Risikomanagement · 3 Min. Lesezeit
Machine Learning und fortschrittliche Analytik, um Probleme vorherzusagen, Korrekturmaßnahmen zu planen und die Resilienz zu stärken.
Die meisten Risikomanagement-Dashboards erzählen von der Vergangenheit: wie viele Vorfälle es gab, wie viele Auditfeststellungen noch offen sind, welche Kontrollen versagt haben. Diese Informationen sind unverzichtbar, kommen aber erst, wenn das Problem bereits eingetreten ist.
Ein prädiktives Dashboard versucht, eine andere Frage zu beantworten: Wo tritt das nächste Problem am wahrscheinlichsten auf? Es geht nicht darum, die Zukunft mit Gewissheit vorherzusagen, sondern schwache Signale zu erkennen, die zusammengenommen auf eine Situation hindeuten, die Aufmerksamkeit verdient.
Nützliche Signale sind oft schon in den Unternehmenssystemen vorhanden, nur setzt sie niemand miteinander in Beziehung. Korrekturmaßnahmen, die immer wieder verschoben werden, nicht abgeschlossene Pflichtschulungen in einer Abteilung, eine Zunahme genehmigter Ausnahmen, Lieferanten mit bald ablaufenden Unterlagen, Kontrollen, die zwar als wirksam gelten, deren Nachweise aber immer dünner werden.
Einzeln betrachtet sind das Details. Gemeinsam und im Zeitverlauf betrachtet, können sie auf einen Bereich hinweisen, in dem das Kontrollsystem schwächer wird. Machine Learning eignet sich besonders gut, um solche Kombinationen zu erkennen, weil es viele Variablen gleichzeitig verarbeitet und Muster aufspürt, die einer manuellen Analyse entgehen würden.
Neben internen Daten lassen sich auch externe Quellen einbeziehen, etwa ablaufende Zertifikate von Lieferanten oder Änderungen im maßgeblichen regulatorischen Umfeld. Wichtig ist, dass jede Quelle verlässlich ist und regelmäßig aktualisiert wird, denn eine Prognose ist nur so gut wie die Daten, auf denen sie beruht.
Schwache Signale im Blick
Die erste Voraussetzung ist Datenqualität. Ein prädiktives Modell, das mit unvollständigen oder widersprüchlichen Daten gespeist wird, liefert ebenso widersprüchliche Prognosen. Bevor von künstlicher Intelligenz die Rede sein kann, muss sichergestellt sein, dass Risiken, Kontrollen, Audits und Vorfälle strukturiert erfasst und miteinander verknüpft sind.
Die zweite Voraussetzung ist Erklärbarkeit. Ein Indikator, der ein steigendes Risiko meldet, ohne zu sagen warum, hilft niemandem bei der Entscheidung. Die nützlichsten Dashboards zeigen, welche Faktoren zur Prognose beigetragen haben, damit die verantwortliche Person beurteilen kann, ob das Signal begründet ist und welche Maßnahme angebracht ist.
Und schließlich braucht es einen Überprüfungskreislauf. Prognosen müssen mit dem tatsächlichen Geschehen abgeglichen werden, und das Modell ist zu überarbeiten, sobald es von der Realität abweicht.
Ein Indikator, der ein Risiko meldet, ohne zu sagen warum, hilft niemandem bei der Entscheidung.
Ein prädiktives Dashboard ist nur dann wertvoll, wenn es zu Entscheidungen führt. Jedes relevante Signal sollte eine Maßnahme auslösen können: eine vertiefte Analyse, ein gezieltes Audit, eine Überprüfung der Kontrolle, einen Maßnahmenplan mit verantwortlicher Person und Frist.
Ebenso wichtig ist es, eine Flut von Warnmeldungen zu vermeiden. Wenn das Dashboard alles meldet, schauen die Menschen nicht mehr hin. Gut kalibrierte Schwellenwerte und eine klare Unterscheidung zwischen informativen Signalen und solchen, die ein Eingreifen erfordern, machen den Unterschied zwischen einem genutzten und einem ignorierten Werkzeug.
Ein guter Weg zur Einführung solcher Werkzeuge ist, sie eine Zeit lang parallel zu den herkömmlichen Bewertungen einzusetzen. Die Risikomanager vergleichen die Signale des Dashboards mit ihrer eigenen Erfahrung, justieren die Schwellenwerte nach und lernen, wann sie den Hinweisen vertrauen können. Dieser Prozess, in dem Mensch und Werkzeug gegenseitiges Vertrauen aufbauen, sollte nicht übersprungen werden.
Das eigentliche Ziel ist nicht ein ausgefeilteres Dashboard, sondern eine widerstandsfähigere Organisation: eine, die früher erkennt, besser reagiert und aus dem Geschehen lernt. Künstliche Intelligenz ist ein Werkzeug im Dienst dieses Ziels, kein Ersatz für das Urteilsvermögen derjenigen, die Risiken steuern.
Regulate führt Risikodaten, Kontrollen, Audits und Vorfälle in einer gemeinsamen Datenbasis zusammen, auf der das Modul AI Decision Support Kennzahlen und Warnmeldungen erstellt, jeweils mit Angabe der Faktoren, die sie ausgelöst haben. Erkannte Probleme werden direkt in geplante und nachverfolgte Korrekturmaßnahmen überführt.
Wer einsteigen möchte, beginnt am besten mit einem begrenzten Bereich, etwa den Korrekturmaßnahmen oder den Lieferanten, wo die Daten bereits strukturiert vorliegen und sich der Nutzen schnell zeigt. Von dort aus lässt sich der Umfang schrittweise erweitern.
Weiterlesen
Intelligente Automatisierung verändert grundlegend, wie Unternehmen ihre täglichen Abläufe steuern. Strategien, um wiederkehrende Aufgaben zu digitalisieren, die Genauigkeit zu erhöhen und Ressourcen freizusetzen.
Wie intelligente Chatbots und interaktives Lernen das Richtlinienmanagement zugänglicher, ansprechender und messbarer machen.
Innovaq befindet sich in der Startphase.