„Public Sector failing to benefit from Business Intelligence at a time when it could most use it” urteilt (Burnett, 2007) / (CIO, 2007) hart über den öffentlichen Bereich.
Ist es wirklich so, dass die öffentliche Verwaltung die Einführung moderner Informationssysteme einfach verschläft? In der Tat verbinden wir Begriffe wie „Controlling“, „Business
Intelligence“ und „Data Warehouse“ doch eher mit großen Unternehmen als mit der öffentlichen Verwaltung.
Dies lässt sich auch mit Zahlen belegen. Schon 40% der Unternehmen in den USA und Europa nutzen moderne Informationssysteme. Bei den Verwaltungen setzt jedoch nur ein Fünftel solche Systeme ein. Und die Schere geht weiter auseinander. Weitere 28% der Unternehmen und nur 15% der Verwaltungen planen eine Einführung innerhalb der nächsten zwei Jahre.
Aber welchen Grund sollte die öffentliche Verwaltung haben, ein modernes Informationssystem einzuführen? Unternehmen nutzen die Informationen der Systeme zur Entscheidungsfindung.
Entscheidungen, die den Gewinn steigern sollen.
Diesen Anreiz hat die öffentliche Verwaltung nicht. Gibt es somit überhaupt einen Einsatzzweck für Controlling-Informationssysteme im öffentlichen Bereich? Gibt es andere als rein
monetäre Entscheidungen, die mit Hilfe von Controlling-Informationssystemen in der öffentlichen Verwaltung getroffen werden können?
In dieser Arbeit wird ein Überblick über diese und weitere Fragen zunächst theoretisch,später an einem praktischen Beispiel erläutert.
Inhalt
1 Einleitung
2 Controlling-Informationssysteme
2.1 Data Warehouse
2.1.1 Definition „Data Warehouse"
2.1.2 Datenquellen eines Data Warehouses
2.1.3 Architektur und Komponenten eines Data Warehouses
2.1.4 Phasen des Data Warehousing
2.2 Data Mining
2.2.1 Definition „Data Mining"
2.2.2 Der Data-Mining-Prozess
3 Controlling-Informationssysteme in der öffentlichen Verwaltung
3.1 Die BaFin
3.2 Derlnsiderhandel
3.3 Überwachung des Insiderhandels
3.3.1 Historie
3.3.2 Organisatorischer Ablauf einer Insideruntersuchung bei der BaFin
3.3.3 Aktuelle Data-Warehouse-Architektur
3.3.4 Auswertung mit Data Mining
3.3.5 Technische Infrastruktur
3.4 Derzeitige Probleme und Ausblick
3.4.1 Schlechte Erfolgsquote vor Gericht
3.4.2 Ausblick
3.5 Wirtschaftlichkeitsaspekte
3.5.1 Verhinderung der Schädigung von Unternehmen
3.5.2 Verhinderung der Schädigung einzelner Marktteilnehmer
3.5.3 Ergebnis
4 Fazit
1 Einleitung
„Public Sector failing to benefit from Business Intelligence at a time when it could most use it" urteilt (Burnett, 2007) / (CIO, 2007) hart über den öffentlichen Bereich.
Ist es wirklich so, dass die öffentliche Verwaltung die Einführung moderner Informationssysteme einfach verschläft? In der Tat verbinden wir Begriffe wie „Controlling", „Business Intelligence" und „Data Warehouse" doch eher mit großen Unternehmen als mit der öffentlichen Verwaltung.
Dies lässt sich auch mit Zahlen belegen. Schon 40% der Unternehmen in den USA und Europa nutzen moderne Informationssysteme. Bei den Verwaltungen setzt jedoch nur ein Fünftel solche Systeme ein. Und die Schere geht weiter auseinander. Weitere 28% der Unternehmen und nur 15% der Verwaltungen planen eine Einführung innerhalb der nächsten zwei Jahre.
Aber welchen Grund sollte die öffentliche Verwaltung haben, ein modernes Informationssystem einzuführen? Unternehmen nutzen die Informationen der Systeme zur Entscheidungsfindung. Entscheidungen, die den Gewinn steigern sollen.
Diesen Anreiz hat die öffentliche Verwaltung nicht. Gibt es somit überhaupt einen Einsatzzweck für Controlling-Informationssysteme im öffentlichen Bereich? Gibt es andere als rein monetäre Entscheidungen, die mit Hilfe von Controlling-Informationssystemen in der öffentlichen Verwaltung getroffen werden können?
In dieser Arbeit wird ein Überblick über diese und weitere Fragen zunächst theoretisch, später an einem praktischen Beispiel erläutert.
