Skip to main content
Registrieren
Springer Professional
SUCHE
MENÜ 1 2 3 4
nach oben

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

Erschienen in:
Einführung in das Reporting von Risikodaten Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

2. Technologische und konzeptionelle Ansätze zur Analyse und zum Reporting von Risikodaten in Kreditinstituten

verfasst von : Uwe Rudolf Fingerlos, Guido Golla, Alexander Pastwa, Peter Gluchowski, Roland Gabriel

Erschienen in: Risikoreporting in Finanzinstituten

Verlag: Springer Fachmedien Wiesbaden

Einloggen, um Zugang zu erhalten
share
TEILEN

Zusammenfassung

Die Basis für ein tragfähiges Konzept zur Analyse und zum Reporting von Risikodaten in Kreditinstituten bilden die eingesetzten IT-Systeme und deren Zusammenspiel. Dabei erweisen sich heutige IT-Landschaften oftmals als unüberschaubares Geflecht von miteinander verwobenen Einzelkomponenten einschließlich der zugehörigen Schnittstellen. Auch eine Einengung der Betrachtung auf die Bausteine zur Analyse und für das Reporting vermindert die Komplexität nur marginal.

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt 90 Tage mit der neuen Mini-Lizenz testen!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko





Jetzt 90 Tage mit der neuen Mini-Lizenz testen!

