Controlling-Informationssysteme in der öffentlichen Verwaltung

Insiderfahndung durch die Bundesanstalt für Finanzdienstleistungsaufsicht


Hausarbeit, 2009
31 Seiten, Note: 1,0

Leseprobe

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.

[...]

Ende der Leseprobe aus 31 Seiten

Details

Titel
Controlling-Informationssysteme in der öffentlichen Verwaltung
Untertitel
Insiderfahndung durch die Bundesanstalt für Finanzdienstleistungsaufsicht
Hochschule
Fachhochschule Dortmund
Veranstaltung
IT-Controlling
Note
1,0
Autor
Jahr
2009
Seiten
31
Katalognummer
V131177
ISBN (eBook)
9783640367078
ISBN (Buch)
9783640367382
Dateigröße
2887 KB
Sprache
Deutsch
Schlagworte
IT-Controlling, Business-Intelligence, Data-Warehouse, Data-Mining, öffentliche Verwaltung, BaFin, Insider-Handel, Aktien
Arbeit zitieren
Sebastian Kexel (Autor), 2009, Controlling-Informationssysteme in der öffentlichen Verwaltung, München, GRIN Verlag, https://www.grin.com/document/131177

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Controlling-Informationssysteme in der öffentlichen Verwaltung


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden