Die modernen Orakel unserer digitalen und vernetzten Zeit heißen Artificial Intelligence (AI), Big Data, Datenanalysen und Predictive Analytics. Datensammler wie Google, Meta, Alibaba und Amazon vermessen die Welt, erstellen Persönlichkeitsprofile und durchforsten blitzschnell riesige Datenmengen auf Muster und Korrelationen, um Voraussagen in Echtzeit zu ermöglichen. Die Methoden der Datenanalyse versprechen einen gezielten Blick in die "Kristallkugel". Davon erhoffen sich Staaten, Forschungseinrichtungen und Wirtschaftsunternehmen exakte Prognosen zukünftiger Entwicklungen, um die Risiken des eigenen Tuns zu minimieren und Chancen des zukünftigen Handelns besser einschätzen zu können.
Im Internet der Dinge sollen nach aktuellen Schätzungen im Jahr 2030 rund um den Globus mehr als 32 Milliarden vernetzte Geräte im Einsatz sein. Bei einer geschätzten Einwohnerzahl von 8,2 Milliarden Menschen entspricht das rund vier "Internet of Things"-Gadgets pro Erdenbewohner. Wenn nun berücksichtigt wird, dass aber erst weniger als ein Prozent aller grundsätzlich vernetzungsfähigen Geräte mit dem Internet verbunden sind, sind die Projektionen von mehr als 80 Milliarden IoT-Devices in den nächsten Jahrzehnten alles andere als utopisch. Und diese Geräte, von der vernetzten Beleuchtung, dem Fitness-Tracker, intelligenter Kleidung (Smart Clothes) über die Kaffeemaschine bis zum Auto, dem Türschloss und den rund eine Milliarde Überwachungskameras weltweit werden permanent Daten generieren, die für Datenanalysen verwendet werden können.
Wie können aus Daten Entscheidungsprozesse optimiert werden?
Doch es sind nicht nur die schieren Datenmengen, die einen Boom im Kontext Artificial Intelligence (AI) und Maschinelles Lernen (ML) hervorgerufen haben. Ein weiterer Treiber liegt in der Miniaturisierung der immer leistungsfähigeren Mikroprozessoren, die heute beispielsweise in jedem Smartphone stecken. Seit dem Jahr 1994 ist die Zahl der Bauelemente auf einem Mikrochip um mindestens den Faktor 10.000 gestiegen und parallel dazu die Rechenleistung. Die stärksten Supercomputer konnten Mitte der 1990er Jahre etwa 100 Milliarden Rechenoperationen pro Sekunde bewältigen – das schafft heute jedes gute Smartphone. Und zugleich sank der Stromverbrauch auf weniger als ein 100.000stel. Gleichzeitig hat jedes Smartphone und jedes Auto eine Vielzahl von Sensoren: Hochauflösende Kameras, Rotations- und Beschleunigungssensoren, Messgeräte für Magnetfelder und Umgebungslicht, Satellitenortung, Fingerabdrucksensoren, Mikrofone und vieles mehr.
Einen Mehrwert aus den Exabytes an Daten wird erst dann generiert, wenn neue Erkenntnisse daraus abgeleitet oder Entscheidungsprozesse optimiert werden. Hier hilft uns die verschieben Methoden aus der Welt von "Data Analytics". So ist beispielsweise eines der größten Probleme bei der Anwendung von AI der Bias, der durch fehlerhafte Daten oder fehlerhafte Analysemethoden entstehen kann. Ein tiefes Verständnis der Data-Analytics-Methoden ermöglicht es uns, potenzielle Bias-Quellen in den Daten zu erkennen und zu korrigieren. Dies ist entscheidend, um sicherzustellen, dass AI-Systeme fair und unvoreingenommen arbeiten. KI-Modelle, besonders solche, die auf komplexen Algorithmen wie Deep Learning basieren, können schwer zu interpretieren sein. Ein solides Verständnis der Datenanalysemethoden hilft dabei, diese Modelle transparenter zu machen und ihre Entscheidungen besser nachvollziehen zu können. Dies ist besonders wichtig in Bereichen, in denen AI-Entscheidungen erhebliche Auswirkungen auf das Leben von Menschen haben können, wie im Gesundheitswesen oder im Finanzsektor. Unternehmen, die die methodischen Grundlagen von Data Analytics verstehen und anwenden, können neue Möglichkeiten zur Nutzung ihrer Daten entdecken und innovative Produkte und Dienstleistungen entwickeln. Dies kann einen erheblichen Wettbewerbsvorteil darstellen.
