Mechanismus statt Magie Viele sagen: Vorstände verstehen quantitative Risikoanalysen nicht. Ich glaube: Oft vertrauen sie ihnen nicht. Und das ist in vielen Fällen rational. Denn ein Großteil der „quantitativen“ Analysen basiert auf etwas anderem, als der Begriff vermuten lässt: → komprimierten Expertenschätzungen Jemand sagt: „Das Risiko liegt bei X.“ Dann wird das mathematisch aggregiert. Das Ergebnis wirkt präzise – aber der Entstehungsweg bleibt intransparent. Das ist keine belastbare Quantifizierung. Das ist Magie in Zahlenform. Die Alternative ist ein mechanistischer Ansatz. Nicht: Wie groß ist das Risiko? Sondern: Wie entsteht es? Ein Modell beschreibt: • relevante Risikotreiber • deren Bandbreiten • Verteilungen • Abhängigkeiten und Interaktionen Das Ergebnis ist dann keine Behauptung mehr, sondern eine Konsequenz. Der entscheidende Unterschied: Man kann jede einzelne Annahme prüfen und diskutieren. • Ist der Treiber überhaupt relevant? • Sind die Bandbreiten realistisch? • Passt die Verteilung zu den Daten? • Sind die Abhängigkeiten plausibel? Unsicherheit verschwindet nicht – aber sie wird sichtbar und zerlegbar. Der Mechanismus ersetzt die Magie. Aber: Auch das beste Modell löst das Problem nicht allein. Denn Modelle entstehen nicht im luftleeren Raum. Sie können genauso „frisiert“ werden: • durch Auswahl oder Weglassen von Treibern • durch günstige Parametrisierung • durch abgeschwächte Abhängigkeiten Deshalb ist die eigentliche Schlüsselfrage nicht nur methodisch, sondern organisatorisch: Welche Governance liegt dem Modell zugrunde? Governance ist keine Ergänzung – sie ist eine Vorentscheidung. Bevor gerechnet wird, ist bereits festgelegt: • wer Annahmen trifft • wie sie hergeleitet werden müssen • wer sie überprüft • welche Transparenzanforderungen gelten Eine schwache Governance führt dazu, dass auch gute Modelle beliebig werden. Eine starke Governance macht selbst komplexe Modelle nachvollziehbar und vertrauenswürdig. Was bedeutet das konkret? • Jedes wesentliche Risiko braucht ein nachvollziehbares Modell • Jede Annahme muss begründet und dokumentiert sein • Modellbau und Modellprüfung sollten getrennt sein • Sensitivitäten müssen offen gelegt werden • Regelmäßige Validierung ist Pflicht, nicht Kür Fazit Das Problem im Risikomanagement ist oft nicht mangelnde Kommunikation. Sondern mangelndes Vertrauen in die Entstehung der Zahlen. Vertrauen entsteht nicht durch „bessere Visualisierung“, sondern durch nachvollziehbare Mechanismen – und eine Governance, die Manipulation erschwert. Oder anders gesagt: Nicht nur die Mathematik überzeugt – sondern auch die Nachvollziehbarkeit, wie sie eingesetzt wird.
Dieser Beitrag ist zuerst auf LinkedIn erschienen. Dort ansehen und mitdiskutieren