Wehrspohn Risk Management

Wie bewertet man Cyberrisiken mit einer Monte-Carlo-Simulation?

Fallstudie

Von Dr. Uwe Wehrspohn.

Ein Cyberrisiko entsteht aus Angriffen von außen und aus Betriebsproblemen. Nur ein Teil davon richtet tatsächlich Schaden an: Es entstehen direkte Verluste und mit einer gewissen Wahrscheinlichkeit sekundäre Verluste, die oft viel größer sind. Wir zerlegen ein Cyberrisiko in greifbare Faktoren, bewerten es mit einer Monte-Carlo-Simulation in Excel, fassen viele Cyberrisiken zu einem Risiko-Cluster zusammen und übertragen das Ergebnis ins Enterprise Risk Management.

Daten und funktionierende Computersysteme sind für viele Unternehmen ein wesentlicher Teil ihres Vermögens. Cyberrisiken bedrohen diesen Vermögensbestand potenziell. Ein Cyberrisiko materialisiert sich dabei über mehrere Stufen: Am Anfang steht der Kontakt mit einer problematischen Aufgabe oder Situation. Daraus kann eine Bedrohung erwachsen, aus der Bedrohung eine Krise und aus der Krise Verluste.

Wir zeigen im Folgenden, wie man ein Cyberrisiko in seine Faktoren zerlegt, diese Faktoren bewertet und in einem Modell in Excel wieder zusammensetzt. Danach bewerten wir ein einzelnes Cyberrisiko mit einer Monte-Carlo-Simulation, fassen viele Cyberrisiken zu einem Risiko-Cluster zusammen und übertragen das Ergebnis in das unternehmensweite Risikomanagement.

Wie geht man bei der Bewertung eines Cyberrisikos vor?

Das Vorgehen ist nicht auf Cyberrisiken beschränkt. Es ist ein allgemeines Gliederungsprinzip, mit dem man von abstrakten Risikobetrachtungen zu ganz greifbaren, konkreten Faktoren kommt. Es besteht aus fünf Schritten:

  1. Faktoren erheben: Im ersten Schritt werden die relevanten Risikofaktoren erhoben, also die Einflüsse auf das Risiko. Sie sind sozusagen die Zutaten für das Rezept.
  2. Größenordnungen zuweisen: Im zweiten Schritt bekommen die Faktoren Größenordnungen. Weil es jetzt konkrete und nicht mehr abstrakte Faktoren sind, kann man sie in der realen Welt unter Umständen sogar messen. Ist der Datenhaushalt noch nicht so weit aufgebaut, dass eine direkte Messung möglich ist, können einzelne Faktoren nach wie vor mit Experteneinschätzungen bewertet werden. Der große Unterschied ist, dass jetzt konkrete Faktoren bewertet werden, unter denen man sich etwas vorstellen kann, und nicht mehr abstrakte Faktoren, die aus vielen Faktoren zusammengesetzt sind.
  3. Zusammenwirken beschreiben: Im dritten Schritt legen wir fest, wie die Faktoren zusammenhängen und gemeinsam die Größenordnung des Risikos ergeben.
  4. Auswerten: Im vierten Schritt sehen wir, was für das konkrete Risiko herauskommt.
  5. Analysieren: Gerade bei Cyberrisiken ist ein fünfter Schritt wichtig. Man kann Stresstests machen, untersuchen, welche Faktoren für das Cyberrisiko am wichtigsten sind und woher am meisten Risiko kommt, und viele Cyberrisiken zusammenfassen.

Das Zusammenfassen ist nötig, weil es eine sehr große Anzahl von Cyberrisiken gibt. Das Enterprise Risk Management, also das unternehmensweite Risikomanagement, kann nicht Tausende einzelne Cyberrisiken entgegennehmen. Sie müssen verdichtet und zu Clustern zusammengefasst werden, damit man sie dort überhaupt handhaben kann.

Aus welchen Bausteinen besteht ein Cyberrisiko?

Abbildung 1 zeigt die fünf Faktoren, die die Größe eines Cyberrisikos bestimmen: die Angriffshäufigkeit, die Verwundbarkeit, die Größe der direkten Verluste, die Wahrscheinlichkeit sekundärer Verluste und die Größe der sekundären Verluste.

Abbildung 1: Die fünf Faktoren eines Cyberrisikos von der Folie „Relevante Faktoren: Was beeinflusst die Größe von Cyber Risiken?“. Das Wort „Angriff“ steht bewusst in Anführungszeichen.

Der erste Faktor ist die Angriffshäufigkeit. „Angriff“ steht hier bewusst in Anführungszeichen, weil es sich nicht immer um einen Angriff von außen handeln muss. Auch ein betriebsinternes Problem kann zu einem Cyberrisiko führen, zum Beispiel beim Betrieb des Rechenzentrums mit Updates und System-Reboots oder einfach durch Rechner, die kaputtgehen.

Der zweite Faktor ist die Verwundbarkeit. Nicht jeder Angriff führt zu einem tatsächlichen Verlust. Manchmal geht es glimpflich ab, und es entsteht überhaupt kein Verlust. Die Verwundbarkeit beschreibt, wie das Unternehmen auf die Angriffe reagiert, also wie viele von ihnen tatsächlich Schaden anrichten. Sie ist deshalb die zweite wichtige Kenngröße.

Der dritte Faktor sind die direkten Verluste. Sie treten unmittelbar ein, wenn ein Angriff erfolgreich ist. Schließlich gibt es sekundäre Verluste. Sie treten nicht immer ein, sondern werden nur mit einer gewissen Wahrscheinlichkeit ausgelöst. Deshalb gehören zu ihnen zwei Faktoren, ihre Wahrscheinlichkeit und ihre Größe. Sekundäre Verluste hängen oft damit zusammen, dass etwas an die Öffentlichkeit gerät. Zwingend ist das nicht. Wenn ein Problem auftritt und völlig intern gelöst werden kann, sodass außerhalb des Unternehmens niemand davon erfährt, entstehen auch keine sekundären Verluste. Treten sie aber ein, sind sie oft wesentlich größer als die direkten Verluste, weil der Hebel, an dem dort gezogen wird, viel länger ist.

Welche Angriffe und Fehler lösen Cyberrisiken aus?

