Erweiterung des Machine Learning-gestützten Risikocontrollings mit Synthetic Control

Zusammenfassung

• Unternehmen müssen sich aufgrund der Digitalisierung mit neuen Chancen und Risiken auseinander setzen, weshalb ein angepasstes Risikocontrolling von Bedeutung ist.
• Der Einsatz von Machine Learning und Synthetic Control kann dazu beitragen, das Risikocontrolling zu verbessern. Dies führt zu einer erhöhten Sicherheit und erfolgreichen Umsetzung der digitalen Strategie von Unternehmen.

• Die Kombination dieser Technologien, basierend auf einer soliden Datengrundlage, bietet eine vielversprechende Möglichkeit, die finanzielle Stabilität von Unternehmen zu sichern.

  In diesem Beitrag soll gezeigt werden, wie sich das Risikocontrolling mithilfe von Machine Learning und Synthetic Control verbessern lässt und welche Vorteile diese Methoden bieten.

1 Risikocontrolling als Teil der digitalen Strategie

Risikocontrolling ist ein wichtiges Instrument in vielen Unternehmen, um sich vor möglichen Schäden und Verlusten zu schützen. In der Vergangenheit wurde dies hauptsächlich mithilfe von manuellen Analysen und Prognosen durchgeführt. Doch in Zeiten der Digitalisierung gibt es Möglichkeiten, Risikocontrolling durch den Einsatz von Machine Learning zu verbessern. Insbesondere das Konzept des Synthetic Control kann in diesem Zusammenhang eine wertvolle Unterstützung sein. In diesem Beitrag soll gezeigt werden, wie sich das Risikocontrolling mithilfe von Machine Learning und Synthetic Control verbessern lässt und welche Vorteile diese Methoden bieten.

Risikocontrolling ist für die Umsetzung einer digitalen Strategie von Unternehmen besonders wichtig, da die Digitalisierung viele neue Chancen und Risiken mit sich bringt. Zum einen können Unternehmen durch den Einsatz digitaler Technologien ihre Prozesse optimieren und damit ihre Wettbewerbsfähigkeit erhöhen.^[1]

Zum anderen können aber auch neue Risiken entstehen, z. B. durch Cyber-Angriffe oder die Abhängigkeit von bestimmten technologischen Plattformen. Deshalb ist es wichtig, dass Unternehmen ein Risikocontrolling etablieren, das auf die spezifischen Bedürfnisse und Herausforderungen im digitalen Bereich abgestimmt ist. Mithilfe von Machine Learning und insbesondere Synthetic Control können Unternehmen ihr Risikocontrolling verbessern und damit ihre digitale Strategie sicherer und erfolgreicher gestalten.

[1] Vgl. Loth 2021a, S. 3 ff.

2 Voraussetzungen zur Verbesserung des Risikocontrollings

Um das Risikocontrolling noch weiter zu verbessern, gibt es verschiedene mögliche nächste Schritte, die Unternehmen in Betracht ziehen könnten:

• Datenstrategie: Eine solide Datenstrategie ist entscheidend für den Erfolg von Machine Learning und Synthetic Control im Risikocontrolling.^[1] Denn um mögliche Risiken frühzeitig zu erkennen und zu bewerten, benötigen Unternehmen umfangreiche und relevante Daten. Diese können z. B. aus internen Quellen wie Unternehmens- oder Kundendaten stammen, aber auch aus externen Quellen wie Branchenstudien oder Marktforschungsergebnissen. Deshalb ist es wichtig, dass Unternehmen eine Datenstrategie entwickeln, welche die Sammlung, Analyse und Nutzung von Daten in Bezug auf das Risiko-Controlling regelt. Dies kann z. B. die Einrichtung von Datenbanken oder die Zusammenarbeit mit externen Dienstleistern beinhalten. Eine solche Datenstrategie ist notwendig, um sicherzustellen, dass das Risikocontrolling auf einer soliden und aussagekräftigen Datengrundlage beruht und damit effektiv ist.
• Machine Learning-Methoden: Es gibt verschiedene Machine Learning-Methoden, die sich für das Risikocontrolling eignen, wie z. B. Classification, Regression, Clustering oder Decision Trees. Unternehmen sollten sich überlegen, welche Methoden für ihre Anwendungsbereiche am besten geeignet sind und diese entsprechend anwenden.
• Synthetic Control-Anwendungen: Unternehmen können Synthetic Control in verschiedenen Bereichen einsetzen, z. B. bei der Risikobewertung von Krediten, Investitionen oder anderen Entscheidungen. Sie sollten sich überlegen, welche Anwendungsbereiche für sie am relevantesten sind und wie sie Synthetic Control dort einsetzen können.
• Integration von externen Daten: Um das Risikocontrolling noch weiter zu verbessern, können Unternehmen auch darüber nachdenken, externe Datenquellen in ihre Analyse einzubeziehen, z. B. öffentliche Daten, Daten von anderen Unternehmen oder von sozialen Medien. Dies kann dazu beitragen, das Risiko noch genauer zu prognostizieren und damit das finanzielle Risiko für das Unternehmen weiter zu minimieren.

[1] Vgl. Loth 2017, S. 75 ff.

3 Anwendung von Synthetic Control

Synthetic Control ist eine Methode, die in der Kausalanalyse verwendet wird und es ermöglicht, die Ergebnisse einer Treatment-Gruppe mit einer synthetischen Kontrollgruppe zu vergleichen, die auf der Grundlage einer Kombination von Kontrollgruppen konstruiert wird, die der Behandlungsgruppe in bestimmter Hinsicht ähnlich sind.^[1] Synthetic Control kann zur Bewertung der Wirksamkeit von Maßnahmen, Strategien oder anderen Arten von "Treatments" verwendet werden, indem die Ergebnisse in der Treatment-Gruppe mit dem verglichen werden, was ohne das Treatment geschehen wäre (wie von der synthetischen Kontrollgruppe geschätzt).

Hinwe...