Maschinelles Lernen einer Balanced Scorecard fr Versicherungsunternehmen in Gestalt von Bayesschen Netzwerken

Diplomarbeit aus dem Jahr 2004 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,3, Universität Leipzig, 82 Eintragungen im Literaturverzeichnis, Sprache: Deutsch, Abstract: 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.