Data Analytics ist wie das Lösen eines Puzzles
Data Analytics ist wie das Lösen eines Puzzles. Stellen Sie sich vor, Sie haben eine große Menge an Puzzleteilen (Daten) vor sich liegen, und Sie möchten ein klares Bild (Informationen) daraus generieren, um basierend darauf eine Entscheidung zu treffen. Data Analytics unterstützt uns dabei, diese Puzzleteile zu sortieren, zu analysieren und zu kombinieren, um das Bild zu erkennen und zu verstehen.
Datenanalyse umfasst eine Vielzahl von Methoden und Techniken, um große Datenmengen zu untersuchen und Muster, Trends und Zusammenhänge zu erkennen. Diese Methoden beinhalten statistische Analysen, Maschinelles Lernen, Data Mining und Vorhersagemodelle. Im Risikomanagement dient die Datenanalyse dazu, Unsicherheiten zu reduzieren und die Wahrscheinlichkeit von negativen Ereignissen (downside risk) zu minimieren oder die Wahrscheinlichkeit von positiven Ereignissen (upside risk) zu erhöhen.
"Wenn wir qualifizierte Risikomanager und Unternehmensentscheider in einer modernen technologischen Gesellschaft möchten, dann müssen wir ihnen einige Dinge beibringen: Datenkompetenz, Kommunikationsfähigkeiten, psychologische und interkulturelle Kompetenz, Empathie und vor allem statistisches Denken, das heißt einen vernünftigen Umgang mit Risiken und Unsicherheiten."
Risk comes from not knowing what you're doing
So haben wir die Anforderungen in unserem vor wenigen Tagen veröffentlichten Buch "Data Analytics im Risikomanagement" formuliert (Romeike, Frank / Wieczorek, Gabriele (2026): Data Analytics im Risikomanagement – Descriptive Analytics – Diagnostic Analytics – Predictive Analytics, Springer Verlag, Wiesbaden 2026). Ergänzend zu unserem Buch bieten wir das Intensiv-Seminar "Data Analytics und quantitative Methoden im Risikomanagement" an. Mit dem Buch und auch dem Seminar möchten wir einen kleinen Beitrag liefern, dass Menschen mehr über Zukunft verstehen. Von Warren Buffett wird das folgende Zitat überliefert: "Risk comes from not knowing what you're doing".
Wir werden jeden Tag überfrachtet mit einem Tsunami an unnützem Wissen. Die Informationsmenge nimmt jeden Tag mit 2,5 Quintillionen Bytes zu, aber damit eben gerade nicht die Menge an nützlicher Information. So fällt es vielen Menschen immer schwerer, sinnvolle Signale im allgemeinen Rauschen wahrzunehmen. Bezogen auf die Unternehmenswelt ist das Entscheiden und Handeln unter Bedingungen der Unsicherheit alltäglich. Geschäftsführer, Vorstände und auch Politiker müssen tagtäglich mit unsicheren Szenarien umgehen und am Ende des Tages eine Entscheidung treffen.
Und die Welt der Datenanalyse und der Stochastik liefert uns wertvolle Werkzeuge und macht unser Wissen facettenreicher und vielfältiger, aber nicht ungenauer. Hierfür benötigen wir jedoch Kompetenzen im Bereich mathematischer und statistischer Methoden.
Data Analytics eröffnet neue Perspektiven, verborgene Zusammenhänge zu erkennen, fundierte Entscheidungen zu treffen und komplexe Entwicklungen in einer datengetriebenen Welt verständlich zu machen – und genau darin liegt ihre Faszination und Relevanz. Machen wir uns gemeinsam auf die Reise …
