Die Daten­wis­sen­schaft spielt eine zen­tra­le Rol­le für Zen­tral­ban­ken, um das vol­le Poten­zi­al von Daten zu erschlie­ßen und ihre Funk­tio­nen als Daten­pro­du­zen­ten und ‑nut­zer zu ver­bes­sern. Dies ist das Haupt­the­ma einer Rei­he von Work­shops des Irving Fisher Com­mit­tee on Cen­tral Bank Sta­tis­tics (IFC), die seit 2021 statt­fin­den und Sta­tis­ti­ker, Öko­no­men und ande­re Inter­es­sen­grup­pen zusammenbringen.

Vor­tei­le der Datenwissenschaft

Inno­va­ti­ve Tech­ni­ken wie maschi­nel­les Ler­nen (ML) und künst­li­che Intel­li­genz (KI) sind ent­schei­dend, um tra­di­tio­nel­le und neue Daten­quel­len zu nut­zen. Für Daten­pro­du­zen­ten ermög­li­chen sie die Opti­mie­rung sta­tis­ti­scher Pro­zes­se und die Ver­bes­se­rung der Daten­qua­li­tät in Bezug auf Genau­ig­keit, Häu­fig­keit, Aktua­li­tät und Gra­nu­la­ri­tät. Für Daten­nut­zer erleich­tern sie die Ana­ly­se gro­ßer, kom­ple­xer oder hoch­di­men­sio­na­ler Daten­sät­ze, um aus­sa­ge­kräf­ti­ge Erkennt­nis­se zu gewin­nen oder neue Mus­ter zu erken­nen. Dar­über hin­aus unter­stützt die Daten­wis­sen­schaft den siche­ren Aus­tausch von Daten­sät­zen, ins­be­son­de­re von gra­nu­la­ren Daten, ohne sen­si­ble Infor­ma­tio­nen preis­zu­ge­ben, bei­spiels­wei­se durch den Ein­satz daten­schutz­för­dern­der Tech­no­lo­gien (PETs) wie syn­the­ti­sche Daten oder föde­rier­tes Lernen.

Her­aus­for­de­run­gen

Trotz der Vor­tei­le gibt es erheb­li­che Her­aus­for­de­run­gen. Ein pro­mi­nen­ter Aspekt ist der Bedarf an robus­ten und kost­spie­li­gen IT-Res­sour­cen, die für die Ver­ar­bei­tung und den Aus­tausch gro­ßer Daten­sät­ze erfor­der­lich sind. Orga­ni­sa­to­ri­sche Bar­rie­ren, wie Daten­si­los und eine begrenz­te Koor­di­na­ti­on zwi­schen Fach­ex­per­ten, IT- und Daten­wis­sen­schaft­lern, kön­nen die erfolg­rei­che Inte­gra­ti­on neu­er Daten­tech­ni­ken behin­dern. Zudem ist die Stan­dar­di­sie­rung, ins­be­son­de­re bei alter­na­ti­ven oder sekun­dä­ren Daten­quel­len, oft noch begrenzt, was deren Nut­zung für offi­zi­el­le Sta­tis­ti­ken erschwert.

Lösungs­an­sät­ze und zukünf­ti­ge Prioritäten

Zen­tral­ban­ken sind jedoch gut auf­ge­stellt, um die­se Her­aus­for­de­run­gen zu bewäl­ti­gen, da sie über lang­jäh­ri­ge Erfah­rung in der Big-Data-Ana­ly­se, Infor­ma­ti­ons­stan­dards sowie im Daten­ma­nage­ment und der ‑gover­nan­ce ver­fü­gen. Um den effek­ti­ven Daten­zu­gang und ‑aus­tausch zu för­dern, sind wei­te­re Fort­schrit­te in vier Schlüs­sel­be­rei­chen erforderlich:

• Daten­ma­nage­ment und ‑gover­nan­ce: Zur Gewähr­leis­tung der Qua­li­tät, Ver­füg­bar­keit und Nutz­bar­keit sta­tis­ti­scher Informationen.
• Inter­ope­ra­bi­li­tät und sta­tis­ti­sche Stan­dards: Um den effek­ti­ven und genau­en Ein­satz von Daten zu ermög­li­chen, z. B. durch die För­de­rung ihrer Inte­gra­ti­on und Wiederverwendung.
• Moder­ne Daten­platt­for­men: Auf­bau von meta­da­ta-gesteu­er­ten und leicht zugäng­li­chen (Big Data-)Plattformen inner­halb der Orga­ni­sa­tio­nen, ergänzt durch zen­tra­le Zugangs­punk­te für die Öffentlichkeit.
• Stär­ke­re Zusam­men­ar­beit: För­de­rung der Zusam­men­ar­beit zwi­schen Zen­tral­ban­ken und ande­ren Akteu­ren, um Daten­wis­sen­schafts­pro­jek­te vor­an­zu­trei­ben und den Aus­tausch von Erfah­run­gen zu strukturieren.

Die­se Maß­nah­men sol­len dazu bei­tra­gen, das vol­le Poten­zi­al der Daten­wis­sen­schaft für die Zen­tral­ban­ken zu erschlie­ßen und ihre Fähig­keit zu stär­ken, fun­dier­te poli­ti­sche Ent­schei­dun­gen zu tref­fen und die Finanz­sta­bi­li­tät zu gewährleisten.

Quel­len:

Data sci­ence in cen­tral ban­king: unlo­cking the poten­ti­al of data

4^th IFC Work­shop on Data Sci­ence in Cen­tral Banking

Daten­flut im Mel­de­we­sen: Wie kön­nen Finanz­un­ter­neh­men das Cha­os verhindern?

Die Rol­le der Zen­tral­ban­ken im digi­ta­len Zeitalter

Gover­nan­ce der KI-Ein­füh­rung in Zentralbanken

Umfra­gen der Zen­tral­ban­ken: Wei­ter­ent­wick­lung mit KI

Arti­fi­ci­al intel­li­gence and the eco­no­my: impli­ca­ti­ons for cen­tral banks