Warum strategische Datenqualität zentral für die IReF-Umsetzung ist

Hintergrund: IReF und BIRD

Das Banks’ Integrated Reporting Dictionary (BIRD) und das Integrated Reporting Framework (IReF) sind Initiativen des Europäischen Systems der Zentralbanken (ESZB) zur Harmonisierung der Anforderungen an das regulatorische Meldewesen innerhalb der Europäischen Union (EU). Derzeit besteht eine erhebliche Heterogenität hinsichtlich Datendefinitionen, Meldeprozessen und Meldefristen.

Das IReF umfasst die Integration verschiedener statistischer Meldeverpflichtungen, einschließlich monatlicher Bilanzstatistiken, Zinsstatistiken für MFIs, Wertpapierbestandsstatistik (SHS) und AnaCredit. Weitere Anforderungen wie FinRep, CoRep und Abwicklungsberichte (Resolution Reporting) sollen zu einem späteren Zeitpunkt im Rahmen der EBA‑Initiative Integrated Reporting System (IRS) eingebunden werden. Die Einhaltung des IReF ist für alle Kreditinstitute verpflichtend.

Das IReF verlangt Daten auf granularer Ebene, wobei jeder Datenpunkt einmalig definiert und berichtet wird. Die granularen Datensätze beziehungsweise Datenwürfel werden ohne Templates direkt an die Aufsichtsbehörden weitergeleitet. Das IReF wird auf zwei Datenebenen abgebildet. Zum einen werden im sogenannten Logical Data Model (LDM) im IReF Collection Layer Informationen eingesammelt, zum anderen werden im Extended Logical Data Model (ELDM) weitere Datenelemente anhand definierter Transformationsregeln abgeleitet.

Das BIRD stellt ein standardisiertes Datenmodell bereit und bietet bereits heute einheitliche Definitionen für die Datenpunkte im Meldewesen (zum Beispiel FINREP, AnaCredit). Es beseitigt Redundanzen und löst Mehrdeutigkeiten auf. Das BIRD‑Datenmodell dient als Blaupause für die Definition und Befüllung des IReF Collection Layer. Die Implementierung von BIRD ist derzeit optional.

Warum Datenqualität für Institute ein zentrales Problem ist

Viele Kreditinstitute stehen im regulatorischen Meldewesen vor Herausforderungen bezüglich ihrer Datenqualität – bedingt durch zunehmende regulatorische Anforderungen (zum Beispiel CRR, CRD, ESG‑Vorgaben, nationale Anforderungen wie MaRisk etc.), die oft die Erfassung neuer Datenpunkte erfordern.

1. Datenmodellkomplexität: Die Zahl der Datenpunkte steigt kontinuierlich und wird aufgrund des schieren Volumens immer schwerer beherrschbar.

2. Prozessaufwand: Der Gesamtaufwand der Datenverarbeitung nimmt zu. Neue Anforderungen müssen konzeptionell verstanden und aus unterschiedlichen Quellen beschafft, neue Kontrollen müssen definiert und Daten fristgerecht geliefert werden, um Berichte unter engen Deadlines zu erstellen. Dies wird häufig dadurch verschärft, dass viele Prozesse manuell sind und Legacy‑Systeme sowie Daten‑Governance‑Rahmenwerke ineffizient und langsam arbeiten.

3. Redundanz und Inkonsistenz: Datenanforderungen verschiedener aufsichtsrechtlicher Meldungen sind oft redundant, was zu unterschiedlichen Definitionen oder Formaten führt. Besonders herausfordernd ist dies für grenzüberschreitend tätige Institute, die gleiche oder ähnliche Datenpunkte an verschiedene Aufsichtsbehörden melden müssen. Dabei müssen nicht nur die aufsichtsrechtlichen Anforderungen, sondern auch die Datenmodelle der eingesetzten Meldesoftware (sofern vorhanden) verstanden werden.

Häufig sind mehrere Iterationen nötig, um eine hohe Datenqualität für eine Datenanforderung zu erreichen – mit Projektverzögerungen und ineffizientem Einsatz von Zeit, Personal und Ressourcen als Folge.

Das IReF mit dem Konzept „Define once, report once“ bietet eine Chance, diese Probleme zu beheben. Das gelingt jedoch nur mit einer umfassenden, klar formulierten Datenstrategie, die auf den folgenden Aspekten aufbaut:

Grenzüberschreitende Aspekte (für internationale Institute)

Um die Ziele strategischer Datenqualität zu erreichen und Einsparpotenziale voll auszuschöpfen, sind eine Datenharmonisierung über Ländergrenzen hinweg und eine Gruppenstrategie anzustreben. Die Datenlieferung der gesamten Gruppe basiert auf einheitlichen, konsistenten Definitionen und einem zentralen Datenwörterbuch, wie BIRD und IReF es vorgeben. Mit dem IReF wird dies im europäischen statistischen Meldewesen vollumfänglich durch die Regulatoren angestrebt. Es ist derzeit auf Einzelinstitutsebene geplant, wobei die Zentralen die Daten ihrer Auslandsfilialen an die jeweiligen nationalen Behörden übermitteln. Das bietet die Chance, die Datenlieferung gruppenweit zu harmonisieren. Entsprechend ist ein übergreifender Governance-Mechanismus für granulare, hochwertige Datenlieferungen zu etablieren.

Strategische Datenqualität

Strategische Datenqualität bedeutet, ein klar definiertes Zielniveau für die Datenqualität festzulegen und durch neue oder erweiterte Governance, Rollen, Standards und Prozesse sicherzustellen, dass die Organisation langfristig IReF‑konforme, vollständige und konsistente Daten liefert. Eine strategische Datenqualität kann anhand der folgenden fünf Kernelemente entworfen werden:

1. Definition/Identifikation von Critical Data Elements (CDEs) und zugehörigen Kontrollen:
CDEs im IReF-Kontext sind Datenelemente, die für die Aufsicht und das jeweilige Institut von besonderer Relevanz hinsichtlich Vollständigkeit und Korrektheit sind. Beispiele sind Jahresumsatz, Mitarbeiterzahl oder Bilanzsumme von Kontrahenten, die zum Beispiel die Eingruppierung eines Unternehmens als kleines oder mittleres Unternehmen (KMU) erlauben. Der Fokus des CDE-Ansatzes liegt dabei auf diesen wesentlichen Datenpunkten und ist abhängig von der individuellen Situation des Instituts. Somit ist es möglich, dass die Anzahl der CDEs zwischen Instituten variiert. Die CDEs sind individuell in einem „CDE‑Konzept“ zu definieren und regelmäßig zu aktualisieren. Darin sind die detaillierte Definition des jeweiligen CDE, seine Komponenten, zugehörige Kontrollen und Lieferprozesse zu dokumentieren. CDEs können manuell (Expert Judgement), automatisiert (zum Beispiel Scorecards) oder hybrid definiert werden. Jede CDE‑Definition sollte einmalig auf der Basis eines etablierten Datenwörterbuchs erfolgen, das institutsweit konsistent genutzt wird, um Redundanzen und Mehrdeutigkeiten zu vermeiden. Das BIRD kann als Grundlage dienen, da es einheitliche Definitionen liefert für die Verwendung mit dem IReF vorgesehen ist; alternativ können die Datendefinitionen des Meldewesensoftware‑Anbieters genutzt werden. Pro CDE ist – abhängig vom Ambitionsniveau (siehe nächster Punkt) – ein detailliertes DQ‑Monitoring inklusive Kontrollen an verschiedenen Stellen der Datenflusskette zu dokumentieren.

2. Festlegung eines Ambitionsniveaus für Datenqualität:
Institute haben unterschiedliche Ambitionsniveaus, die je nach Datenkategorie variieren und für CDEs höher ausfallen als für andere Datenpunkte. Das Ambitionsniveau ist für alle Datenkategorien in einem separaten „Ambitionsniveau-Konzept“ festzulegen und regelmäßig zu aktualisieren, zum Beispiel wenn neue CDEs oder Datenpunkte (zum Beispiel durch neue Regulierung) hinzukommen. Für die wichtigsten CDEs großer Institute ist ein 100-prozentiges Ambitionsniveau notwendig. Das zu wählende Ambitionsniveau wird sich institutsindividuell an der Größe und Komplexität des jeweiligen Instituts orientieren. Der Größe und Komplexität entsprechend sind Zeit- und Ressourcenbedarf für eine umfassende Datenstrategie zu skalieren. Für größere Institute ist es sinnvoll, IReF‑getriebene strategische Datenqualität in bestehende/geplante BCBS-239/RDARR‑Initiativen zu integrieren. Das Ambitionsniveau für ein durchschnittliches Institut wird sehr wahrscheinlich oberhalb der für AnaCredit definierten Mindeststandards von BaFin, Bundesbank und EZB auf der einen Seite und unterhalb der Maximalanforderungen aus BCBS 239 auf der anderen Seite liegen. 

3. Data Ownership (Datenverantwortung):
Nach Definition der CDEs und Festlegung des Ambitionsniveaus ist die Zuordnung von Datenverantwortlichen zu den CDEs und anderen Datenpunkten zentral. Da im IReF keine Templates gemeldet, sondern Daten direkt geliefert werden, ändert sich das Rollenkonzept. Das bestehende Rollenkonzept im Meldewesen ist zu aktualisieren, und neue Daten‑/Produkt‑Owner sind für ihre Produkte und Daten an relevanten Datenpunkten zu benennen. Klare Ownership schafft Rechenschaftspflicht für die Qualität der gelieferten Datenpunkte.

4. Data Lineage (Datenherkunft und ‑verarbeitungskette):
Der EZB‑Leitfaden (Mai 2024) zur wirksamen Aggregation und Berichterstattung von Risikodaten definiert Data Lineage als Information über Bewegung und Transformation von Daten vom Frontend (Erfassung) bis zum Ende. Sie ermöglicht unter anderem Folgendes:

(i) Bewertung, ob DQ‑Kontrollen ausreichend und an den richtigen Stellen sind
(ii) Identifikation von Verknüpfungen zwischen Definitionen und Taxonomien
(iii) Sicherstellung, dass bereitgestellte oder transformierte Felder weiterhin den Meldeanforderungen entsprechen
(iv) Identifikation benötigter Datenpunkte für Ad‑hoc‑Berichte
(v) zeitnahe Rückverfolgung zur Fehlerquelle bei DQ‑Vorfällen
(vi) Nachvollziehbarkeit für (externe) Validierungen

Data Lineage bedeutet daher, Daten so zu organisieren, dass eine End‑to‑End- Nachverfolgbarkeit möglich ist. Sie ist in einem separaten „Data‑Lineage‑Konzept“ als Teil der Datenstrategie zu dokumentieren.

5. Target Operating Model (TOM):
Der abschließende Teil der Datenstrategie ist die Definition eines Zielbetriebsmodells zur übergreifenden Data Governance. Wichtige Elemente:

(i) Management‑Einbindung/Aufgaben und interne Kontrollen: Verantwortlichkeiten des Leitungsorgans für das DQ‑Monitoring sind klar zu definieren und zu dokumentieren. Feste Prüfzyklen und Intervalle für DQ‑Bewertungen sind festzulegen. Für das Management sind konsistente Berichte zu CDEs und deren DQ‑Kennzahlen zu erstellen. Diese beinhalten klare Informationen, ob die angestrebten Ambitionsniveaus erreicht werden.
(ii) Rollen und Verantwortlichkeiten: Neben Daten-/Produkt‑Ownern im Meldewesen, die als Metadata-Manager die Pflege des Metadatenmodells und der Mappings zwischen IReF und internem Datenmodell verantworten, sollten weitere Rollen in Betracht gezogen werden. Das wären zum einen Datenarchitekten, die die Integration des internen Datenmodells in die Systemlandschaft und die Sicherstellung der Dokumentation über die Ende‑zu‑Ende‑Datenflüsse verantworten; zum anderen sollten insbesondere in den Vorsystemen Data Stewards benannt werden, die durch operative Pflege und Verantwortung für die dauerhafte Datenqualität im Tagesgeschäft verantwortlich sind.

Operative Datenqualität

Neben der kennzahlenbasierten Qualitätssicherung der Vollständigkeit und Richtigkeit der Meldedaten unter Anwendung des CDE-Ansatzes sind auch klassische Komponenten der operativen Datenqualitätsanalyse zu implementieren beziehungsweise beizubehalten. Hier sind insbesondere drei Aspekte hervorzuheben:

Fazit

Das IReF bietet durch den Fokus auf die granulare Datenlieferung die Chance, eine umfassende Strategie zur Überwindung aktueller Herausforderungen in der Datenqualität aufzubauen. Hochwertige Daten ermöglichen die Erreichung zentraler Unternehmensziele: IReF‑Compliance, Kosteneinsparungen und eine effektive Steuerung der Organisation durch hochwertige, klar definierte und ambitioniert gesteuerte CDEs. Eine hohe Datenqualität der CDEs ermöglicht die Erstellung standardisierter Auswertungen mithilfe von KPIs und somit die Nutzung des granularen Datenschatzes des Instituts für wertvolle Einblicke in das tägliche Geschäft. Da Datenqualität eine EZB‑Priorität für 2026–2028 ist und dies zeitlich mit der IReF‑Implementierung zusammenfällt, ist jetzt der richtige Zeitpunkt, beide Ziele zu verbinden und eine umfassende Datenstrategie mit dem IReF als Ankerpunkt aufzusetzen.