Skip to main content
SpringerLink
Log in

Technologische und konzeptionelle Ansätze zur Analyse und zum Reporting von Risikodaten in Kreditinstituten

  • Chapter
  • First Online:
Risikoreporting in Finanzinstituten

  • 1557 Accesses

Zusammenfassung

Die Basis für ein tragfähiges Konzept zur Analyse und zum Reporting von Risikodaten in Kreditinstituten bilden die eingesetzten IT-Systeme und deren Zusammenspiel. Dabei erweisen sich heutige IT-Landschaften oftmals als unüberschaubares Geflecht von miteinander verwobenen Einzelkomponenten einschließlich der zugehörigen Schnittstellen. Auch eine Einengung der Betrachtung auf die Bausteine zur Analyse und für das Reporting vermindert die Komplexität nur marginal.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 44.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 59.99
Price excludes VAT (USA)
  • Durable hardcover edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Literatur

  • Agresti, A. (2013): Categorical Data Anlaysis, 3. Aufl., John Wiley & Sons, Hoboken.

    Google Scholar 

  • Alexander, C. (2008): Market Risk Analysis Volume I: Quantitative Methods in Finance, John Wiley & Sons, Chichester.

    Google Scholar 

  • Allison, P. D. (2012): Logistic Regression Using SAS – Theory and Application, 2. Aufl., SAS Institute, Cary.

    Google Scholar 

  • Apel, D.; Behme, W. (2010): Datenintegration – Ein Prozess zur Verbesserung der Datenqualität, in: Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme, 4. Aufl., Springer, Berlin, Heidelberg, S. 115–130.

    Google Scholar 

  • Azevedo, A.; Santos, M. F. (2008): KDD, SEMMA and CRISP-DM: A Parallell Overview, IADIS Proceedings oft he European Conference on Data Mining 2008, Amsterdam, July 24–26, 2008, zuletzt abgerufen am: 14.09.2019, https://www.researchgate.net/publication/220969845.

  • Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R. (2016): Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 14. Aufl., Springer Gabler, Heidelberg.

    Google Scholar 

  • Backhaus, K.; Erichson, B.; Weiber, R. (2015): Fortgeschrittene Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 3. Aufl., Springer Gabler, Heidelberg.

    Google Scholar 

  • Baesens, B.; Rösch, D.; Scheule, H. (2016): Credit Risk Analytics: Measurement Techniques, Applications, and Examples in SAS, Wiley, Hoboken.

    Google Scholar 

  • Bankhofer U. (2004): Data Mining und seine betriebswirtschaftliche Relevanz. In: Betriebswirtschaftliche Forschung und Praxis (BFuP), Heft 4, S. 395–412.

    Google Scholar 

  • Basel Committee on Banking Supervision (2005): Studies on the Validation of Internal Rating Systems. Working Paper No. 14, Revised Version May 2005, zuletzt abgerufen am: 08.04.2019, https://www.bis.org/publ/bcbs_wp14.pdf.

  • Benz, A.; Lütz, S.; Schimank, U.; Simonis, G. (2007): Handbuch Governance, VS Verlag für Sozialwissenschaften, Wiesbaden.

    Google Scholar 

  • Bissantz, N.; Hagedorn, J. (1993): Data Mining (Datenmustererkennung), in: Wirtschaftsinformatik, 35, S. 481–487.

    Google Scholar 

  • Bleymüller, J.; Weißbach, R. (2015): Statistik für Wirtschaftswissenschaftler, 17. Aufl., Vahlen, München.

    Google Scholar 

  • Blochwitz, S.; Hohl, S. (2011): Validation of Banks’ Internal Rating Systems: A Supervisory Perspective, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 247–267.

    Google Scholar 

  • Blochwitz, S.; Martin, M. R. W.; Wehn, C. S. (2011): Statistical Approaches to PD Validation, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 293–309.

    Google Scholar 

  • Bloemen, J.; Stauffer, H. (2014): Datenstrategie im Wandel – Erweiterte Ansätze der Entscheidungsfindung im Unternehmen, Vortrag auf der TDWI-Jahrestagung 2014, München, 24.6.2014.