Ein Teil der Angriffe erwächst aus Kriminalität. Das reicht von Hacking, Datendiebstahl und Betrug bis zum Phishing, bei dem gefälschte E-Mails, Websites und Ähnliches versuchen, sensible Informationen abzugreifen. Es kann unautorisierte Zugriffe geben oder die Offenlegung persönlicher Daten. Auch die Akteure dahinter sind sehr vielfältig. Es können Kriminelle sein, die damit Geld verdienen wollen, ein gelangweilter Student, der ein Unternehmen angreift, oder staatliche Akteure, die ganz gezielt versuchen, Unternehmen lahmzulegen. Das gilt insbesondere für die kritische Infrastruktur.

Viel harmlosere und viel unauffälligere „Angriffe“ resultieren aus Betriebsproblemen. Hier stolpert man sozusagen ohne Fremdeinwirkung über die eigenen Füße. Ein großer Klassiker sind Updates und Neustarts. Sie können das System lahmlegen, Features verändern, Bugs einbringen, Sicherheitslücken offen lassen, die sie eigentlich schließen sollten, Daten beschädigen oder Inkompatibilitäten hervorrufen. In der Praxis sind Betriebsprobleme oft sogar viel häufiger als Angriffe von außen, zumindest als die Angriffe von außen, die man entdeckt.

Woraus bestehen direkte und sekundäre Verluste?

Direkte Verluste treten sofort ein, wenn es ein Problem gibt. Dafür gibt es mehrere klassische Beispiele:

  • Wird das System lahmgelegt, fällt zunächst die Produktion aus, weil die Infrastruktur nicht mehr zur Verfügung steht. Das kann auch einen längeren Zeitraum umfassen.
  • Es entstehen Wiederherstellungskosten für das System und gegebenenfalls für die Daten, wenn sie mit betroffen waren.
  • Unter Umständen muss untersucht werden, was die Ursache des Problems war und welchen Umfang der Sicherheitsvorfall hatte.
  • Es müssen Notfallmaßnahmen ergriffen werden.
  • Es muss kommuniziert werden, intern und möglicherweise auch extern mit Behörden.
  • Gegebenenfalls müssen Hardware und Software neu beschafft werden.

Um die konkreten Folgen eines Cyberrisikos zu kennen, muss man also im Prinzip eine Kostenrechnung anschließen. Sie unterscheidet, welche Positionen auftreten und welche Größenordnung sie haben können. Dieser Teil ist sehr kaufmännisch orientiert und nah an der praktischen Arbeit des Unternehmens.

Für die sekundären Verluste gilt das analog. Gerät etwas an die Öffentlichkeit, was das klassische Beispiel ist, hat man möglicherweise Einnahmeverluste durch abgewanderte Kunden oder Geschäftspartner. Dahinter kann ein Reputationsverlust stehen. Es kann aber auch sein, dass Kunden und Geschäftspartner eine notwendige Dienstleistung nicht beziehen konnten und deshalb zwingend einen anderen Anbieter suchen mussten. Dazu können Versicherungsprämien, Rechts- und Compliancekosten und weitere Positionen kommen. Auch hier ist nicht in Stein gemeißelt, aus welchen Positionen sich die sekundären Verluste zusammensetzen. Man muss sich im Einzelnen ansehen, welche Kosten in welcher Situation zu Buche schlagen.

Welche Verteilungen passen zu Cyberrisiken?

Wenn die Faktoren für den Eintritt, die Häufigkeit und die Auswirkungen erhoben sind, braucht man eine Sprache für sie. Diese Sprache besteht darin, jedem Faktor eine Verteilung zu geben und diese Verteilung zu parametrisieren. Eine Verteilung beschreibt, welche Werte ein unsicherer Faktor annehmen kann und wie wahrscheinlich sie sind. Abbildung 2 zeigt Verteilungen, die für Cyberrisiken typischerweise gut geeignet sind, in zwei Gruppen: oben die Eintritte und Häufigkeiten, unten die Auswirkungen. Links steht jeweils die Situation, rechts die passenden Verteilungen. Für beide Gruppen nimmt man tendenziell unterschiedliche Verteilungen, es gibt aber Überschneidungen.

Abbildung 2: Verteilungen für Cyberrisiken. Oben die Eintritte und Häufigkeiten, unten die Auswirkungen, jeweils links die Situation und rechts die passenden Verteilungen.

Mehr dazu: Welche Verteilungen typischerweise zum Einsatz kommen, welche Eigenschaften sie haben und wie man sie parametrisiert, beschreibt unser Leitfaden „Wann nehme ich welche Verteilung?“ von Dr. Uwe Wehrspohn und Prof. Dr. Dr. Dietmar Ernst.

Eintritte und Häufigkeiten

Der einfachste Fall ist, dass man vorher exakt weiß, wie häufig ein Ereignis eintritt. Das ist zum Beispiel so, wenn es für das System einen festen Betriebsplan gibt, nach dem der Server einmal im Monat neu gestartet wird. Das passiert also zwölfmal im Jahr, und die Häufigkeit ist eine konstante Zahl. Das ist natürlich ein sehr spezieller Fall.

Tritt ein Ereignis entweder gar nicht oder genau einmal ein, ist es Bernoulli-verteilt. Die Bernoulli-Verteilung ist ein einfacher Münzwurf, allerdings mit einer Münze, die nicht zwingend mit 50 % Wahrscheinlichkeit Kopf zeigt, sondern mit einer beliebigen Wahrscheinlichkeit. Wir können also völlig frei festlegen, mit welcher Wahrscheinlichkeit ein Ereignis eintreten soll, und dann diese Münze werfen.

Kann ein Ereignis zwischen null- und n-mal pro Jahr eintreten, passt möglicherweise eine Binomialverteilung. Sie verallgemeinert die Bernoulli-Verteilung auf den n-maligen Münzwurf: Sie wirft in einem einzigen Zug n-mal eine Bernoulli-verteilte Münze und zählt, wie oft Kopf gefallen ist. In der Praxis werden oft auch begrenzte Verteilungen eingesetzt, bei denen man ein Minimum und ein Maximum angibt, zum Beispiel die PERT-Verteilung. Ihre drei Parameter sind das Minimum, der wahrscheinlichste Wert, auch Modus genannt, und das Maximum. Die PERT-Verteilung kann jede Zahl zwischen Minimum und Maximum annehmen. Rundet man geeignet auf ganze Zahlen, kann man mit ihr aber auch Häufigkeiten beschreiben. In beiden Fällen ist eine Obergrenze vorgegeben: Häufiger als n-mal kann das Ereignis nicht eintreten.