2 Controlling-Informationssysteme
Das heutige Leben in Wirtschaft und Verwaltung nimmt ständig an Komplexität zu. Interne und externe Randbedingungen ändern sich schneller als noch vor wenigen Jahren. Informationen werden immer wichtiger. Zunächst war noch das operative Geschäft Schwerpunkt der Anstrengungen. Danach verschob sich der Fokus auf die Versorgung von Führungskräften mit Informationen. Heute fordern jedoch Mitarbeiter aller Hierarchieebenen den Zugang zu Informationen ein, um diese für Entscheidungen zu nutzen.
Die Bereitstellung der richtigen Informationen zum richtigen Zeitpunkt ist die Aufgabe von Controlling-Informationssystemen.
Nach (Kemper, et al., 2004 S. lf) lassen sich die Anstrengungen, solche Informationssysteme zu schaffen, bis in die 60er Jahre zurückverfolgen. Aufgrund der Diskrepanz zwischen den hochgesteckten Zielen und den technischen Möglichkeiten trat jedoch schnell Ernüchterung ein. Als weitere Schwierigkeiten, die frühere Informationssysteme oft scheitern ließen, nennt (Chamoni, et al., 2006 S. 10) u.a. fehlende Interaktivität, übermäßige Starrheit, Informationsüberflutung und mangelnde Datenanbindung.
Heute versprechen Konzepte wie „Business Intelligence", „Data Warehouse", „Online Analytical Processing", „Data Mining" und „Balanced Scorecard" die oben angeführten Probleme zu lösen.
Die vorliegende Arbeit konzentriert sich auf zwei aktuelle Aspekte. Zunächst wird der Aufbau einer unternehmensweiten, vom operativen Datenbestand getrennten, Datenbasis, dem Data Warehouse dargestellt. Als zweites Konzept soll Data Mining als Technik und Verfahren, welches das Auffinden bisher unbekannter Informationen in Data Warehouse basierten Datenbeständen ermöglicht, beleuchtet werden.
2.1 Data Warehouse
Die Aufgabe eines Data Warehouses ist es, Daten aus unterschiedlichen Vorsystemen zusammenzuführen. Dies geschieht, in dem regelmäßig oder anlassbezogen die relevanten Daten extrahiert werden. Diese werden durch verschiedene Mechanismen aufbereitet und strukturiert abgelegt. Der Endbenutzer hat nun Zugriff auf ein breites inhaltliches Spektrum.
2.1.1 Definition „Data Warehouse"
Den Begriff Data Warehouse prägte zunächst William H. Inmon: „A data warehouse is a subject oriented, integrated, non-volatile, and time variant collection of data in support of management's decisions" (Inmon, 1996).
Diese Definition wird heute einerseits als nicht aussagekräftig genug für eine tatsächliche Verwendung angesehen, andererseits als so einschränkend wahrgenommen, dass viele Anwendungsgebiete herausfallen.
Eine neuere Definition bietet (Bauer, et al., 2009 S. 8): „Ein Data Warehouse ist eine physische Datenbank, die eine integrierte Sicht auf beliebige Daten zu Analysezwecken ermöglicht".
Schlüsselbegriffe dieser sehr allgemein gehaltenen Definition sind die physische Integration von Daten aus verschiedenen Datenquellen und der Analyseaspekt.
2.1.2 Datenquellen eines Data Warehouses
Ein Data Warehouse ist als eine Art Datenlager für Analysezwecke zu sehen. Dieses Datenlager muss mit Daten gefüllt werden. Dazu werden Verbindungen zu Datenquellen geschaltet. Die Quelldaten gliedern sich in Primärdaten, also den Daten „an sich" und den Metadaten, die u.a. zur Beschreibung der Primärdaten dienen.
Bei der Auswahl der zur Verfügung stehenden Datenquellen spielen verschiedene Faktoren eine Rolle. (Zeh, 2009 S. 41ff) nennt folgende Faktoren: Zweck des Data-Warehouse- Systems, Qualität der Quelldaten, Verfügbarkeit und Preis für den Erwerb der Quelldaten.
Die ausgewählten Quelldaten lassen sich zur besseren Strukturierung und Übersicht noch klassifizieren. (Zeh, 2009 S. 47ff) klassifiziert u.a. nach Herkunft (intern / extern), Zeit (aktuell / historisch), Inhalt, Sprache und Schutzwürdigkeit der Quelldaten.
2.1.3 Architektur und Komponenten eines Data Warehouses
In der Literatur existieren eine Vielzahl von Architekturmodellen für Data-Warehouse- Systeme. Die Grundlage für diese Arbeit bildet das Referenzmodell von Bauer und Günzel (Abb. 1J.
illustration not visible in this excerpt
Abb. 1: Referenzmodell für die Architektur eines Data Warehouses, in Anlehnung an (Bauer, et al., 2009)
2.1.4 Phasen des Data Warehousing
Die Datenquellen werden durch Monitore auf Änderungen überwacht. Die Änderungen werden periodisch oder anlassbezogen in einen temporären Arbeitsbereich extrahiert. In diesem Arbeitsbereich finden Transformationen der Daten statt, z.B. die Vereinheitlichung von Datentypen oder Maßeinheiten. Im Anschluss werden die Daten in detaillierter Form in die integrierte Basisdatenbank geladen. Die Daten werden dann, im Hinblick auf eine hohe Abfrageeffizienz, neu konzipiert und in das Data Warehouse geladen. Das Data Warehouse bildet die Basis für eine Analyse der Daten, von einfachen Operationen bis hin zu komplexen statistischen Untersuchungen im Rahmen von Data Mining.
Im Repository werden die Metadaten des Data Warehouses gespeichert, z.B. das Datenbankschema oder die Zugriffsrechte. Der Metadaten-Manager steuert die MetadatenVerwaltung.
Der Data Warehouse-Manager als zentrale Komponente initiiert und steuert alle Prozesse.
2.2 Data Mining
„We are drowning in information, but starving for knowledge". Die ständig wachsende Menge an gespeicherten Daten bei Unternehmen, Forschungseinrichtungen und Behörden lässt die von (Naisbitt, 1985) provokativ aufgestellte These aktueller denn je erscheinen. Nicht die gespeicherten Daten an sich bieten Wettbewerbsvorteile gegenüber der Konkurrenz, sondern erst die daraus gewonnen Informationen bzw. das Wissen bringt einen Vorteil.
Nicht immer lässt sich das benötigte Wissen einfach - mittels „herkömmlicher Analysen - aus den gespeicherten Daten abfragen. Vielmehr bleibt die Sicht auf interessante Bezie- hungen zwischen den Daten verdeckt. Die Zeitschrift („Byte", 1995) brachte mit der Überschrift ihrer Ausgabe vom Oktober 1995 das Dilemma in einem Satz auf den Punkt: „There's gold in your data, but you can't see it!" Dort setzt Data Mining an. Data Mining versucht implizit im Datenberg gespeicherte Informationen durch verschiedene Verfahren zum Aufspüren von Mustern und Regeln explizit nutzbar zu machen.
2.2.1 Definition „Data Mining"
(Grob, et al., 1999 S. 4) versucht aus der Vielzahl der in der Literatur vorkommenden Definitionen generisch abzuleiten, dass man unter Data Mining einen integrierten Prozess versteht, „der durch die Anwendung von Methoden auf einen Datenbestand Muster identifiziert."
Integriert bedeutet in diesem Zusammenhang, dass Data Mining ein mehrstufiger Prozess ist, angefangen bei der Datenbeschaffung über die Methodenanwendung bis zur Präsentation der gefundenen Muster.
2.2.2 Der Data-Mining-Prozess
illustration not visible in this excerpt
Abb. 2: Der Data-Mining-Prozess, in Anlehnung an (Grob, et al., 1999)
Zunächst findet eine Extraktion der Daten statt. Als Datenquelle kommt hier vor allem ein Data Warehouse in Frage, aber auch weitere Datenquellen sind durchaus denkbar.
Die sich anschließende Phase der Selektion hat die Aufgabe, die Datensätze auszuwählen, in denen die Suche nach Mustern erfolgen soll.
Die Daten müssen allerdings oft noch aufbereitet werden. Vor der Mustererkennung muss die Qualität der Daten sichergestellt werden. So müssen z.B. Synonyme normiert werden und Redundanzen abgestellt werden. Dies findet im Rahmen einer Vorverarbeitung statt.
In der Transformationsphase geht es darum, die Daten in ein Datenbankschema umzuformen, das vom jeweils verwendeten Data-Mining-System verwendet werden kann.
Im Anschluss findet mit der Methodenanwendung die Kernphase des Data-Mining- Prozesses statt. Dabei wird zunächst eine geeignete Methode (z.B. Assoziations- oder Clusteranalyse) ausgewählt und auf den Datenbestand angewendet.
Schließlich werden die gewonnenen Daten in einer für den Empfänger lesbaren Form ausgegeben, z.B. in einem Diagramm oder in einem Bericht.
3 Controlling-Informationssysteme in der öffentlichen Verwaltung
Die Frage, ob es in der öffentlichen Verwaltung überhaupt einen Bedarf und Anwendungsgebiete für Controlling Informationssysteme gibt, wurde eingangs schon aufgeworfen. Die Analysten der Gartner Group bescheinigten der öffentlichen Verwaltung sogar, dass diese die aktuellen Trends rund um moderne Informationssysteme komplett verschliefe.
