahmen führen.
Stabilisierung der Methodik durch:
- einheitliche Bewertungslogik
- Standardisierte Verteilungsmodelle
- fixe Bewertungsrichtlinien
- automatisierte Plausibilitätsprüfungen
Ergebnis: Stabilisierung sorgt dafür, dass die Bewertung nicht von Personen, sondern von der Methodik abhängt
Schulung der Bewerter mit folgenden Inhalten:
- Schulungen zur Bewertungsmethodik
- Praxisbeispiele kommunizieren
- Do’s & Don’ts (keine Fantasiewerte, Normierung)
- Bewertungsleitfaden
- Feedback-Runden (Besprechung von Ausreissern)
- Einführung der Risk-Profiler-Methode
Ergebnis: Schulungen reduzieren die Schätzfehler nachweislich, wenn die Bewertenden die Methodik korrekt anwenden.
Checkliste Risikoverantwortliche
Checkliste für Risikoverantwortliche
Nachstehend eine kurze Checkliste für Risikoverantwortliche, um die Datenqualität zu erhöhen.
-
Eindeutige und kurze Risikonamen (max. 3-5 Worte; Substantive an den Anfang)
-
Verständliche Beschreibungen (Auslöser, Ursache, Auswirkung)
-
Schätzfehlerreduktion (Erfahrungswerte, Plausibilitäten, Vermeidung Extrembewertzungen)
-
Realistische und nachvollziehbare Schätzung
-
Auditfeste Angaben (Ableitung und Erläuterung der Inhalte)
Checkliste Risikomanager
Checkliste für Risikomanager
Nachstehend eine kurze Checkliste für Risikomanager, um die Datenqualität zu erhöhen.
-
Vorgabe von Methodik und Modellen (Schulung, Erläuterung)
-
Validitätsprüfung
-
Plausibilitätsprüfung
-
Realistische und nachvollziehbare Schätzung
-
Verificação de consistência
-
Vollständigkeitsprüfung
-
Governance & Regulatorik
-
Schulung & Coaching
Datenqualität entscheidet über die Akzeptanz des Risikomanagements
Datenqualität entscheidet darüber, ob Risikomanagement ein Steuerungsinstrument oder ein Dokumentations-Tool ist. Fehlerhafte oder inkonsistente Daten verzerren Ergebnisse stärker als jede Methodik, während hochwertige Daten die Bewertung stabilisieren, Schätzfehler minimieren und die Risikosteuerung erst verlässlich machen. Datenqualität ist damit der wichtigste Erfolgsfaktor im gesamten Risikoprozess.
