Risikomanagement bei E.ON

Lernende Algorithmen werten Massendaten extrem effektiv aus. Sie können in der für Menschen nicht mehr überschaubaren Datenflut relevante Informationen sehr schnell und auf intelligente Weise identifizieren. Dieses Potenzial möchte die E.ON SE für das Risk Management nutzen und testet dazu den Global Risk Radar von Horváth & Partners. Das Pilotprojekt ist vor allem für das Credit Risk Management des Unternehmens interessant. Denn die Abteilung will das Risikoprofil von Geschäftspartnern, sogenannten Counterparties, anhand der maschinellen Textanalyse unstrukturierter Massendaten aus dem Internet künftig effektiver und zielgerichteter identifizieren.

Bernd Kälber, Program Manager Advanced Analytics & Artificial Intelligence bei „Digital@Finance“, hatte auf der Konferenz Corporate Risk Minds 2017 die erste Live-Präsentation der neu entwickelten Anwendung verfolgt. Er war auf Anhieb von den Möglichkeiten des Tools angetan. „Die maschinelle Analyse von Massendaten wird in Zukunft unerlässlich sein, um wettbewerbsfähig strategische und operative Entscheidungen treffen zu können“, ist der Physiker mit theoretisch- mathematischem Schwerpunkt überzeugt.

Das Pilotprojekt startete im November 2017. Bernd Kälber überprüfte gemeinsam mit den Experten für Machine Learning und Risikomanagement von Horváth & Partners, inwiefern zusätzliche entscheidende Informationen für die Einschätzung von Risiken mit dem Global Risk Radar generiert werden können. Der Fokus lag dabei zunächst auf Anwendungsfällen rund um die Themenkomplexe Solar- und Windenergie, innovative Speichertechnologien und Preisgestaltung im internationalen Kontext. Im weiteren Verlauf zeigte sich, dass gerade bei Frühwarnindikatoren für potenzielle Ratingänderungen von Counterparties der Global Risk Radar besondere Stärken aufweist.

Angesichts zunehmend dezentraler Erzeugung aus zumeist wetterabhängigen Energiequellen und der Entwicklung neuer digitaler Technologien müssen sich Versorger zu digitalen, „grünen“, serviceorientierten Lösungsanbietern wandeln. „Diese Neuausrichtung wirkt sich auf allen Ebenen unseres Unternehmens aus und verändert auch den Finanzbereich nachhaltig“, sagt Bernd Kälber. „Intelligente Algorithmen und maschinelles Lernen bieten großes Potenzial, diese Transformation zu unterstützen.“

Machine Learning befähigt den Computer durch speziell entwickelte Algorithmen, sehr große, komplexe und unstrukturierte Datensätze selbstständig zu analysieren sowie eigenständig Ergebnisse zu erarbeiten. In der Ausgangssituation hat der Algorithmus an sich dabei keinerlei spezifische Kenntnisse. Er muss für die jeweilige Fragestellung speziell angelernt werden. Dabei erfordern unterschiedliche Ausgangssituationen verschiedene Ansätze. Diese kann man in drei Kategorien aufteilen:

1. Supervised Learning
Hierbei wird der Algorithmus gezielt mit bekannten Input-Output-Datensätzen trainiert, um ihm so den Zusammenhang zwischen den Daten anzulernen.

2. Unsupervised Learning
Der Input-Output-Zusammenhang ist von vorneherein nicht bekannt und der Algorithmus selbst klassifiziert die Daten und erkennt mögliche Muster in ihnen.

3. Reinforcement Learning
Ein Algorithmus erlernt eine spezifische Aufgabe durch den Versuch, sich anhand von Feedbacks aus dem Umfeld zu optimieren.

Die Fähigkeit der maschinellen Textanalyse des Global Risk Radar basiert im Wesentlichen auf dem ersten Ansatz, dem Supervised Learning. Für das Pilotprojekt analysiert der Radar mehrere Millionen Textdokumente aus Tausenden von Datenquellen aus dem Internet. Dabei wird die semantische Analysefähigkeit des Tools durch das kontinuierliche maschinelle Lernen ständig verbessert.

Im Programm „Digital@Finance“ von E.ON ist das Pilotprojekt der zentrale Bestandteil für Text Analytics. Für das Rating von Counterparties werden textbasierte Massendokumente aus dem Internet vom Global Risk Radar auf Frühwarnsignale hin analysiert. Damit können entscheidungsrelevante Informationen deutlich vor der Veröffentlichung in klassischen Quellen, wie zum Beispiel Ratingagenturen, berücksichtigt werden. Nach dem Ende der Pilotphase wird der Energieversorger daher die operativen Einsatzmöglichkeiten des Tools für das Credit Risk Management prüfen.