Kann man nicht so genau sagen, wie oft ein Ereignis eintreten kann, ist es ein offenes mehrmaliges Ereignis. Dafür wird klassischerweise oft die Poisson-Verteilung eingesetzt. Sie ist wiederum eine Verallgemeinerung der Bernoulli- und der Binomialverteilung, und zwar für sehr große n, also für eine Obergrenze, die immer größer wird, bis sie praktisch nicht mehr bindet. Weniger als null Eintritte gibt es auch hier nicht, aber nach rechts ist die Verteilung offen.

Eine Alternative, die sich in der Praxis oft anbietet, ist die Expertverteilung. Sie hat viel mehr Freiheitsgrade, und insbesondere sind mit ihr extrem lange Ausläufer möglich. Im Alltag sieht man dann meistens relativ kleine Häufigkeiten, es ist aber nicht ausgeschlossen, dass in manchen Fällen extrem große Anzahlen vorkommen. Gerade für kriminelle Machenschaften ist das ein interessantes Modell. Ein Unternehmen kann lange Jahre überhaupt nicht im Fokus von Kriminellen gestanden haben und plötzlich als Zielscheibe gelten, sodass die Anzahl der Angriffe drastisch steigt. Im Voraus hat man das nur mit kleiner Wahrscheinlichkeit erwartet, ausschließen kann man es aber nicht.

Statt der Expertverteilung kommen auch die Poly-Verteilung, die Lognormalverteilung oder die Weibull-Verteilung in Frage. Alle diese Verteilungen können sozusagen zwei Regime abbilden: Mit hoher Wahrscheinlichkeit sieht man kleine Zahlen, mit kleiner Wahrscheinlichkeit sehr große. Man kann sie sowohl mit Experteneinschätzungen parametrisieren als auch mit Daten, wenn welche zur Verfügung stehen.

Auswirkungen

Auf der Auswirkungsseite gibt es eine ähnliche Fallunterscheidung. Begrenzte Auswirkungen kann man traditionell sehr gut mit der PERT-Verteilung, der Dreiecksverteilung oder der Uniform-Verteilung beschreiben. Die Uniform-Verteilung ist die Gleichverteilung zwischen einem Minimum und einem Maximum. Auch die Expertverteilung und die Poly-Verteilung, zwei neuere Verteilungen, sind hier sehr gut geeignet, weil es von ihnen Varianten gibt, die man begrenzen kann. Für beide kann man bei Bedarf ein Minimum und ein Maximum eingeben, und dann sind die Auswirkungen tatsächlich begrenzt.

Auswirkungen können aber auch offen sein. Sind die maximalen Konsequenzen eines Ereignisses schwer greifbar, liegt es nahe, davon auszugehen, dass die Auswirkungen nach oben offen sind. Dann braucht man spezielle Verteilungen wie die Expert-, die Poly-, die Lognormal- oder die Weibull-Verteilung. Das sind ganz ähnliche Überlegungen wie beim offenen mehrmaligen Ereignis.

Gesamtauswirkungen: die Compound-Verteilung

Zum Schluss kommt eine weitere Komplikation hinzu. Ein Ereignis tritt mit einer zufälligen Häufigkeit ein, wir wissen also nicht, wie oft es tatsächlich passiert, und jeder Eintritt hat eine zufällige Größe. Es kommen also zwei Arten von Zufall zusammen. Die Compound-Verteilung bringt diese beiden Seiten zusammen. Sie nimmt die zufällige Anzahl und die zufällige Auswirkung entgegen, zieht für jeden einzelnen Eintritt einmal aus der Auswirkungsverteilung und addiert diese Werte auf. Das Ergebnis ist die Gesamtauswirkung, also die Summe der Verluste aus allen Eintritten.

Wie ist das Modell in Excel aufgebaut?

Kurz gesagt: Risk Kit ist ein Add-in für Microsoft Excel, mit dem man Monte-Carlo-Simulationen direkt in der Tabelle aufbaut und auswertet. Was wir hier zeigen, gilt aber allgemein: Die Bewertung von Cyberrisiken über eine Monte-Carlo-Simulation funktioniert in jedem Simulationstool nach demselben Prinzip.

Die Faktoren übertragen wir jetzt in ein Modell in Excel. Die Vorlage dafür ist in Risk Kit ab Version 7.17 enthalten. In einer Monte-Carlo-Simulation wird ein solches Modell sehr oft hintereinander mit neuen Zufallszahlen durchgerechnet. Jeder Simulationslauf steht für ein mögliches Jahr. Aus allen Läufen zusammen entsteht die Verteilung der Verluste, aus der die Ergebnisse berechnet werden.

Abbildung 3 zeigt das Modell für ein einzelnes Cyberrisiko, bevor die Simulation gelaufen ist. Es besteht aus drei Blöcken. Im oberen Block „Eingaben“ stehen in den Zeilen 5 bis 9 die fünf Faktoren aus Abbildung 1, ein Faktor je Zeile. In den Spalten C bis H stehen die Parameter, in Spalte I die Verteilung, von der wir ausgehen. Alle Beträge im Modell sind Tausend Euro, in der Tabelle als T€ geschrieben.

Abbildung 3: Das Modell für ein einzelnes Cyberrisiko vor der Simulation. Oben die Eingaben, in der Mitte die Rechnungen, unten die Ergebnisse, die erst nach der Simulation definiert sind.

Im mittleren Block „Rechnungen“ in den Zeilen 13 bis 18 ist festgehalten, wie die Faktoren zusammenwirken. Das ist der dritte Schritt des Vorgehens. Dort stehen die Anzahl der Angriffe, die sich aus der Angriffshäufigkeit ergibt, die Häufigkeit erfolgreicher Angriffe aus Angriffshäufigkeit und Verwundbarkeit und die Häufigkeit sekundärer Verluste, in die zusätzlich deren Wahrscheinlichkeit einfließt. Es folgen die Höhe der direkten und die Höhe der sekundären Verluste. Für sie spielen jeweils die vorher gezogene Häufigkeit und die Verteilung für die Größe der Verluste eine Rolle. In der Summe ergeben sich die Gesamtverluste in Zeile 18. Die Werte in diesem Block sind Zufallszahlen aus einem einzelnen Durchlauf des Modells. In Abbildung 3 führen zum Beispiel 52 Angriffe zu zwei erfolgreichen Angriffen und zwei sekundären Verlusten, die Gesamtverluste betragen 15.278 T€.

Der untere Block „Ergebnisse“ in den Zeilen 22 bis 30 wertet die Gesamtverluste aus: die Eintrittswahrscheinlichkeit eines solchen Cyberrisikos überhaupt, den erwarteten Verlust, verschiedene Values at Risk vom Median bis zum Value at Risk zu 99,9 % und das Maximum der Verteilung. Vor der Simulation steht dort noch „Erst nach der Simulation definiert“, denn diese Statistiken brauchen die Ergebnisse aller Simulationsläufe.

Wie bewertet man die Angriffshäufigkeit?

Gehen wir die Eingaben im Einzelnen durch. Im Beispiel gehen wir davon aus, dass ein krimineller Angriff auf unser System zu befürchten ist. Wir wissen also vorher nicht, wie oft wir angegriffen werden, und wir können auch kein Maximum für die Angriffshäufigkeit angeben. Deshalb beschreiben wir die Angriffshäufigkeit in Zeile 5 mit einer Expertverteilung.

Die Expertverteilung wird über Quantile festgelegt. Ein Quantil ist ein Wert, der mit einer bestimmten Wahrscheinlichkeit nicht überschritten wird. Das Minimum in Spalte C ist null, denn weniger als null Mal können wir nicht angegriffen werden. Der gute Fall in Spalte D liegt bei zehn Angriffen im Jahr. Er wird nur mit 0,5 % Wahrscheinlichkeit unterschritten, so steht es in Spalte H unter „Ws“ für Wahrscheinlichkeit. Der Median in Spalte E liegt bei 30 Angriffen im Jahr. Der Median ist der mittlere Wert: Mit 50 % Wahrscheinlichkeit gibt es weniger Angriffe, mit 50 % mehr. Der schlechte Fall in Spalte F liegt bei 100 Angriffen. Er wird mit 99,5 % Wahrscheinlichkeit unterschritten, also nur mit 0,5 % überschritten. Die 0,5 % aus Spalte H gelten damit für beide Seiten. Die Spalte G „Maximum“ bleibt leer, die Verteilung ist also nach rechts offen.

Daten oder Experteneinschätzung?

Um diese Parameter zu schätzen, kann man Daten heranziehen, die im Unternehmen möglicherweise vorliegen, oder sie von Experten schätzen lassen. Hat man historische Beobachtungen darüber, wie oft das Unternehmen angegriffen wurde, eignen sich diese Statistiken tendenziell sehr gut für die Schätzung. Es sind nämlich keine extremen, sondern moderate Statistiken. Das Minimum von null muss man nicht schätzen, es ergibt sich von selbst. Einen realistisch guten Fall, einen realistisch schlechten Fall und den Median, also die Mitte der beobachteten Verteilung, kann man aus den Daten ablesen. Wie es rechts auf dem extremen Pfad weitergeht, ist für diese drei Statistiken ganz unwichtig, der Median wird dadurch überhaupt nicht verschoben. Es geht nur darum, dass man mit sehr kleiner Wahrscheinlichkeit noch über der beobachteten Bandbreite liegen kann.

Alternativ kann man die Daten mit einer Experteneinschätzung beurteilen. Dann muss der Experte selbst sagen, was er für realistisch hält. Der schlechte Fall ist vielleicht etwas, das im Unternehmen so noch nicht beobachtet wurde. Vielleicht möchte man bewusst konservativ sein, weil man möglicherweise nicht alle Angriffe erkannt hat. Vielleicht gab es blinde Angriffe, bei denen man gar nicht gemerkt hat, dass sie stattgefunden haben. Dann ist man vorsichtig und erhöht das Quantil für den schlechten Fall. Das ist eine sinnvolle Korrektur vorhandener Daten durch eine Experteneinschätzung, also eine Mischung aus Datenauswertung und Experteneinschätzung. Das Maximum lässt man nach wie vor offen.

In einer anderen Situation, etwa beim Installieren von Updates, weiß man von vornherein, dass eine gewisse Anzahl nicht überschritten wird, weil es im Jahr vielleicht gar nicht so viele Zeitfenster für Updates gibt. Ganz genau ist die Anzahl vielleicht nicht bekannt, aber sie liegt vielleicht zwischen 4 und 8. Auch dann kann man die Expertverteilung verwenden, nur mit ausgefülltem Minimum und Maximum und entsprechenden Quantilen. Das ist ein großer Vorteil der Expertverteilung: Sie ist so flexibel, dass man sie für begrenzte ebenso wie für unbegrenzte Ereignisse einsetzen kann.

Mehr dazu: Wie man die Expertverteilung über Grenzen, die auch offen bleiben dürfen, den Median und zwei weitere Quantile festlegt, erklärt unser Fachbeitrag „Experteneinschätzungen in einer Monte-Carlo-Simulation quantifizieren: die Expertverteilung“.

Wie bewertet man die Verwundbarkeit?

Der nächste Faktor ist die Verwundbarkeit in Zeile 6. Sie ist wichtig und relativ schwer zu beurteilen. Die Verwundbarkeit gibt an, welcher Anteil der Angriffe voraussichtlich erfolgreich ist. Im Beispiel ist das ein konstanter Wert von 1 %. Haben wir 200 Angriffe gesehen, erwarten wir also, dass zwei davon erfolgreich sind. Garantiert ist das nicht, es bleibt zufällig. Man wirft für jeden einzelnen Angriff des Jahres eine Münze, die mit 1 % Wahrscheinlichkeit einen erfolgreichen Angriff zeigt, und sieht dann, wie viele erfolgreiche Angriffe tatsächlich vorgekommen sind.

Die Verwundbarkeit kann man unter Umständen aus historischen Daten ermitteln. Man sieht dort, wie viele Angriffe stattgefunden haben, wie viele Updates, Reboots und andere Ereignisse es auf dem System gab und wie viele Probleme dabei auftraten. Auch das kann man mit Experteneinschätzungen korrigieren, weil man immer von einer Dunkelziffer ausgehen muss. Es gibt Angriffe, die man überhaupt nicht bemerkt hat und die glimpflich abgelaufen sind, weil sie nicht in das System eingedrungen sind. Hier ist es also umgekehrt wie bei der Angriffshäufigkeit: Die Angriffshäufigkeit ist potenziell höher, als man mit bloßem Auge sieht, die Verwundbarkeit dagegen niedriger, weil es Blindangriffe gab, die man abgewehrt hat, ohne es zu merken.