    Google Scholar 

  • Bortz, J.; Schuster, C. (2010): Statistik für Human- und Sozialwissenschaftler, 7. Aufl., Springer, Berlin.

    Google Scholar 

  • Brecht, U. (2012): BWL für Führungskräfte. Was Entscheider im Unternehmen wissen müssen, 2. Aufl., Springer Gabler, Wiesbaden.

    Google Scholar 

  • Castermans, G.; Martens, D.; Van Gestel, B.; Hamers, B.; Baesens, B. (2010): An overview and framework for PD backtesting and benchmarking, in: Journal of the Operational Research Society 61, S. 359–373.

    Google Scholar 

  • Chamoni, P.; Beekmann, F.; Bley, T. (2010): Ausgewählte Verfahren des Data Mining, in: Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme, Springer, Heidelberg, S. 329–356.

    Google Scholar 

  • Chapman, P.; Clinton, J,; Kerber, R,; Khabaza, T.; Reinartz, T.; Shearer, C.; Wirth, R. (2000): CRISP-DM 1.0 Step-by-step data mining guide. SPSS Inc., zuletzt abgerufen am: 26.12.2017, ftp://ftp.software.ibm.com/software/analytics/spss/support/Modeler/Documentation/14/UserManual/CRISP-DM.pdf.

  • Crawley, M. J. (2013): The R Book, 2. Aufl., Wiley & Sons, Chichester.

    Google Scholar 

  • Devlin, B.; Murphy, P. T. (1988). An architecture for a business and information system, IBM Systems Journal, 27 (1), S. 60–80.

    Google Scholar 

  • DGI (2017a): How to use the DGI Data Governance Framework to configure your program, The Data Governance Institute, zuletzt abgerufen am: 14.09.2019, http://www.datagovernance.com/wp-content/uploads/2014/11/wp_how_to_use_the_dgi_data_governance_framework.pdf.

  • DGI (2017b): The DGI Data Governance Framework, The Data Governance Institute, zuletzt abgerufen am: 14.09.2019, http://www.datagovernance.com/wp-content/uploads/2014/11/dgi_framework.pdf.

  • Diekmann, J.; Bresbak, U. (2016): Quo Vadis, Data Warehouse?, in: BI-Spektrum, 1101/2016, S. 30–33.

    Google Scholar 

  • Dittmar, C.; Felden, C.; Finger, R.; Scheuch, R.; Tams, L. (2016): Big Data – Ein Überblick, d-punkt, Heidelberg.

    Google Scholar 

  • Eaton, C.; Deroos, D.; Deutsch, T.; Lapis, G.; Zikopoulos, P. (2012): Understanding Big Data, Analytics for Enterprise Class Hadoop and Streaming Data, Mcgraw-Hill, New York.

    Google Scholar 

  • Eckerson, W.; Hammond, M. (2011): Visual Reporting and Analysis, TDWI Best Practice Report, Eigenverlag, Renton.

    Google Scholar 

  • Efron, B.; Hastie, T. (2016): Computer Age Statistical Inference – Algorithms, Evidence, and Data Science, Corrected Printing November 10, 2017, Cambridge University Press, Cambridge.

    Google Scholar 

  • Eid, M.; Gollwitzer, M.; Schmitt, M. (2017): Statistik und Forschungsmethoden, 5. Aufl., Beltz, Weinheim.

    Google Scholar 

  • EMC (2015): Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data, John Wiley & Sons, Indianapolis.

    Google Scholar 

  • Engelmann, B. (2011): Measures of a Rating’s Discriminative Power: Applications and Limitations, in: Engelmann, B.; Rauhmeier, R. (Hrsg.): The Basel II Risk Parameters: Estimation, Validation, Stress Testing – with Applications to Loan Risk Management, 2. Aufl., Springer, Berlin, S. 269–291.

    Google Scholar 

  • Evans, J. R.; Lindner, C. H. (2012): Business Analytics: The Next Frontier for Decision Sciences, College of Business, University of Cincinnati, Decision Science Institute, zuletzt abgerufen am: 14.09.2019, http://www.cbpp.uaa.alaska.edu/afef/business_analytics.htm.

  • Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P. (1996): From Data Mining to Knowledge Discovery in Databases, in: AI Magazine 17 (3), S. 37–54.

    Google Scholar 

  • Few, S. (2006): Information Dashboard Design. The effective visual communication of data, O’Reilly Media, Sebastopol.

    Google Scholar 

  • Field, A.; Miles, J.; Field, Z. (2012): Discovering Statistics Using R, Sage Publications, London.

    Google Scholar 

  • Fingerlos, U. R.; Golla, G.; Pastwa, A. (2016): Risk Analytics im Bankenumfeld, in: BI-Spektrum 05/2016, S. 36–40.

    Google Scholar 

  • Gansor, T.; Totok, A. (2015): Von der Strategie zum Business Intelligence Competence Center (BICC), 2. Aufl., d-punkt, Heidelberg.

    Google Scholar 

  • Gluchowski, P. (2001): Business Intelligence. Konzepte, Technologien und Einsatzbereiche, in: HMD – Theorie und Praxis der Wirtschaftsinformatik, 38. Jg., Heft 222, Dezember 2001, S. 5–15.

    Google Scholar 

  • Gluchowski, P.; Gabriel, R.; Dittmar, C. (2008): Management Support Systeme und Business Intelligence, 2. Aufl., Springer, Berlin.

    Google Scholar 

  • Gluchowski, P.; Kemper H.-G. (2006): Quo Vadis Business Intelligence? Aktuelle Konzepte und Entwicklungstrends, in: BI-Spektrum, 01/2006, S. 12–19.

    Google Scholar 

  • Gower, B. (1997): Scientific Method: An Historical and Philosophical Introduction, Routledge, London.

    Google Scholar 

  • Greene, W. H. (2012): Econometric Analysis, 7. Aufl., Pearson Education, Boston.

    Google Scholar 

  • Hahn D.; Laßmann G. (1986): Produktionswirtschaft – Controlling industrieller Produktion, Band 1 und 2, Physika, Heidelberg.

    Google Scholar 

  • Halper, F. (2014): Predictive Analytics for Business Advantage, TDWI Report, Eigenverlag, Renton.

    Google Scholar 

  • Hardt, F.; Lenzhölzer, C. (2017): Wie Lakes, Labs und Governance das DWH beeinflussen, in: BI-Spektrum 03/2017, S. 22–26.

    Google Scholar 

  • Hastie, T.; Tibshirani, R.; Friedman, J. (2009): The Elements of Statistical Learning – Data Mining, Inference, and Prediction, 2. Aufl., Springer, New York.

    Google Scholar 

  • Hill, R. C.; Griffiths, W. E.; Lim, G. C. (2018): Principles of Econometrics, 5. Aufl., Wiley, Hoboken.

    Google Scholar 

  • Horvath, P. (2006): Controlling, 10. Aufl., Vahlen, München.

    Google Scholar 

  • Hungenberg, H.; Wulf, T. (2011): Grundlagen der Unternehmensführung. Einführung für Bachelorstudierende, Springer, Berlin.

    Google Scholar 

  • IBM (2015): IBM SPSS Modeler CRISP-DM Handbuch (Version 17, Release 1, Modifikation 0 von IBM SPSS Modeler), IBM Corporation, zuletzt abgerufen am: 27.12.2017, ftp://public.dhe.ibm.com/software/analytics/spss/documentation/modeler/17.1/de/ModelerCRISPDM.pdf.

  • IBM (2017): IBM SPSS Modeler CRISP-DM Handbuch (Version 18, Release 0, Modifikation 0 von IBM SPSS Modeler), IBM Corporation, zuletzt abgerufen am: 27.12.2017, ftp://ftp.software.ibm.com/software/analytics/spss/documentation/modeler/18.1/de/ModelerCRISPDM.pdf.

  • Imhoff, C.; White, C. (2011): Self-Service Business Intelligence, Empowering Users to generate Insight, TDWI Best Practice Report, Eigenverlag, Renton.

    Google Scholar 

  • Inmon, W. H. (2002): Building the Data Warehouse, 3. Aufl., John Wiley & Sons, New York.

    Google Scholar 

  • James, G.; Witten, D.; Hastie, T.; Tibshirani, R. (2013): An Introduction to Statistical Learning with Applications in R, Springer, New York.

    Google Scholar 

  • Kemper, H.-G.; Mehanna, W.; Unger, C. (2004): Business Intelligence – Grundlagen und praktische Anwendung, Vieweg, Wiesbaden.

    Google Scholar 

  • Kemper, H.-G.; Finger, R (2016): Transformation operativer Daten – Konzeptionelle Überlegungen zur Filterung, Harmonisierung, Aggregation und Anreicherung im Data Warehouse (DWH), in: Chamoni, P.: Gluchowski, P. (Hrsg.): Analytische Informationssysteme, 5. Aufl., Springer, Berlin, S. 129–145.

    Google Scholar 

  • Kennedy, P. (2008): A Guide to Econometrics. 6. Aufl., Blackwell Publishing, Malden.

    Google Scholar 

  • Khatri, V.; Brown, C. V. (2010): Designing Data Governance, in: Communications of the ACM, 53 (1), S. 148–152.

    Google Scholar 

  • Klein, D.; Phuoc T.; Hartmann, M. (2013): Big Data, in: Informatik Spektrum, 36 (3), S. 319–323.

    Google Scholar 

  • Knolmayer, G.; Asprion, P. M.; Loosli, G. (2016): IT-Governance, in: Enzyklopädie der Wirtschaftsinformatik, zuletzt abgerufen am: 27.08.2017, http://www.enzyklopaedie-der-wirtschaftsinformatik.de/lexikon/daten-wissen/Grundlagen-der-Informationsversorgung/IT-Governance.

  • Krämer, W.; Schoffer, O.; Tschiersch, L. (2014): Datenanalyse mit SAS: Statistische Verfahren und ihre grafischen Aspekte, 3. Aufl., Springer Gabler, Heidelberg.

    Google Scholar 

  • Kröhnert, J. (2016): Lösungsarchitektur für das Internet of Things. Mit Lambda zum intelligenten Unternehmen, in: BI-Spektrum, 02/2016, S. 18–20.

    Google Scholar 

  • Kromer, M. (2015): Modern Hybrid Big Data Warehouse Architectures, in: Business Intelligence Journal, 19 (4), S. 48–55.

    Google Scholar 

  • Küpper, H.-U. (2005): Controlling. Konzeption, Aufgaben und Instrumente, 4. Aufl., Schäffer Poeschel, Stuttgart.

    Google Scholar 

  • Küsters, U. (2001): Data Mining Methoden: Einordnung und Überblick, in: Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K. D. (Hrsg.): Handbuch Data Mining im Marketing: knowledge discovery in marketing databases, Vieweg, Wiesbaden, S. 95–130.

    Google Scholar 

  • Kutner, M. H.; Nachtsheim, C. J.; Neter, J.; Li, W. (2005): Applied Linear Statistical Models, 5. Aufl., McGraw-Hill Irwin, Boston.

    Google Scholar 

  • Ladley, J. (2012): Data governance. How to design deploy and sustain an effective data governance program, Morgan Kaufmann, o. O.

    Google Scholar 

  • Larose, D. T.; Larose, C. D. (2015): Data Mining and Predictive Analytics, 2. Aufl., John Wiley & Sons, Hoboken.

    Google Scholar 

  • Lessmann, S.; Baesens, B.; Seow, H.-V.; Thomas, L.C. (2015): Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research, in: European Journal of Operational Research 247, S. 124–136.

    Google Scholar 

  • Lusti, M. (2002): Data Warehousing und Data Mining, 2. Aufl., Springer, Berlin.

    Google Scholar 

  • Marz, N.; Warren, J. (2015): Big Data – Principles and best practices of scalable real-time data systems, Manning, Shelter Island, NY.

    Google Scholar 

  • Meyer, M. (2002): Einsatz von Klassifikation und Prognose im Web Mining, in: Hippner H., Merzenich M., Wilde K. (Hrsg.): Handbuch Web Mining im Marketing: Konzepte, Systeme, Fallstudien, Vieweg, Braunschweig, S. 192–216.

    Google Scholar 

  • Microsoft (2017): Lebenszyklus des Team Data Science-Prozesses, zuletzt abgerufen am: 22.06.2019, https://docs.microsoft.com/de-de/azure/machine-learning/team-data-science-process/lifecycle.

  • Miller, M. B. (2014): Mathematics and Statistics for Financial Risk Management, 2. Aufl., John Wiley & Sons, Hoboken.

    Google Scholar 

  • Mock, M.; Sylla, K.-H.; Hecker, D. (2014): Skalierbarkeit und Architektur von Big-Data-Anwendungen, in: OBJEKTspektrum, Ausgabe IT-Trends 2014, zuletzt abgerufen am: 22.09.2019, https://www.sigs-datacom.de/uploads/tx_dmjournals/Mock_Hecker_Sylla_BigData_14.pdf.

  • Mosley, M.; Brackett, M. H.; Earley, S.; Henderson, D. (2009): The DAMA guide to the data management body of knowledge (DAMA-DMBOK guide), Technics Publications, Bradley Beach.

    Google Scholar 

  • Mucksch, H. (2006): Das Data Warehouse als Datenbasis analytischer Informationssysteme: Architektur und Komponenten, in: Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme. Business Intelligence-Technologien und -Anwendungen, 3. Aufl., Springer, Berlin Heidelberg, S. 130–140.

    Google Scholar 

  • Müller, A. C.; Guido, S. (2017): Introduction to Machine Learning with Python – A Guide for Data Scientists, O’Reilly, Boston.

    Google Scholar 

  • Niakšu, O. (2015): CRISP Data Mining Methodology Extension for Medical Domain, in: Baltic Journal of Modern Computing 3 (2), S. 92–109.

    Google Scholar 

  • O’Neal, K. (2012): Big Data: Governance is the Critical Starting Point, zuletzt abgerufen am: 08.02.2018, http://www.b-eye-network.com/blogs/oneal/archives/2012/11/big_data_govern.php.

  • Piatetsky, G. (2014): CRISP-DM, still the top methodology for analytics, data mining, or data science projects, Blog KDnuggets News, Oktober 2014, zuletzt abgerufen am: 27.12.2017, https://www.kdnuggets.com/2014/10/crisp-dm-top-methodology-analytics-data-mining-data-science-projects.html.

  • Roche, M.; Pelluru, S.; Hubbard, J.; VanArnam, D. (2018): Introduction to Azure Data Catalog, zuletzt abgerufen am: 16.02.2018, https://docs.microsoft.com/en-us/azure/data-catalog/data-catalog-what-is-data-catalog.

  • Rollins, J. B. (2015): Foundational Methodology for Data Science, IBM Analytics, Somers, zuletzt abgerufen am: 27.12.2017, https://tdwi.org/~/media/64511A895D86457E964174EDC5C4C7B1.PDF.

  • Russom, P. (2013): Managing Big Data, TDWI Best Practice Report, Eigenverlag, Renton.

    Google Scholar 

  • Russom, P. (2017): Data Lake Management Innovations, January 23, zuletzt abgerufen am: 14.09.2019, https://tdwi.org/articles/2017/01/23/data-lake-management-innovations.aspx.

  • SAS Institute (1998): Data Mining and the Case for Sampling, SAS Institute, Cary, zuletzt abgerufen am: 27.12.2017, http://sceweb.uhcl.edu/boetticher/ML_DataMining/SAS-SEMMA.pdf.

  • Schäfer, R.; Goetze, D. (2016): Integration von Data Lakes in BI-Landschaften, DW-Konferenz 2016, Regensdorf/Zürich, 22.11.16.

    Google Scholar 

  • Schulze, K.-D.; Dittmar, C.; Ballerstedt, D. (2016): Auf dem Weg zur Data Driven Company – Wie die fortschreitende Digitalisierung die klassische BI verändert, Vortrag auf der TDWI-Jahreskonferenz, München, 21.06.2016.

    Google Scholar 

  • Seiler, F. A.; Alvarez, J. L. (1994): The Scientific Method in Risk Assessment, in: Journal of The Franklin Institute 331A, S. 53–58.