Anwendungsgebiete für eine Unterstützung von Controlling Informationssystemen sind allerdings auch im öffentlichen Bereich in einer Vielzahl denkbar. Überall dort, wo Entscheidungen nicht nur aus dem Bauch heraus oder aufgrund der aktuellen politischen Lage getroffen werden sollen, sind Controlling-Informationssysteme sinnvoll. So können politische Beschlüsse auf eine sichere Grundlage, nachvollziehbare Verwaltungsakte und transparente Haushaltsplanung auf vernünftige und nachvollziehbare Daten gestützt werden.
Dies ist gerade bei den aktuellen Bestrebungen der Verwaltungsmodernisierung relevant. Um Verwaltungsabläufe effektiver gestalten zu können, ist zunächst eine fundierte Datenbasis erforderlich, aus der die möglichen Instrumente für eine Änderung der Abläufe entwickelt werden können.
Unabhängig von der Verwaltungsmodernisierung ist es auch möglich, Data-Warehouse- Systeme für die Erstellung von Statistiken zu nutzen.
Auch der Einsatz von Data-Mining-Technologien ist denkbar, um bisher nicht bekannte Zusammenhänge zu erkennen und zu nutzen.
Somit mangelt es nicht an Einsatzgebieten, sondern eher an der tatsächlichen Umsetzung und der Bereitschaft der jeweiligen Behördenspitzen, die Sache anzugehen. Dies belegen auch die Zahlen der Studie der Gartner Group.
Dennoch lässt sich dies nicht auf den gesamten öffentlichen Bereich pauschalisieren. Es existieren durchaus interessante Ansätze und ausgereifte Controlling Informationssysteme in der öffentlichen Verwaltung:
- Die Bundesagentur für Arbeit führt seit kurzem sämtliche Informationen, die für Statistiken, Auswertungen, Berichte und Analysen benötigt werden in einem zentralen Data Warehouse zusammen. Mussten Daten für Statistiken zuvor mühsam manuell aus über 80 Datenquellen herausgesucht und aufgearbeitet werden, lassen sich Statistiken heute automatisiert sehr viel effizienter erstellen (CIO, 2008).
- Das NYPD (New York City Police Department) setzt ein Real Time Data-Warehouse- System ein um minutengenaue Informationen über aufkommende Verbrechensmuster und potenzielle Verdächtige zu erhalten. Mit Hilfe des sogenannten „Real Time Crime Centers" werden zudem die Polizeiressourcen der ganzen Stadt koordiniert. Eine Abfrage der Systeme ist auch aus den meisten Streifenwagen möglich. Die Sicherheit und die
Aufklärungsrate konnte durch dieses System messbar verbessert werden (PoliceChief, 2006).
- Das West Midlands Police Department (Großbritannien) versucht mit Hilfe von Data Mining Technologien ungelöste Kriminalfälle (sogenannte Cold Case Fälle) aufzuarbeiten und Serientäter anhand von Verhaltensmustern zu identifizieren (Notz, 2007).
- Die Stadt Köln erstellt auf der Grundlage eines Data Warehouses den „KölnAtlas Familie", in dem ein Monitoring der Lebenslagen von Familien, ihrer Rahmenbedingungen und Infrastrukturen stattfindet. Integrierte Daten sind u.a. die Befragungen von Müttern und Vätern, Einkommensverhältnisse, Arbeitsplatzangebote sowie Wohnungsangebote. Auf der Grundlage dieser Daten wird von den Verantwortlichen ein Handlungskonzept auf gesicherter Datenbasis erstellt (Berg, 2007).
- Insiderfahndung durch die BaFin (Bundesanstalt für Finanzdienstleitungsaufsicht). Dieses Beispiel wird im Folgenden noch detaillierter behandelt.
3.1 Die BaFin
Die BaFin ist eine selbstständige Bundesanstalt mit Dienstsitz in Frankfurt am Main und Bonn. Sie beschäftigt derzeit ca. 1.700 Mitarbeiter(BaFin, 2008). Die BaFin entstand im Jahr 2002 durch Zusammenlegung der Bundesaufsichtsämter für Kreditwesen, Wertpapierhandel und Versicherungswesen. Die ehemaligen Bundesaufsichtsämter bilden heute die Fachbereiche, bzw. „Säulen" der BaFin (s. Abb. 3). Außerdem existieren Abteilungen, die sektorübergreifende Aufgaben wahrnehmen.
illustration not visible in this excerpt
Abb. 3: Die „Säulen" der BaFin
Die BaFin kontrolliert im Rahmen ihrer Allfinanzaufsicht alle Bereiche des Finanzwesens in Deutschland. Sie soll damit die Funktionsfähigkeit, Integrität und Stabilität des deutschen Finanzsystems sicherstellen.
[...]
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X.