Ein zweites Problem ist, dass sich die Stärke der Angriffe ändern kann, je nachdem, welcher Angreifer zum Zug kommt: ein staatlicher Hacker oder jemand, der sich langweilt und einmal ausprobiert, ob er irgendwo hineinkommt. Die Verwundbarkeit kann sich also ändern. Eine Alternative zur konstanten Verwundbarkeit wäre, sie ebenfalls zufällig darzustellen. Das ist aber nicht unbedingt einfacher, weil man im Vorfeld nicht weiß, in welcher Bandbreite man sie zufällig gestalten soll. Insofern gewinnt man wenig dadurch. Möglich ist es aber, und in der Praxis wird es auch öfter gemacht.

Wie bewertet man die direkten und sekundären Verluste?

Auch für den dritten Faktor, die Größe der direkten Verluste in Zeile 7, nehmen wir eine Expertverteilung an. Dieselbe Verteilung lässt sich also auf beiden Seiten verwenden, für die Häufigkeit wie für die Auswirkung. Auch die Größe der Verluste hat ein klares Minimum bei null, denn dass ein Cyberrisiko zufällig Erträge erwirtschaftet, nimmt man routinemäßig nicht an. Der gute Fall liegt bei 350 T€ und wird nur mit 1 % Wahrscheinlichkeit unterschritten. Der Median der Schäden je erfolgreichem Angriff liegt bei 400 T€. Der schlechte Fall von 600 T€ wird mit 99 % Wahrscheinlichkeit unterschritten und nur mit 1 % Wahrscheinlichkeit überschritten. Auch hier bleibt das Maximum offen. Die Verteilung kann in seltenen Fällen durchaus größere Werte annehmen.

Kommt es überhaupt zu einem erfolgreichen Angriff, stellt sich die Frage, ob auch sekundäre Verluste entstehen, ob also etwas öffentlich wird oder es eine Eskalation gibt, die über das normale Maß hinausgeht. Im Beispiel nehmen wir in Zeile 8 an, dass das mit 90 % Wahrscheinlichkeit passiert. Diese Wahrscheinlichkeit zu schätzen ist ähnlich schwierig wie die Verwundbarkeit. Sie kann sich im Zeitverlauf ändern, und es kann ruhige Phasen geben, in denen weniger passiert. Man könnte auch hier eine Bandbreite annehmen und simulieren, welchen Wert die Wahrscheinlichkeit konkret hat. Wie diese Verteilung aussehen soll und welche Werte man dafür einsetzen soll, ist aber nicht ohne Weiteres klar. Deshalb gilt dasselbe wie für die Verwundbarkeit: Eine konstante Zahl, die die Größenordnung abschätzt, reicht eigentlich aus.

Als Letztes folgt die Größe der sekundären Verluste in Zeile 9, wieder mit einer Expertverteilung ab null. Der gute Fall liegt bei 5.000 T€, der Median bei 6.000 T€ und der schlechte Fall bei 8.500 T€, mit Wahrscheinlichkeiten von 1 % und 99 % wie bei den direkten Verlusten. Damit bilden wir den typischen Fall ab, dass die sekundären Verluste deutlich größer sind als die direkten. Das ist eigentlich der Normalfall: Etwas neu aufzusetzen und wieder zum Laufen zu bringen, kostet relativ wenig im Vergleich zu einer Eskalation, die über das normale Maß hinausgeht.

Die Zahlen sind im Beispiel bewusst so gewählt, dass zwei moderate Eintritte größer sind als ein schlechter. Zweimal der Median von 6.000 T€ ergibt 12.000 T€ und damit mehr als der schlechte Fall von 8.500 T€. So sieht man in der Auswertung deutlich, wie oft sekundäre Verluste eingetreten sind.

Kann ein sekundärer Verlust mehrfach eintreten?

Im Beispiel nehmen wir außerdem an, dass jeder erfolgreiche Angriff erneut sekundäre Verluste auslösen kann. Das kann ein realistischer Ansatz sein, muss es aber nicht. Geht es etwa darum, dass vertrauliche Dokumente geleakt und in die Öffentlichkeit gebracht werden, wäre ein erneuter Eintritt kein zusätzlicher Verlust. Werden dieselben Dokumente zweimal veröffentlicht, entsteht kein weiterer Schaden, mit dem ersten Mal ist alles passiert. Kann ein Angreifer dagegen nach einer gewissen Zeit durch einen weiteren Angriff erneut Zugriffscodes für Waffensysteme, Strategieinformationen für Feldzüge oder Informationen über die Zeitpunkte bestimmter Aktivitäten erbeuten, entstehen auch erneute Verluste.

Wie die sekundären Verluste zu verarbeiten sind, muss man also an der konkreten Situation entscheiden: Entweder ist es ein Ereignis, das mehrfach eintreten kann, oder es ist ein Bernoulli-Ereignis, das nur einmal eintreten kann und dann vorbei ist.

Wie wirken die Faktoren im Modell zusammen?

Im mittleren Block „Rechnungen“ werden die Eingaben ausgewertet. Abbildung 4 zeigt ihn mit den Zufallszahlen eines einzelnen Laufs. Oben in der Bearbeitungsleiste steht die Formel für die Anzahl der Angriffe in Zelle C13. Sie ergibt sich direkt aus der Expertverteilung mit den Parametern aus Zeile 5.

Abbildung 4: Die Rechnungen eines einzelnen Laufs. Oben steht die Formel für die Anzahl der Angriffe in Zelle C13. In diesem Lauf führen 79 Angriffe zu zwei erfolgreichen Angriffen und zwei sekundären Verlusten, die Gesamtverluste betragen 14.814 T€.

=RUNDEN(@Expert_variate(H5;C5;D5;E5;F5;G5);0)+@OutputName(B13)

Die Funktion Expert_variate zieht eine Zufallszahl aus der Expertverteilung. Ihre Argumente sind die Wahrscheinlichkeit aus H5, das Minimum aus C5, der gute Fall, der Median und der schlechte Fall aus D5 bis F5 und das Maximum aus G5, das hier leer ist. Die Expertverteilung liefert auch Zahlen mit Nachkommastellen. Deshalb wird das Ergebnis mit RUNDEN auf eine ganze Zahl gerundet. Hätte die Verteilung zum Beispiel 79,35 gezogen, ergäben sich die 79 Angriffe aus Abbildung 4. Der Zusatz OutputName(B13) gibt der Zelle nur den Namen aus B13 und verändert ihren Wert nicht. Diesen Zusatz haben auch die folgenden Formeln.

