KurzbeitragMachine Learning in der Steuerung
47 KPIs – und kein einziger mit belegtem Einfluss auf Ihr Ergebnis?
Alle Kennzahlen werden gemessen und berichtet. Welche davon die strategischen Oberziele tatsächlich bewegen, wird meist vermutet. Machine Learning kann es zeigen.
Christian BerdingInformatiker und Betriebswirt · Prokurist- 4 Min. Lesezeit
Zusammenfassung
In vielen Banken gibt es klare strategische Ziele wie Eigenkapitalrendite, NPL-Quote und Cost-Income-Ratio und dazu Dutzende operative Kennzahlen. Welche Kennzahlen die Ziele wirklich beeinflussen, wird meist nur vermutet. Der Artikel schlägt eine Treiberanalyse mit Machine Learning vor: Gradient Boosting und SHAP helfen, Hypothesen zu bilden. Verfahren wie Double Machine Learning oder Causal Forests helfen, diese Hypothesen zu prüfen. Die fachliche Bewertung bleibt beim Menschen.
Kernaussagen
- Der Zusammenhang zwischen Zielen und operativen Kennzahlen beruht oft auf Annahmen statt auf Daten.
- SHAP zeigt, wie stark einzelne Faktoren wirken, aber nicht, ob sie die Ursache sind.
- Belastbar wird das Ergebnis erst durch zusätzliche Prüfung und fachliche Bewertung.
- Die größten Hürden sind Datenqualität und Akzeptanz, nicht der Algorithmus.
In Banken zeigt sich häufig das gleiche Muster: Die Strategie definiert klare Oberziele – RoE steigern, NPL-Quote senken, CIR verbessern. Dann operationalisiert jeder Bereich seine Ziele. Am Ende stehen 47 KPIs in der Balanced Scorecard. Alle werden gemessen. Alle werden berichtet.
Aber welche davon bewegen tatsächlich die strategischen Oberziele? Die ehrliche Antwort in vielen Häusern: Es wird vermutet. Belegt ist es selten.
Das Problem: Die mathematische Herleitung fehlt häufig. Die Verknüpfung von strategischem Ziel zu operativem Hebel basiert auf Plausibilität – weniger auf Daten.
ML-basierte Treiberanalyse
Die Lösung liegt in ML-basierter Treiberanalyse: Verfahren wie Gradient Boosting oder LightGBM identifizieren auf Basis historischer Daten die statistisch relevanten Einflussfaktoren auf Zielgrößen; SHAP (SHapley Additive exPlanations) macht diese Modelle transparent, indem die relative Wirkung einzelner Faktoren nachvollziehbar aufgezeigt wird.
Ein Beispiel: Eine Bank analysiert ihre sieben NPL-Maßnahmen. Ergebnis: Nur zwei zeigen einen statistisch signifikanten Einfluss. Die Bearbeitungszeit im Kreditprozess – lange als kritisch angenommen – weist kaum messbaren Zusammenhang mit Ausfällen auf. Stärkster Prädiktor: die Reaktionsgeschwindigkeit bei ersten Zahlungsstörungen. Konsequenz: Zwei fokussierte Maßnahmen statt sieben. Ressourcen auf die Hebel, die nachweislich wirken.
Korrelation ist nicht Kausalität
Wichtig: SHAP zeigt Korrelationen – selten direkte Kausalitäten. Für belastbare Steuerungsentscheidungen sind zusätzliche Validierungsschritte erforderlich: fachliche Plausibilisierung, Prüfung der zeitlichen Wirkungslogik sowie – wo sinnvoll – Causal-ML-Methoden wie Double Machine Learning oder Causal Forests. Die methodisch saubere Kombination besteht aus SHAP zur Hypothesengenerierung und Causal ML zur Validierung, stets eingebettet in eine fachliche Bewertung durch den Menschen (Human-in-the-Loop).
Die größten Hürden liegen weniger im Algorithmus als in heterogener Datenqualität, der sauberen Trennung von Korrelation und Kausalität sowie in der organisatorischen Akzeptanz unbequemer, datenbasierter Erkenntnisse.
Erklärbare Verfahren wie SHAP können die von Aufsicht und Governance geforderte Transparenz und Nachvollziehbarkeit von ML-Modellen liefern – insbesondere zur Offenlegung genutzter Treiber und ihrer relativen Bedeutung.
Zitiervorschlag
Berding, C. (o. J.): 47 KPIs – und kein einziger mit belegtem Einfluss auf Ihr Ergebnis?. MMI.Scope Insights. Online: https://www.mmi-scope.de/insights/ml-treiberanalyse/ (abgerufen am TT.MM.JJJJ).
Dieser Artikel gibt meine persönliche Meinung wieder, nicht die meines Arbeitgebers. Er ist keine Rechts-, Anlage- oder Unternehmensberatung.