Data Analytics im Risikomanagement

Frank Romeike ist Geschäftsführer und Eigentümer des Kompetenzportals RiskNET und zählt international zu den führenden Experten für Risiko- und Chancenmanagement. Die von ihm gegründete Risk Academy hat weltweit rund 30.000 Risikomanager ausgebildet bzw. gecoacht. Er engagiert sich in der akademischen Lehre an Hochschulen im In- und Ausland.Prof. Dr. Gabriele Wieczorek ist Mathematikerin und Professorin mit dem Lehrgebiet Industrielle Statistik und Wahrscheinlichkeitstheorie an der Hochschule Hamm-Lippstadt. Ihre Forschung zum Risikomanagement umfasst u. a. die nicht-frequentistischen Methoden zur Risikomodellierung sowie die Anwendung von Künstlicher Intelligenz im Risikomanagement.

• 1. Einführung.- 1.1 Einführungsbeispiel: Auf der Suche nach der Weltformel.- 1.2 Data Analytics als Teil des "Knowledge Discovery Process Model".- 1.3 Abgrenzung von Begriffen (Data Analytics, Business Analytics, Data Mining, Big Data, Artificial Intelligence, Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics, Supervised und Unsupervised Learning, Algorithmus etc.).- 1.4 Artificial Intelligence versus Künstliche Intelligenz.- 1.5 Menschliche Intelligenz versus Algorithmen.- 1.6 Von Descriptive Analytics bis Prescriptive Analytics.- 2. Daten als Ausgangspunkt.- 2.1 Datenkompetent (data literacy), Methodenkompetenz (statistical literacy) und Informationskompetenz (information literacy).- 2.2 Datenquellen, Datenqualität, Datentypen.- 2.3 Datenaufbereitung, fehlende Daten, Ausreißer, Datentransformation.- 2.4 Bedeutung der Stichprobengröße und mögliche Lösungsansätze.- 2.5 Data Governance als Grundlage für Datenqualität und Zuverlässigkeit.- 3. Descriptive Analytics/ Datenvisualisierung.- 3.1Einführung in die deskriptive Statistik.- 3.2 Datenvisualisierung für eine Variable.- 3.3Statistische Maßzahlen zur eindimensionalen Datenbeschreibung.- 3.4 Exploration des Zusammenhangs von mehreren Variablen.- 3.5 Anwendungsbeispiele in R.- 4. Fortgeschrittene deskriptive und erklärende Analyse.- (Diagnostic Analytics).- 4.1 Regressionsanalyse.- 4.2 Klassifikationsverfahren.- 4.3Clusteranalyse.- 4.4 Assoziationsanalyse: Exploration struktureller Zusammenhänge.- 4.5 Zeitreihenanalyse.- 4.6 Anwendungsbeispiele in R.- 5. Predictive Analytics: Ein Blick in die Zukunft.- 5.1 Kurze Geschichte der Zukunft.- 5.2 Prädiktive Modellierung als Grundlage.- 5.3Einführung in die Bayessche Statistik.- 5.4 Bayessche Netze.- 5.5 Künstliche Intelligenz und Big Data.- 5.6 Maschinelles Lernen.- 5.7 Evaluierung von prädiktiven Modellen.- 5.8Anwendungsbeispiele in R.- 6. Data Analytics im Risikomanagement.- 6.1Bedeutung und Potenziale von Data Analytics im Risikomanagement.- 6.2 Prescriptive Analytics im Risikomanagement.- 6.3 Artificial Intelligence im Risikomanagement.- 6.4 Modellrisiken.- 6.5Anwendungsbeispiele in R.