Die Häufigkeit der erfolgreichen Angriffe in Zelle C14 ergibt sich aus der Anzahl der Angriffe in C13 und der Verwundbarkeit. Die Verteilung, die beide verbindet, ist die Binomialverteilung:

=+@WENN(C13=0;0;Binomial_variate(C6;C13))+@OutputName(B14)

Binomial_variate wirft für jeden der Angriffe aus C13 eine Münze, die mit der Verwundbarkeit aus C6, also mit 1 % Wahrscheinlichkeit, Kopf zeigt, und zählt, wie oft Kopf fällt. In dem Lauf aus Abbildung 4 sind es zwei erfolgreiche Angriffe. Die WENN-Abfrage davor sorgt dafür, dass bei null Angriffen auch null erfolgreiche Angriffe herauskommen.

Im dritten Schritt ermitteln wir in Zelle C15 die Häufigkeit sekundärer Verluste. Der Ansatz ist exakt derselbe wie bei den erfolgreichen Angriffen. Der einzige Unterschied ist die Bemessungsgrundlage: Das ist jetzt die Anzahl der erfolgreichen Angriffe aus C14. Angriffe ohne Erfolg erzeugen auch keine sekundären Verluste und spielen hier keine Rolle. Wir werfen also für jeden der zwei erfolgreichen Angriffe eine Münze, die mit der Wahrscheinlichkeit aus C8, also mit 90 %, Kopf zeigt. In diesem Lauf fällt zweimal Kopf, es gibt also zwei sekundäre Verluste. Die Formel ist entsprechend aufgebaut:

=+@WENN(C14=0;0;Binomial_variate(C8;C14))+@OutputName(B15)

Mehr dazu: Unser Fachbeitrag „Wann nehme ich eine Binomialverteilung in einer Monte-Carlo-Simulation?“ erklärt diese Verteilung genauer, auch für den Fall, dass die Anzahl der Versuche selbst zufällig ist wie hier die Anzahl der Angriffe.

Jetzt kommen wir zu den Geldbeträgen. Für die Höhe der direkten Verluste in Zelle C16 muss für jeden erfolgreichen Angriff einmal aus der Verteilung der direkten Verluste gezogen werden. Das erledigt die Compound-Verteilung aus Abbildung 2:

=@Compound(C14;"Expert";H7;C7;D7;E7;F7;G7)+@OutputName(B16)

Das erste Argument C14 gibt an, wie oft das Ereignis zufällig eingetreten ist. Das zweite Argument nennt die Verteilung, aus der die einzelnen Verluste gezogen werden, hier die Expertverteilung. Danach folgen ihre Parameter aus Zeile 7 als Liste. Diese allgemeine Form mit der Verteilung als Name und den Parametern als Liste ist gewählt, weil man so jede beliebige Auswirkungsverteilung verwenden kann. Sie muss nicht Expert sein und kann auch andere Parameter haben. In dem Lauf aus Abbildung 4 ergeben die zwei erfolgreichen Angriffe direkte Verluste von zusammen 808 T€.

Die Höhe der sekundären Verluste in Zelle C17 wird genauso mit der Compound-Verteilung berechnet, aus der Häufigkeit sekundärer Verluste in C15 und der Verteilung für die Größe der sekundären Verluste in Zeile 9. In diesem Lauf sind es 14.006 T€. Die Gesamtverluste in Zelle C18 sind am Schluss die Summe aus den direkten und den sekundären Verlusten, hier 808 T€ plus 14.006 T€, also 14.814 T€.

Was ergibt die Simulation für ein einzelnes Cyberrisiko?

Jetzt lassen wir die Simulation laufen. Dazu klicken wir in der Risk-Kit-Toolbar auf „Simulation“ und rechnen 100.000 Simulationsläufe. Abbildung 5 zeigt das Modell danach. Im Block „Rechnungen“ steht jetzt ein einzelner Lauf, hier mit 46 Angriffen und einem erfolgreichen Angriff. Im Block „Ergebnisse“ stehen jetzt Zahlen. Ihre Zellen sind nur mit dem Zeichen € formatiert. Gemeint sind aber wie überall im Modell Tausend Euro, also T€. Das gilt auch für die späteren Tabellen, in denen nur € steht.

Abbildung 5: Das Modell nach 100.000 Simulationsläufen. Im Block „Ergebnisse“ stehen die Eintrittswahrscheinlichkeit, der erwartete Verlust, der Median, die Values at Risk und das Maximum der Gesamtverluste. Ausgewählt ist Zelle C22 mit der Formel für die Eintrittswahrscheinlichkeit.

Zuerst sehen wir die Eintrittswahrscheinlichkeit des Risikos in Zelle C22. Sie liegt bei 27,3 %. Gemessen wird sie mit der Funktion Probability, deren Formel oben in der Bearbeitungsleiste steht:

=+@Probability(RiskKit_Output;FALSCH;0)

Probability berechnet die Wahrscheinlichkeit, dass der Wert in der Ausgabezelle RiskKit_Output, also unsere Gesamtverluste, größer als null ist. Das FALSCH heißt: nicht kleiner oder gleich, sondern größer als null. Ist der Gesamtverlust größer als null, ist das Risiko eingetreten. Umgekehrt ist in 72,7 % der Simulationsläufe kein Eintritt passiert, dort ist der Gesamtverlust null.

Der erwartete Verlust, also der Mittelwert über alle Simulationsläufe, liegt bei 1.949 T€. Der Median ist null. Das ist folgerichtig, denn die Eintrittswahrscheinlichkeit liegt nur bei 27 % und nicht über 50 %. In mehr als der Hälfte der Läufe passiert also gar nichts. Darunter folgen die Values at Risk. Der Value at Risk (VaR) ist ein Quantil der Verlustverteilung: Der VaR zu 90 % ist der Verlust, der in 90 % der Simulationsläufe nicht überschritten wird. Er liegt hier bei 6.808 T€. Die höheren Values at Risk liegen entsprechend höher, bis 21.801 T€ beim VaR zu 99,9 %. Der größte Verlust, der in den 100.000 Simulationsläufen überhaupt vorkam, liegt bei 40.379 T€.

Für jeden Eintritt ein eigener Hügel

Die Verteilung der Gesamtverluste kann man sich auch als Bild ansehen. Abbildung 6 zeigt sie als Histogramm. Auf der waagerechten Achse stehen die Gesamtverluste in TEUR, also in Tausend Euro, von 0 bis 45.000. Die senkrechte Achse zeigt, wie viele Simulationsläufe in den jeweiligen Verlustbereich fallen. Man sieht unterschiedliche Häufungspunkte. Der hohe Balken bei null steht vor allem für die Läufe, in denen überhaupt nichts passiert ist. Weiter rechts folgt die Verteilung der sekundären Verluste für einen Eintritt, zwei Eintritte und so weiter.

Abbildung 6: Histogramm der Gesamtverluste aus dem Cyberrisiko über alle 100.000 Simulationsläufe. Der hohe Balken ganz links steht vor allem für die Läufe ohne Verlust.

Der große Balken bei null interessiert uns eigentlich nicht. Deshalb zoomen wir in das Bild hinein und geben im Fenster rechts oben unter „Min, %“ den Wert 73 ein. Das Histogramm beginnt dann beim Quantil zu 73 % und zeigt nur noch den Bereich, in dem das Risiko überhaupt eingetreten ist. Abbildung 7 zeigt das Ergebnis.

Abbildung 7: Dasselbe Histogramm ab dem Quantil zu 73 %. Links der schmale Balken für Läufe mit nur direkten Verlusten, daneben je ein Hügel für einen, zwei, drei und mehr sekundäre Verluste.

Ganz links steht jetzt ein schmaler Balken. Das sind die Läufe, in denen das Risiko eingetreten ist, aber nur direkte und keine sekundären Verluste entstanden sind. Es folgen ein hoher Hügel für einen sekundären Verlust und weitere, immer flachere Hügel für zwei, drei und mehr sekundäre Verluste. Die Verteilung endet bei ungefähr 40.000 T€, dem maximalen Verlust. Das entspricht ungefähr sechs sekundären Verlusten.

Dieses Risiko hat also eine sehr exotische Form mit sehr vielen Extremwerten: Für jeden Eintritt, vor allem für jeden Eintritt des sekundären Ereignisses, gibt es einen eigenen Hügel. Eine gewöhnliche parametrische Verteilung, also eine Verteilung, die durch eine Formel mit wenigen Parametern beschrieben wird, gibt es für dieses Risiko überhaupt nicht. Hätten wir die Verteilung der Gesamtverluste nicht simuliert, könnten wir ihre Form nicht direkt angeben und würden bei der Beschreibung der Auswirkungen dieses Risikos sehr große Fehler machen.

Die Funktionen für die Ergebnisse

Neben Probability für die Eintrittswahrscheinlichkeit verwendet das Modell im Block „Ergebnisse“ die Funktion Mean für den erwarteten Wert, also den Mittelwert, die Funktion MedianSim für den Median und die Funktion Perc für die Quantile. Das Maximum ist quasi das Quantil zu 100 %, die Funktion dafür heißt direkt Maximum. Alle diese Funktionen werten wie Probability die Ausgabezelle RiskKit_Output aus, Perc zusätzlich mit dem Konfidenzniveau aus Spalte B.

Das Histogramm hat die Funktion Plot ausgegeben. Ihre Formel steht in Zelle B33, die in Abbildung 3 orange hinterlegt ist:

=@Plot(C18;;"Gesamtverluste aus dem Cyber Risiko";"TEUR";;;"HISTOGRAM";1000;600)

Die Formel referenziert die Zelle C18 mit den Gesamtverlusten, dazu kommen die Überschrift und die Achsenbeschriftung TEUR. Die Zahlen 1000 und 600 am Ende sind Breite und Höhe des Bildes. Sie sind nur dann relevant, wenn man das Bild in die Arbeitsmappe einbetten will. Dann gibt man zusätzlich die Zelle an, an der es eingebettet werden soll, und es erscheint dort in dieser Größe. Hier ist das bewusst nicht geschehen, weil wir zoomen wollten. Zoomen kann man nur im Live-Bild.

Wie fasst man viele Cyberrisiken zusammen?

Es gibt eine Vielzahl von Cyberrisiken, weil man unterscheiden muss, woraus sich die Angriffshäufigkeit speist und was dabei eigentlich passiert. Das wirkt sich auf die Form und die Breite ihrer Verteilung aus, auf die Verwundbarkeit und auf die Größe der direkten und sekundären Verluste. Auch der Typ der sekundären Verluste unterscheidet sich, denn sie können, wie oben besprochen, unter Umständen nur einmal oder auch mehrfach auftreten. Alle diese Unterscheidungen führen dazu, dass man eine riesige Anzahl von Cyberrisiken bekommen kann.

Um die Cyberrisiken im unternehmensweiten Risikomanagement weiterverarbeiten zu können, muss man diese Vielfalt wieder einfangen und das Risiko konsolidieren. Das gelingt am besten, indem man viele Risiken gemeinsam betrachtet und gemeinsam auswertet, und zwar in einem Risikoinventar.

Abbildung 8 zeigt ein solches „Cyber-Risiko-Inventar“. Jedes Cyberrisiko steht in einer eigenen Zeile, Risiko-1 in Zeile 6 bis Risiko-30 in Zeile 35. Die Spalten enthalten die Parameter, die wir im Modell des einzelnen Risikos gesehen haben: die Angriffshäufigkeit in den Spalten C bis I, die Verwundbarkeit in Spalte J und ab Spalte K die Größe der direkten Verluste. Weiter rechts, außerhalb des Ausschnitts, folgen die Wahrscheinlichkeit und die Größe der sekundären Verluste. Im Beispiel sind alle 30 Zeilen identische Kopien desselben Risikos.

Abbildung 8: Das Cyber-Risiko-Inventar mit 30 Cyberrisiken, eines je Zeile. Zu sehen sind die Parameter der Angriffshäufigkeit, die Verwundbarkeit und die Parameter für die Größe der direkten Verluste.

Rechts daneben folgen die Rechnungen, in denen die Größen je Risiko ermittelt werden, und ganz am Schluss die Gesamtverluste aus jedem Risiko und die Ergebnisse. Abbildung 9 zeigt diesen Teil nach der Simulation. Spalte AE enthält die Gesamtverluste je Risiko in einem einzelnen Lauf. Gesamtverluste heißt hier die Summe aus den direkten und den sekundären Verlusten eines Risikos. In Zeile 7 stehen zum Beispiel 1.525 T€ direkte Verluste in Spalte AC und 17.782 T€ sekundäre Verluste in Spalte AD, zusammen 19.307 T€. Rechts oben in Zelle AP6 steht dagegen der Gesamtverlust als Summe über alle 30 Cyberrisiken, in diesem Lauf 73.744 T€.

Abbildung 9: Das Risikoinventar nach der Simulation. Links die Verluste je Risiko in einem einzelnen Lauf, in der Mitte die Ergebnisse je Risiko, rechts der Gesamtverlust über alle 30 Risiken und seine Ergebnisse.

In den Spalten AF bis AN stehen nach der Simulation die Statistiken jedes einzelnen Risikos. Im Wesentlichen zeigen alle Zeilen dieselben Werte. Das ist folgerichtig, denn die 30 Risiken sind identische Kopien. Die Eintrittswahrscheinlichkeit in Spalte AF (EW) liegt bei allen zwischen 27,1 % und 27,6 %, der erwartete Verlust in Spalte AG zwischen 1.931 T€ und 1.982 T€. Auch der Median und die Values at Risk unterscheiden sich nur in Nuancen.

Die einzige Ausnahme ist das Maximum in Spalte AN. Es nimmt sehr deutlich unterschiedliche Werte an und reicht von 34.561 T€ in Zeile 15 bis 66.822 T€ in Zeile 25. Der Grund dafür ist, dass sich dieser Wert nicht stabilisiert, wenn man die Anzahl der Simulationsläufe erhöht. Es bleibt ein loses Ende, das wie die Schnur einer Peitsche hin und her schwankt.

Bei genügend vielen Cyberrisiken passiert fast sicher etwas

Ganz rechts in Abbildung 9 stehen die Ergebnisse für alle 30 Risiken zusammen. Die Eintrittswahrscheinlichkeit liegt jetzt bei 100,0 %: Praktisch in jedem der 100.000 Simulationsläufe ist irgendetwas passiert. Bei hinreichend vielen Cyberrisiken passiert also fast sicher etwas. Risikomanagement braucht man auf dieser Ebene deshalb definitiv, und ebenso ein Krisenmanagement, denn Krisen werden sich nicht zu 100 % vermeiden lassen.

Gleichzeitig haben sich die Statistiken stark relativiert. Im Modell des einzelnen Risikos lag der größte Verlust bei rund 40.000 T€ (Abbildung 5), für die 30 Risiken zusammen liegt er jetzt bei 173.770 T€. Bei 30-mal so vielen Risiken ist das nur etwas mehr als das Vierfache. Das Portfolio verändert das Bild also in zwei Richtungen: Die Wahrscheinlichkeit, dass überhaupt etwas passiert, steigt drastisch auf 100 %. Die Größenordnung der Verluste steigt dagegen deutlich unterproportional.

Abbildung 10 zeigt die Verteilung des Gesamtverlusts aus allen Cyberrisiken. Auf der waagerechten Achse stehen wieder die Verluste in TEUR, hier von 0 bis 200.000. Die Verteilung hat wieder eine sehr exotische Form, wie ein Irokesenschnitt mit einzelnen Spitzen. Weil wir im Prinzip 30-mal dasselbe Risiko mit gleichen Ausprägungen haben, ist die Form schön gleichmäßig. Die Spitzen entstehen vor allem durch Mehrfacheintritte der sekundären Verluste. Man kann sie abzählen: ein sekundärer Verlust, zwei, drei und so weiter bis etwa 14, danach läuft die Verteilung nach oben aus. Diese sekundären Verluste können aus Mehrfacheintritten desselben Risikos stammen oder aus gleichzeitigen Eintritten verschiedener Risiken.

Abbildung 10: Histogramm der Gesamtverluste aus allen 30 Cyberrisiken. Die einzelnen Spitzen stehen für die Anzahl der sekundären Verluste.

Wie überträgt man das Ergebnis ins Enterprise Risk Management?

Will man das Ganze ins Enterprise Risk Management übertragen, bleibt noch eine Frage zu beantworten. Diese Verteilung hat keine Standardform. Es gibt keine parametrische Verteilung, die exakt so aussieht wie die Verteilung in Abbildung 10. Man braucht also einen Weg, die Ergebnisse ohne Informationsverlust aus der Simulation ins Enterprise Risk Management zu übertragen.

Das gelingt, indem man sich in Risk Kit die Simulationsergebnisse ausgeben lässt. Risk Kit schreibt dann die simulierten Gesamtverluste aller 100.000 Läufe in ein eigenes Arbeitsblatt, einen Wert je Lauf. Diese Verteilung kann man per Mausklick in den Enterprise Risk Explorer übertragen. Er übernimmt die Werte als feste Tabelle vorberechneter Werte, und das Risiko-Cluster steht im Enterprise Risk Management für weitere Analysen zur Verfügung.

Lässt sich das Vorgehen auf andere Risiken übertragen?

Fassen wir das Vorgehen zusammen. Wir sind von einem abstrakten Cyberrisiko ausgegangen und haben es zerlegt. Wir haben also eine Disaggregation vorgenommen und uns angesehen, welche einzelnen Faktoren das Risiko beeinflussen, was sie genau sind, welche Form sie haben und welche Parameter wir dafür brauchen. Weil es greifbare Faktoren waren, konnten wir dafür unter Umständen auch Daten im Unternehmen finden. Dann haben wir die einzelnen Faktoren wieder zum Risiko aggregiert.

Mit dem Portfolioansatz sind wir noch einen Schritt weitergegangen und haben zahlreiche Cyberrisiken zu einem Risiko-Cluster zusammengefasst, das wir ins Enterprise Risk Management übertragen haben. So entsteht eine lückenlose Wertschöpfungskette, die mit der Zerlegung eines Risikos beginnt und mit der unternehmensweiten Risikoaggregation endet.

Diesen grundsätzlichen Ansatz kann man nicht nur für Cyberrisiken verwenden, sondern für alle möglichen Risikoarten. Im ersten Schritt zerlegt man das Risiko so lange, bis alles Abstrakte verschwunden ist und man nur noch greifbare Faktoren hat, deren Zusammenhang man kennt. Dann aggregiert man sie in einer Monte-Carlo-Simulation wieder und überträgt das Ergebnis in die weitere Verwendung im Unternehmen.