Jetzt informieren
Vorheriges Kapitel Einführung in das Reporting von Risikodaten
Nächstes Kapitel Prototypische Umsetzung einer BI-basierten Reporting-Anwendung und eines Prüfungsansatzes
Literatur
Agresti, A. (2013): Categorical Data Anlaysis, 3. Aufl., John Wiley & Sons, Hoboken.
Alexander, C. (2008): Market Risk Analysis Volume I: Quantitative Methods in Finance, John Wiley & Sons, Chichester.
Allison, P. D. (2012): Logistic Regression Using SAS – Theory and Application, 2. Aufl., SAS Institute, Cary.
Apel, D.; Behme, W. (2010): Datenintegration – Ein Prozess zur Verbesserung der Datenqualität, in: Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme, 4. Aufl., Springer, Berlin, Heidelberg, S. 115–130.
Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R. (2016): Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 14. Aufl., Springer Gabler, Heidelberg.
Backhaus, K.; Erichson, B.; Weiber, R. (2015): Fortgeschrittene Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 3. Aufl., Springer Gabler, Heidelberg.
Baesens, B.; Rösch, D.; Scheule, H. (2016): Credit Risk Analytics: Measurement Techniques, Applications, and Examples in SAS, Wiley, Hoboken.
Bankhofer U. (2004): Data Mining und seine betriebswirtschaftliche Relevanz. In: Betriebswirtschaftliche Forschung und Praxis (BFuP), Heft 4, S. 395–412.
Benz, A.; Lütz, S.; Schimank, U.; Simonis, G. (2007): Handbuch Governance, VS Verlag für Sozialwissenschaften, Wiesbaden.
Bissantz, N.; Hagedorn, J. (1993): Data Mining (Datenmustererkennung), in: Wirtschaftsinformatik, 35, S. 481–487.
Bleymüller, J.; Weißbach, R. (2015): Statistik für Wirtschaftswissenschaftler, 17. Aufl., Vahlen, München.
Blochwitz, S.; Hohl, S. (2011): Validation of Banks’ Internal Rating Systems: A Supervisory Perspective, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 247–267.
Blochwitz, S.; Martin, M. R. W.; Wehn, C. S. (2011): Statistical Approaches to PD Validation, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 293–309.
Bloemen, J.; Stauffer, H. (2014): Datenstrategie im Wandel – Erweiterte Ansätze der Entscheidungsfindung im Unternehmen, Vortrag auf der TDWI-Jahrestagung 2014, München, 24.6.2014.
Bortz, J.; Schuster, C. (2010): Statistik für Human- und Sozialwissenschaftler, 7. Aufl., Springer, Berlin.
Brecht, U. (2012): BWL für Führungskräfte. Was Entscheider im Unternehmen wissen müssen, 2. Aufl., Springer Gabler, Wiesbaden.
Castermans, G.; Martens, D.; Van Gestel, B.; Hamers, B.; Baesens, B. (2010): An overview and framework for PD backtesting and benchmarking, in: Journal of the Operational Research Society 61, S. 359–373.
Chamoni, P.; Beekmann, F.; Bley, T. (2010): Ausgewählte Verfahren des Data Mining, in: Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme, Springer, Heidelberg, S. 329–356.
Crawley, M. J. (2013): The R Book, 2. Aufl., Wiley & Sons, Chichester.
Devlin, B.; Murphy, P. T. (1988). An architecture for a business and information system, IBM Systems Journal, 27 (1), S. 60–80.
Diekmann, J.; Bresbak, U. (2016): Quo Vadis, Data Warehouse?, in: BI-Spektrum, 1101/2016, S. 30–33.
Dittmar, C.; Felden, C.; Finger, R.; Scheuch, R.; Tams, L. (2016): Big Data – Ein Überblick, d-punkt, Heidelberg.
Eaton, C.; Deroos, D.; Deutsch, T.; Lapis, G.; Zikopoulos, P. (2012): Understanding Big Data, Analytics for Enterprise Class Hadoop and Streaming Data, Mcgraw-Hill, New York.
Eckerson, W.; Hammond, M. (2011): Visual Reporting and Analysis, TDWI Best Practice Report, Eigenverlag, Renton.
Efron, B.; Hastie, T. (2016): Computer Age Statistical Inference – Algorithms, Evidence, and Data Science, Corrected Printing November 10, 2017, Cambridge University Press, Cambridge.
Eid, M.; Gollwitzer, M.; Schmitt, M. (2017): Statistik und Forschungsmethoden, 5. Aufl., Beltz, Weinheim.
EMC (2015): Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data, John Wiley & Sons, Indianapolis.