    Google Scholar 

  • Shearer, C. (2000): The CRISP-DM Model: The New Blueprint for Data Mining, in: Journal of Data Warehousing 5 (4), S. 13–22.

    Google Scholar 

  • TDWI (2017): TDWI Infographic, Q1 2017, zuletzt abgerufen am: 14.09.2019, www.TDWI.org.

  • Thomas, G. (2013a): Assigning Data Ownership, zuletzt abgerufen am: 11.02.2018, http://www.datagovernance.com/assigning-data-ownership/.

  • Thomas, G. (2013b): Component #7: Data Stakeholders, zuletzt abgerufen am: 11.02.2018, http://www.datagovernance.com/fwk_c07_data_stakeholders/.

  • Thomas, G. (2013c): Establishing a Data Governance Office, zuletzt abgerufen am: 11.02.2018, http://www.datagovernance.com/establishing-a-data-governance-office/.

  • Thomas, G. (2013d): Working with Data Stewards. Approaches to Assigning Data Ownership and Stewardship, zuletzt abgerufen am: 12.02.2018, http://www.datagovernance.com/working-with-data-stewards/.

  • Thomson, B.; Jain, S. (2013): Data Lineage: An Important First Step for Data Governance, zuletzt abgerufen am: 15.02.2018, http://www.b-eye-network.com/view/17023.

  • Varian, H. R. (2014): Big Data: New Tricks for Econometrics, Journal of Economic Perspectives 28 (2), S. 3–28.

    Google Scholar 

  • Verbeek, M. (2012): A Guide to Modern Econometrics, 4. Aufl., John Wiley & Sons, Chichester.

    Google Scholar 

  • Von Auer, L. (2016): Ökonometrie – Eine Einführung, 7. Aufl., Springer Gabler, Berlin.

    Google Scholar 

  • Weber, K.; Otto, B.; Österle, H. (2009): Data Governance: Organisationskonzept für das konzernweite Datenqualitätsmanagement, in: Wirtschaftsinformatik Proceedings 2009 (61), S. 589–598.

    Google Scholar 

  • Weill, P.; Ross, J. W. (2004): IT Governance – How Top Performers Manage IT Decision Rights for Superior Results, Harvard Business Review Press, Harvard.

    Google Scholar 

  • Witten, I. H.; Frank, E.; Hall, M. A. (2011): Data Mining – Practical Machine Learning Tools and Techniques, Morgan Kaufmann, Burlington.

    Google Scholar 

  • Wooldridge, J. M. (2016): Introductory Econometrics – A Modern Approach. 6. Aufl., Cengage Learning, Boston.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Forschung und Entwicklung für die Risikomodellierung, Banco de Sabadell, S.A., Provinz Barcelona, Spanien

    Uwe Rudolf Fingerlos

  2. Risk Advisory, Deloitte GmbH Wirtschaftsprüfungsgesellschaft, Köln, Deutschland

    Guido Golla

  3. Risk Advisory, Deloitte GmbH Wirtschaftsprüfungsgesellschaft, Düsseldorf, Deutschland

    Alexander Pastwa

  4. Lehrstuhl für Wirtschaftsinformatik, Technische Universität Chemnitz, Chemnitz, Deutschland

    Peter Gluchowski

  5. Institut für Unternehmensführung, Ruhr-Universität Bochum, Bochum, Deutschland

    Roland Gabriel

Authors
  1. Uwe Rudolf Fingerlos
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Guido Golla
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Alexander Pastwa
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Peter Gluchowski
    View author publications

    You can also search for this author in PubMed Google Scholar

  5. Roland Gabriel
    View author publications

    You can also search for this author in PubMed Google Scholar

Rights and permissions

Reprints and permissions

Copyright information

© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Fingerlos, U.R., Golla, G., Pastwa, A., Gluchowski, P., Gabriel, R. (2020). Technologische und konzeptionelle Ansätze zur Analyse und zum Reporting von Risikodaten in Kreditinstituten. In: Risikoreporting in Finanzinstituten. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-28440-4_2

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-28440-4_2

  • Published:

  • Publisher Name: Springer Gabler, Wiesbaden

  • Print ISBN: 978-3-658-28439-8

  • Online ISBN: 978-3-658-28440-4

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation