Hohe Datenqualität sorgt für höhere Liquidität

Hohe Datenqualität sorgt für höhere Liquidität Johannes Ritter, Partner bei Solution Matrix Der Wettbewerb im Bankenmarkt ist intensiv wie nie zuvor. Ausgetragen wird er nicht nur auf dem Feld von Marketing, Vertrieb oder Produktentwicklung: Auch die Qualität der Methoden und IT-Werkzeuge für die Risikosteuerung entscheidet über die Wettbewerbsfähigkeit eines Finanzinstituts. Nur wer in der Lage ist, sei- ne Risikoexposition für jeden einzelnen Kunden und jedes einzelne Produkt exakt, nachvollziehbar und zuverlässig zu kalkulieren, kann die richtigen Entscheidun- gen etwa zu Kreditvergabe, Risikomix oder Zinssätzen fällen. Zugleich ist eine maximale Transparenz der Risiken die Voraussetzung für eine optimale Kalkula- tion der Eigenmittelunterlegung, wie sie von den Aufsichtsbehörden vorgeschrie- ben ist. Für jedes Kreditengagement müssen Banken eine Sicherheit von bis zu acht Prozent der Kreditsumme hinterlegen. Banken haben jedoch ein Interesse daran, dass diese Eigenmittelunterlegung (EMU = Regulatory Capital) so gering wie möglich ausfällt, da sie große Mengen an Liquidität bindet. Wichtigstes Arbeitsmaterial für Risikomanager sind Daten – Daten beispielsweise zu den Kunden, ihrer Historie, ihrer Bonität, ihrem soziodemografischem Hinter- grund, zu Marktentwicklungen oder auch zu operationellen Rahmenbedingungen. Diese Daten stammen aus den operativen Systemen der Bank – etwa einem Ra- tingsystem, in dem ein Filialmitarbeiter bei der Kreditvergabe die nötigen Infor- mationen erfasst. Aus diesen operativen Anwendungen werden die Daten an Re- portingsysteme übertragen, wo sie dann für zentrale Risikoanalysen zur Verfü- gung stehen oder zu Berichten für die Aufsichtsbehörden zusammengefasst wer- den. Allerdings ist in vielen Banken über einen langen Zeitraum hinweg ein „Flicken- teppich“ aus eigenentwickelten und zugekauften Anwendungen und Systemen gewachsen, der eine denkbar schlechte Voraussetzung für Datenkonsistenz, schnelle Zugriffe und Flexibilität bei Analyse und Reporting bildet – denn gerade Seite 1 von 5 bei Finanzdienstleistern ist der Anteil der eingesetzten Standardsoftware kleiner, respektive der Anteil der eigenständig entwickelten Individualsoftware größer als in den meisten anderen Branchen. Fusionen und Übernahmen, bei denen in der Regel zwei heterogene IT-Welten zusammengeführt werden müssen, tragen zu- sätzlich zur Komplexität dieser Infrastruktur bei. Werden die Daten von den operativen Anwendungen an die Reportingsysteme übergeben, kommt es zu einer Art Systembruch: Zwar sind die Ausgangsdaten korrekt, doch müssen diese vom Zielsystem nicht unbedingt auch richtig wieder- gegeben werden. Zudem kommt es regelmäßig vor, dass die operativen Lösungen mit unterschiedlichen Formaten und Definitionen arbeiten. Häufig entstehen dabei Inkonsistenzen, die in der Ursache eigentlich ganz banal sind, aber schwerwie- gende Folgen haben können – etwa wenn die gleichen Kundengruppen in ver- schiedenen Systemen unterschiedlich kodiert werden. Auch die manuelle Erfas- sung der Informationen durch die Mitarbeiter führt oft zu Fehlern. Schon eine „0“ zu viel in den Ausgangsdaten beim Jahresgehalt eines Kreditantragstellers, und schon kommt das Scoring zu Ergebnissen, die der realen Risikoexposition in keinster Weise gerecht werden. Ein Beispiel: Eine Bank hat mithilfe eines Datenqualitätschecks herausgefunden, dass sie über Jahre hinweg die Rechtsform vieler ihrer Unternehmenskunden falsch erfasst hatte. So kam es vor, dass erfolgreiche Mittelständler seit dreißig Jahren als „GmbH in Gründung“ geführt wurden. Die Bonität von Unternehmen dieser Rechtsform ist sehr schlecht, da sie nur mit ihrem Eigenkapital haften und oft ihren fünften Geburtstag nicht mehr erleben. Die Ratingklasse dieser Kunden war daher sehr niedrig, was zu einer Überbesicherung des Kreditengagements führte. Die Bank konnte ihre EMU durch Behebung dieses Fehlers signifikant reduzieren und somit ihre Liquidität steigern. Allerdings können Datenfehler und -inkonsistenzen auch dazu führen, dass weni- ger Kapital gebunden wird als eigentlich vorgeschrieben, wie dieses Beispiel zeigt: Eine andere Bank hat die Umsätze einiger ihrer Kunden in absoluten Zahlen statt in Tausender-Einheiten verbucht. Also eine Abweichung um den Faktor Tau- send, statt einer Millionen Euro Umsatz wurde eine Milliarde Euro als Umsatz Seite 2 von 5 erfasst. Deshalb wurde die Ausfallwahrscheinlichkeit eines Kredits (Probability of Default, PD) viel zu niedrig angesetzt. Entsprechend gering fiel die Eigenmittel- unterlegung aus. Eine Korrektur hätte nicht nur interne Kosten verursacht, son- dern auch eine Erhöhung der EMU um 20 Millionen Euro zur Folge gehabt. Diese Beispiele zeigen: Mangelnde Datenqualität kann erheblichen Einfluss auf die Höhe des zu hinterlegenden Eigenkapitals und somit auf die Liquidität haben – im Positiven wie im Negativen. Deshalb empfiehlt sich zunächst einmal eine detaillierte Analyse der Qualität der risikorelevanten Daten, bei der zwei Fragen im Mittelpunkt stehen sollten: Wo lässt die Qualität zu wünschen übrig? Und wie wirkt sich dies auf die Berechnung der EMU aus? Aus den Antworten auf diese Fragen lässt sich dann ableiten, wo die Banken ansetzen müssen, um die Daten- qualität so zu verbessern, dass die Eigenmittel im Sinne der Finanzinstitute opti- mal kalkuliert werden. Mit der nötigen Erfahrung und dem entsprechenden Know- how können die Auswirkungen gezielter Maßnahmen zur Verbesserung der Da- tenqualität auf die EMU in Euro und Cent beziffert werden; die Banken erkennen so, wo ihr Engagement für die Datenqualität maximale Wirkung entfaltet. Doch wie können Banken konkret vorgehen, um Inkonsistenzen, Fehler und Wi- dersprüche innerhalb ihrer Daten zu erkennen und zu beseitigen, um so ihre Li- quidität zu erhöhen? Hier ist der Einsatz von IT-Lösungen zur Sicherung der Da- tenqualität sinnvoll. Um Klienten bestmöglich beraten zu können und um einen Überblick über die Unterschiede der mannigfaltigen IT-Lösungen zu erhalten, hat das Unternehmen Solution Matrix Erfahrungen mit Systemen der verschiedensten Anbieter gesam- melt und hierbei Kosten, Nutzen und Risiken bewertet. Ein zentraler Maßstab dieser Evaluation war die Vollständigkeit und der Abdeckungsgrad der techni- schen Lösung. Um Banken wertorientiert zu steuern, sind folgende Lösungskom- ponenten notwendig: Ein ETL-Werkzeug, um auf operative Systeme zuzugreifen und verschiedene Reportingsysteme zusammenzuführen; ein bankenspezifisches Datenmodell, das Entitäten für alle Asset Classes (Firmen- und Konsumentenkre- dite, Anleihen etc.) abbildet; ein Instrument für die Bereinigung der Daten; ein Werkzeug für die Monte-Carlo-Simulation, mit dem sich die Auswirkungen der Seite 3 von 5 Datenqualitätsverbesserung auf das Unternehmensergebnis vorhersagen lässt; sowie ein Management-Dashboard für die Darstellung der Daten. Zudem sind gute Serviceangebote der Softwarelieferanten unabdingbar. Sind Anbieter gezwungen, Fremdprodukte zu integrieren, um mit einer vollstän- digen Lösung auf dem Markt präsent zu sein, steigt das Implementierungsrisiko deutlich. Zudem liegen die Total Cost of Ownership höher. Der höchste Return on Investment (ROI) konnte mit der Lösung des Business-Intelligence-Anbieters SAS erzielt werden – auch deswegen, weil SAS als einziger Anbieter alle Kom- ponenten aus einer Hand liefern kann. So ergänzen diese Lösungen zum Beispiel den Prozess der Extraktion, Transformation und des Ladens der Daten aus den operativen Systemen (die so genannte Datenintegration) um eine Prüf- und Berei- nigungskomponente. Wie TÜV-Kontrolleur und Automechaniker in Personaluni- on achten die Lösungen darauf, dass keine fehlerhaften Daten übertragen werden, und kümmern sich zugleich um die „Reparatur“ der Daten. Duplikate und falsche Daten werden gelöscht, Redundanzen beseitigt, unterschiedliche Darstellungen gleichartiger Informationen standardisiert. All dies erfolgt nach detaillierten be- triebswirtschaftlichen Regeln, die von den Verantwortlichen vorab festgelegt wer- den. Im oben genannten ersten Beispiel wäre es möglich, eine Regel zu definieren, nach der die Rechtsform von GmbHs in Gründung jedes Quartal überprüft wird. Davon profitiert die Bank in zweifacher Hinsicht: Zum einen verhindert sie, dass die EMU zu hoch angesetzt wird. Zum anderen verbessert sie die Datenqualität in den operativen Systemen, da auch dort die Rechtsform korrigiert wird. Allerdings hat eine Verbesserung der Datenqualität nicht automatisch die Verbes- serung der Kennzahlen und somit der EMU zur Folge. Um die Auswirkung der Datenqualität auf die Kennzahlen zu bewerten, ist es zunächst wichtig festzustel- len, wie sich die Datenqualität der verschiedenen Kennzahlen bewerten lässt. So bemisst sich die Datenqualität der Kennzahlen Exposure at Default (EAD, erwar- tete Kreditinanspruchnahme zum Zeitpunkt des Ausfalls), Loss given Default (LGD, erwartete Verlustrate bei Ausfall) und Probability of Default (PD, Wahr- scheinlichkeit des Ausfalls) durch deren Konsistenz, Vollständigkeit und Korrekt- Seite 4 von 5 heit. Um dann zu erkennen, welche Auswirkungen die Verbesserung der Daten- qualität auf die verschiedenen Kennzahlen hat, müssen die Auswirkungen mittels einer Bewertungsskala evaluiert werden. Dazu empfiehlt es sich, die eigenen Ex- perten der Bank zu befragen. Da sich Zusammenhänge (etwa: „Wie wirkt sich eine Verbesserung der Datenqualität auf die PD aus?“ nicht punktgenau darstellen lassen, bieten sich Intervallschätzungen an; die Befragten geben einen Minimal-, einen Maximal- und einen wahrscheinlichsten Wert an. Diese Ergebnisse werden dann in das Finanzmodell übernommen, mit dem die EMU berechnet wird.