Engelmann, B. (2011): Measures of a Rating’s Discriminative Power: Applications and Limitations, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 269–291.
Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P. (1996): From Data Mining to Knowledge Discovery in Databases, in: AI Magazine 17 (3), S. 37–54.
Few, S. (2006): Information Dashboard Design. The effective visual communication of data, O’Reilly Media, Sebastopol.
Field, A.; Miles, J.; Field, Z. (2012): Discovering Statistics Using R, Sage Publications, London.
Fingerlos, U. R.; Golla, G.; Pastwa, A. (2016): Risk Analytics im Bankenumfeld, in: BI-Spektrum 05/2016, S. 36–40.
Gansor, T.; Totok, A. (2015): Von der Strategie zum Business Intelligence Competence Center (BICC), 2. Aufl., d-punkt, Heidelberg.
Gluchowski, P. (2001): Business Intelligence. Konzepte, Technologien und Einsatzbereiche, in: HMD – Theorie und Praxis der Wirtschaftsinformatik, 38. Jg., Heft 222, Dezember 2001, S. 5–15.
Gluchowski, P.; Gabriel, R.; Dittmar, C. (2008): Management Support Systeme und Business Intelligence, 2. Aufl., Springer, Berlin.
Gluchowski, P.; Kemper H.-G. (2006): Quo Vadis Business Intelligence? Aktuelle Konzepte und Entwicklungstrends, in: BI-Spektrum, 01/2006, S. 12–19.
Gower, B. (1997): Scientific Method: An Historical and Philosophical Introduction, Routledge, London.
Greene, W. H. (2012): Econometric Analysis, 7. Aufl., Pearson Education, Boston.
Hahn D.; Laßmann G. (1986): Produktionswirtschaft – Controlling industrieller Produktion, Band 1 und 2, Physika, Heidelberg.
Halper, F. (2014): Predictive Analytics for Business Advantage, TDWI Report, Eigenverlag, Renton.
Hardt, F.; Lenzhölzer, C. (2017): Wie Lakes, Labs und Governance das DWH beeinflussen, in: BI-Spektrum 03/2017, S. 22–26.
Hastie, T.; Tibshirani, R.; Friedman, J. (2009): The Elements of Statistical Learning – Data Mining, Inference, and Prediction, 2. Aufl., Springer, New York.
Hill, R. C.; Griffiths, W. E.; Lim, G. C. (2018): Principles of Econometrics, 5. Aufl., Wiley, Hoboken.
Horvath, P. (2006): Controlling, 10. Aufl., Vahlen, München.
Hungenberg, H.; Wulf, T. (2011): Grundlagen der Unternehmensführung. Einführung für Bachelorstudierende, Springer, Berlin.
Imhoff, C.; White, C. (2011): Self-Service Business Intelligence, Empowering Users to generate Insight, TDWI Best Practice Report, Eigenverlag, Renton.
Inmon, W. H. (2002): Building the Data Warehouse, 3. Aufl., John Wiley & Sons, New York.
James, G.; Witten, D.; Hastie, T.; Tibshirani, R. (2013): An Introduction to Statistical Learning with Applications in R, Springer, New York.
Kemper, H.-G.; Mehanna, W.; Unger, C. (2004): Business Intelligence – Grundlagen und praktische Anwendung, Vieweg, Wiesbaden.
Kemper, H.-G.; Finger, R (2016): Transformation operativer Daten – Konzeptionelle Überlegungen zur Filterung, Harmonisierung, Aggregation und Anreicherung im Data Warehouse (DWH), in: Chamoni, P.: Gluchowski, P. (Hrsg.): Analytische Informationssysteme, 5. Aufl., Springer, Berlin, S. 129–145.
Kennedy, P. (2008): A Guide to Econometrics. 6. Aufl., Blackwell Publishing, Malden.
Khatri, V.; Brown, C. V. (2010): Designing Data Governance, in: Communications of the ACM, 53 (1), S. 148–152.
Klein, D.; Phuoc T.; Hartmann, M. (2013): Big Data, in: Informatik Spektrum, 36 (3), S. 319–323.
Krämer, W.; Schoffer, O.; Tschiersch, L. (2014): Datenanalyse mit SAS: Statistische Verfahren und ihre grafischen Aspekte, 3. Aufl., Springer Gabler, Heidelberg.
Kröhnert, J. (2016): Lösungsarchitektur für das Internet of Things. Mit Lambda zum intelligenten Unternehmen, in: BI-Spektrum, 02/2016, S. 18–20.
Kromer, M. (2015): Modern Hybrid Big Data Warehouse Architectures, in: Business Intelligence Journal, 19 (4), S. 48–55.
Küpper, H.-U. (2005): Controlling. Konzeption, Aufgaben und Instrumente, 4. Aufl., Schäffer Poeschel, Stuttgart.
Küsters, U. (2001): Data Mining Methoden: Einordnung und Überblick, in: Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K. D. (Hrsg.): Handbuch Data Mining im Marketing: knowledge discovery in marketing databases, Vieweg, Wiesbaden, S. 95–130.
Kutner, M. H.; Nachtsheim, C. J.; Neter, J.; Li, W. (2005): Applied Linear Statistical Models, 5. Aufl., McGraw-Hill Irwin, Boston.
Ladley, J. (2012): Data governance. How to design deploy and sustain an effective data governance program, Morgan Kaufmann, o. O.
Larose, D. T.; Larose, C. D. (2015): Data Mining and Predictive Analytics, 2. Aufl., John Wiley & Sons, Hoboken.
Lessmann, S.; Baesens, B.; Seow, H.-V.; Thomas, L.C. (2015): Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research, in: European Journal of Operational Research 247, S. 124–136.
Lusti, M. (2002): Data Warehousing und Data Mining, 2. Aufl., Springer, Berlin.
Marz, N.; Warren, J. (2015): Big Data – Principles and best practices of scalable real-time data systems, Manning, Shelter Island, NY.
Meyer, M. (2002): Einsatz von Klassifikation und Prognose im Web Mining, in: Hippner H., Merzenich M., Wilde K. (Hrsg.): Handbuch Web Mining im Marketing: Konzepte, Systeme, Fallstudien, Vieweg, Braunschweig, S. 192–216.
Miller, M. B. (2014): Mathematics and Statistics for Financial Risk Management, 2. Aufl., John Wiley & Sons, Hoboken.
Mosley, M.; Brackett, M. H.; Earley, S.; Henderson, D. (2009): The DAMA guide to the data management body of knowledge (DAMA-DMBOK guide), Technics Publications, Bradley Beach.
Mucksch, H. (2006): Das Data Warehouse als Datenbasis analytischer Informationssysteme: Architektur und Komponenten, in: Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme. Business Intelligence-Technologien und -Anwendungen, 3. Aufl., Springer, Berlin Heidelberg, S. 130–140.
Müller, A. C.; Guido, S. (2017): Introduction to Machine Learning with Python – A Guide for Data Scientists, O’Reilly, Boston.
Niakšu, O. (2015): CRISP Data Mining Methodology Extension for Medical Domain, in: Baltic Journal of Modern Computing 3 (2), S. 92–109.
Russom, P. (2013): Managing Big Data, TDWI Best Practice Report, Eigenverlag, Renton.
Schäfer, R.; Goetze, D. (2016): Integration von Data Lakes in BI-Landschaften, DW-Konferenz 2016, Regensdorf/Zürich, 22.11.16.
Schulze, K.-D.; Dittmar, C.; Ballerstedt, D. (2016): Auf dem Weg zur Data Driven Company – Wie die fortschreitende Digitalisierung die klassische BI verändert, Vortrag auf der TDWI-Jahreskonferenz, München, 21.06.2016.
Seiler, F. A.; Alvarez, J. L. (1994): The Scientific Method in Risk Assessment, in: Journal of The Franklin Institute 331A, S. 53–58.
Shearer, C. (2000): The CRISP-DM Model: The New Blueprint for Data Mining, in: Journal of Data Warehousing 5 (4), S. 13–22.
Varian, H. R. (2014): Big Data: New Tricks for Econometrics, Journal of Economic Perspectives 28 (2), S. 3–28.
Verbeek, M. (2012): A Guide to Modern Econometrics, 4. Aufl., John Wiley & Sons, Chichester.
Von Auer, L. (2016): Ökonometrie – Eine Einführung, 7. Aufl., Springer Gabler, Berlin.
Weber, K.; Otto, B.; Österle, H. (2009): Data Governance: Organisationskonzept für das konzernweite Datenqualitätsmanagement, in: Wirtschaftsinformatik Proceedings 2009 (61), S. 589–598.
Weill, P.; Ross, J. W. (2004): IT Governance – How Top Performers Manage IT Decision Rights for Superior Results, Harvard Business Review Press, Harvard.
Witten, I. H.; Frank, E.; Hall, M. A. (2011): Data Mining – Practical Machine Learning Tools and Techniques, Morgan Kaufmann, Burlington.
Wooldridge, J. M. (2016): Introductory Econometrics – A Modern Approach. 6. Aufl., Cengage Learning, Boston.
Metadaten
Titel
Technologische und konzeptionelle Ansätze zur Analyse und zum Reporting von Risikodaten in Kreditinstituten
verfasst von
Uwe Rudolf Fingerlos
Guido Golla
Alexander Pastwa
Peter Gluchowski
Roland Gabriel
Copyright-Jahr
2020
Buch
Risikoreporting in Finanzinstituten

Print ISBN: 978-3-658-28439-8

Electronic ISBN: 978-3-658-28440-4

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-658-28440-4_2