Die Bedeutung der Balanced Scorecard (BSC) als Kennzahlensystem zur Umsetzung von Unternehmensstrategien hat in den letzten Jahren stark zugenommen. Die Balanced Scorecard verbindet dabei finanzwirtschaftliche und qualitative Größen in ausgewogener Weise.
Um eine effiziente Steuerung von Unternehmen zu ermöglichen, ist es unerlässlich wichtige Kennzahlen sowie deren Ursache-/Wirkungsbeziehungen zu identifizieren und damit die Wirkung von unternehmerischen Entscheidungen, die sich mit zeitlichem Abstand in unterschiedlichen Größen niederschlagen, zu erkennen. Diese Beziehungen zwischen den Kennzahlen werden häufig lediglich durch Expertenhypothesen, Heuristiken bzw. nur durch statistische Methoden definiert.
Eine möglichst wirklichkeitsgetreue Abbildung der häufig komplexen, aber auch von Unsicherheit geprägten Beziehungen der Kennzahlen ist somit nicht möglich. Teure Fehlsteuerungen des Managements könnten die Folge sein.
Die hier vorgestellte Repräsentationsform der Struktur der Beziehungen zwischen den Kennzahlen wird praktischen Ansprüchen durch die Verwendung von Kennzahlen in Form von Zufallsvariablen, die durch gerichtete Kanten miteinander verbunden sind (können komplexe Ursache-/Wirkungsbeziehungen repräsentieren), in einem hohen Maß gerecht. Diese Darstellungsart wird in der Literatur als Bayessches Netzwerk (BN) definiert.
Im Rahmen dieser Arbeit soll dabei die Erstellung einer Balanced Scorecard für Versicherungsunternehmen in Form von einem Bayesschen Netzwerk vorgestellt werden.
Inhaltsverzeichnis
1 Einleitung
2 Theoretische Grundlagen der Balanced Scorecard
2.1 Definition und Klärung der Bedeutung von Balanced Scorecards
2.2 Verbesserungspotentiale des Balanced Scorecardansatzes in der praktischen Anwendung
3 Theorie der Bayesschen Netzwerke
3.1 Allgemeine Bayessche Netzwerke
3.1.1 Klärung der Bedeutung und formale Definition von Bayesschen Netzwerken
3.1.2 Bedingte Unabhängigkeit und d-Separation
3.1.3 Inferenz in Bayesschen Netzwerken
3.2 Dynamische Bayessche Netzwerke
4 Theorie der Verfahren zum Maschinellen Lernen von Bayesschen Netzwerken
4.1 Grundlagen des Maschinellen Lernens
4.1.1 Definition und Abgrenzung des Maschinellen Lernens
4.1.2 Grundlagen des Maschinellen Lernens von Bayesschen Netzwerken
4.2 Maschinelles Lernen der Wahrscheinlichkeitsverteilung von Bayesschen Netzwerken - Bekannte Struktur, vollständige Datenbank
4.2.1 Objektiver Ansatz – Maximum-Likelihood-Schätzung
4.2.2 Bayesscher Ansatz – Maximum a posteriori Schätzung
4.3 Maschinelles Lernen der Wahrscheinlichkeitsverteilung von Bayesschen Netzwerken - Bekannte Struktur, unvollständige Datenbank
4.3.1 Allgemeine Informationen zu den Methoden
4.3.2 Gibbs Sampling
4.3.3 EM- Algorithmus
4.3.4 Bound and Collapse Algorithmus
4.4 Maschinelles Lernen der Struktur von Allgemeinen Bayesschen Netzwerken - vollständige Datenbank
4.4.1 Testbasierter (Constraint-based) Ansatz
4.4.2 Metrikbasierter Ansatz
4.4.2.1 Vorstellung von Qualitätsmaßen (Metriken)
4.4.2.2 Suchverfahren für die Anwendung der Metriken
4.4.2.3 Alternativer Metrikbasierter Ansatz – Model Averaging
4.5 Maschinelles Lernen der Struktur von Dynamischen Bayesschen Netzwerken - vollständige Datenbank
4.6 Maschinelles Lernen der Struktur von Allgemeinen Bayesschen Netzwerken - unvollständige Datenbank
4.6.1 Allgemeine Bemerkungen
4.6.2 Rein zufälliges Fehlen von Werten in der Trainingsdatenbank - SEM- Algorithmus
4.6.3 Nicht zufälliges Fehlen von Werten bei den Trainingsdaten
4.6.4 Einführung von versteckten Variablen zur Komplexitätsreduktion
4.7 Maschinelles Lernen der Struktur von Dynamischen Bayesschen Netzwerken - unvollständige Datenbank
5 Praktische Anwendung der Strukturlernalgorithmen für das Maschinelle Lernen einer Balanced Scorecard für Versicherungsunternehmen
5.1 Kurzvorstellung der verwendeten Kennzahlen
5.1.1 Allgemeine Bemerkungen
5.1.2 Ergebniswirksame Kennzahlen
5.1.3 Bilanzielle Kennzahlen
5.1.4 Kundenkennzahlen
5.1.4.1 Kundenzufriedenheit
5.1.4.2 Kundenstruktur
5.1.4.3 Sonstige Kundenkennzahlen
5.1.5 Mitarbeiterkennzahlen
5.1.5.1 Allgemeine Mitarbeiterkennzahlen
5.1.5.2 Maklerkennzahlen
5.1.5.3 Ausschließlichkeitsvertreterkennzahlen
5.1.6 Spartenbezogene Kennzahlen
5.2 Beschreibung der Vorgehensweise bei der Datenvorbereitung und beim Maschinellen Lernen
5.2.1 Methoden- und Programmauswahl
5.2.2 Fallauswahl und Stellvertreterbildung
5.2.3 Gruppierung der Werte
5.2.4 Weitere Hinweise zur Kennzahlenauswahl
5.2.5 Beschreibung der Vorgehensweise beim Maschinellen Lernen der Bayesschen Netzwerke
5.2.5.1 Statisches Modell
5.2.5.2 Dynamisches Modell
5.3 Darstellung der Ergebnisse des Maschinellen Lernens
5.3.1 Statisches Modell
5.3.2 Dynamisches Modell
5.4 Sensitivitätsanalysen
5.4.1 Statisches Modell
5.4.2 Dynamisches Modell
6 Zusammenfassung
7 Anhang
7.1 Recherchen zum Outsourcingindikator
7.2 Ergebnisse der Analysen zur Kennzahlenauswahl
7.2.1 Betrachtung der Anzahl der Verbindungen
7.2.2 Rangkorrelationsanalysen zur Kennzahlenauswahl
7.3 Selbst erstelltes Übergangsnetzwerk
7.4 Ergebnisgraphen
7.4.1 Gesamthausbezogene Graphen
7.4.2 Spartenbezogene Graphen
Zielsetzung & Themen
Die vorliegende Arbeit zielt darauf ab, ein Verfahren zur automatisierten Erstellung einer Balanced Scorecard (BSC) für Versicherungsunternehmen zu entwickeln, indem sie die komplexen und unsicheren Ursache-Wirkungs-Beziehungen zwischen verschiedenen Kennzahlen mittels Bayesscher Netzwerke modelliert. Die zentrale Forschungsfrage untersucht dabei, wie Methoden des Maschinellen Lernens eingesetzt werden können, um aus bestehenden Datensätzen empirisch fundierte Strukturen für eine BSC abzuleiten.
- Modellierung von Ursache-Wirkungs-Beziehungen durch Bayessche Netzwerke
- Anwendung von Algorithmen des Maschinellen Lernens auf Versicherungsdaten
- Integration von statischen und dynamischen Modellen zur Abbildung zeitlicher Abhängigkeiten
- Strukturanalyse und Validierung von Kennzahlensystemen in der Versicherungsbranche
- Methoden zum Umgang mit unvollständigen Trainingsdatensätzen
Auszug aus dem Buch
4.2.1 Objektiver Ansatz – Maximum-Likelihood-Schätzung
Für die Berechnung der gemeinsamen Verteilung der Zufallsvariablen nach Gleichung (3) werden die bedingten Wahrscheinlichkeiten P(X pa(X )) i i benötigt. Eine spezielle Wertausprägung dieser bedingten Wahrscheinlichkeit wird als P(X pa(X ) j) θ ijk = i = k i = bezeichnet, wobei die Zufallsvariable Xi den Wert k und ihre Eltern die j-te Zustandskombination einnehmen. Bei der Maximum-Likelihood-Methode wird diese bedingte Wahrscheinlichkeit einzig und allein anhand der Anzahl der Wertausprägungen in den Trainingsdaten, für die Xi=k sowie pa(Xi)=j gilt, geschätzt. Somit lassen sich die bedingten Wahrscheinlichkeiten durch die folgende Formel ermitteln: ij ijk N N θ ijk ≈ (7), wobei Nij für die Gesamtzahl der Fälle bei den Trainingsdaten steht, bei denen die Eltern von Xi die Wertausprägung j haben.97 Es ist offensichtlich, dass dieser Ansatz nur hinreichend genaue Werte liefert, falls sehr viele Trainingsdaten vorhanden sind.98 Letztendlich ist es auch beim Erlernen der bedingten Wahrscheinlichkeiten so, dass eine Maßzahl, die Likelihood der Daten L, maximiert werden soll. Diese Maßzahl ist in ein Produkt von Metriken für die einzelnen Knoten zerlegbar.
Zusammenfassung der Kapitel
1 Einleitung: Einführung in die Bedeutung der Balanced Scorecard für Versicherungsunternehmen und Vorstellung der Zielsetzung, durch Bayessche Netzwerke komplexe Ursache-Wirkungs-Beziehungen zwischen Kennzahlen aus Daten zu erlernen.
2 Theoretische Grundlagen der Balanced Scorecard: Erörterung der Balanced Scorecard als Instrument zur Strategieumsetzung sowie Diskussion von deren Grenzen und Verbesserungspotentialen in der Versicherungspraxis.
3 Theorie der Bayesschen Netzwerke: Formale Einführung in Bayessche Netzwerke, ihre Definition als gerichtete, azyklische Graphen und Erläuterung von Konzepten wie Inferenz und dynamischen Netzwerken zur Abbildung stochastischer Prozesse.
4 Theorie der Verfahren zum Maschinellen Lernen von Bayesschen Netzwerken: Detaillierte Darstellung der theoretischen Algorithmen zum Erlernen von Parametern und Strukturen, inklusive des Umgangs mit unvollständigen Daten mittels Verfahren wie EM oder Bound and Collapse.
5 Praktische Anwendung der Strukturlernalgorithmen für das Maschinelle Lernen einer Balanced Scorecard für Versicherungsunternehmen: Praktische Umsetzung der zuvor behandelten Methoden, von der Auswahl der Kennzahlen bis hin zur Implementierung und Sensitivitätsanalyse der erlernten Modelle für ein Versicherungsunternehmen.
6 Zusammenfassung: Reflexion über die Eignung des Machine-Learning-Ansatzes zur Aufdeckung von Kennzahlenbeziehungen und Ausblick auf zukünftige Optimierungsmöglichkeiten und Forschungsfelder.
Schlüsselwörter
Balanced Scorecard, Versicherungsunternehmen, Bayessche Netzwerke, Maschinelles Lernen, Data Mining, Ursache-Wirkungs-Beziehungen, Kennzahlensysteme, Struktur-Lernalgorithmen, Inferenz, Wahrscheinlichkeitstheorie, Statisches Modell, Dynamisches Modell, BIC-Kriterium, EM-Algorithmus, Risikomanagement.
Häufig gestellte Fragen
Worum geht es in dieser Diplomarbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der computergestützten Generierung von Balanced Scorecards für Versicherer, um Ursache-Wirkungs-Zusammenhänge zwischen verschiedenen betriebswirtschaftlichen Kennzahlen datengetrieben zu identifizieren.
Was sind die zentralen Themenfelder?
Die Kerngebiete umfassen das strategische Management mit der Balanced Scorecard, die statistische Modellierung mittels Bayesscher Netzwerke und die Anwendung von Data-Mining-Methoden zur Wissensentdeckung in Datenbanken.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist die Erstellung einer BSC, die über rein subjektive Expertenmeinungen hinausgeht und stattdessen die empirischen Abhängigkeiten zwischen Kennzahlen mittels Maschinellem Lernen in Form eines Bayesschen Netzwerks explizit macht.
Welche wissenschaftlichen Methoden kommen zum Einsatz?
Es werden verschiedene Algorithmen für das Maschinelle Lernen angewandt, darunter Verfahren zur Parameterschätzung (Maximum-Likelihood) und Strukturlernalgorithmen (z.B. K2, Hill-Climbing) zur Identifikation der optimalen Netzwerkstruktur.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine theoretische fundierte Einführung der Bayesschen Netzwerke und deren Lernverfahren sowie die praktische Implementierung dieser Methoden anhand realer Daten aus dem Versicherungsinformationspool.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Zentrale Begriffe sind Balanced Scorecard, Bayessche Netzwerke, Maschinelles Lernen, Data Mining, Ursache-Wirkungs-Analyse und Kennzahlenoptimierung.
Warum reicht eine klassische Korrelationsanalyse nicht aus?
Klassische Korrelationsanalysen bilden keine kausalen Strukturen oder zeitliche Dynamiken ab und lassen keine eindeutigen Rückschlüsse auf Ursache-Wirkungs-Beziehungen zwischen Variablen zu, was bei komplexen Scorecards zu Fehlsteuerungen führen kann.
Wie wird mit unvollständigen Daten in den Trainingssätzen umgegangen?
Die Arbeit nutzt spezifische Algorithmen wie den EM-Algorithmus (Expectation Maximization) und den Bound and Collapse (BC) Algorithmus, um fehlende Werte statistisch zu behandeln und die Modellgüte trotz Datenlücken zu sichern.
- Quote paper
- Uwe Kaps (Author), 2004, Maschinelles Lernen einer Balanced Scorecard für Versicherungsunternehmen in Gestalt von Bayesschen Netzwerken, Munich, GRIN Verlag, https://www.grin.com/document/31430
