So verbessern Finanzunternehmen ihre Infrastruktur für ESG-Daten
So verbessern Finanzunternehmen ihre Infrastruktur für ESG-Daten
Solide Daten sind das Fundament für die Steuerung von ESG-Risiken.
Keyfacts:
- Das Erfassen und Verarbeiten von ESG-Daten wie Energieeffizenzlabel oder Emissionen sind für viele Banken nach wie vor eine Herausforderung.
- Viele Institute müssen an ihrer IT-Infrastruktur für ESG-Daten arbeiten, um Risiken sorgfältig steuern zu können.
- Dabei kommt es unter anderem auf die Qualität der Daten und auf technische und fachliche Optimierungen an.
Das Erfassen und Messen von ESG-Risiken sowie das Verwalten der Kennziffern über Datenbanksysteme stellt viele Institute vor große Herausforderungen. KPMG-Studien zeigen, dass mehr als 80 Prozent der mehr als 150 von uns befragten Institute die Verfügbarkeit von ESG-Daten als eine der größten Hürden bei der Steuerung von ESG-Risiken betrachten.
In einer weiteren KPMG-Studie gaben zwei Drittel der befragten Institute an, Nachhaltigkeitsdaten von Unternehmen noch manuell zu erfassen, und nur jedes fünfte Institut schätzt die Struktur seiner ESG-Datenbank als funktional und effizient ein.
Für nachhaltige Managemententscheidungen und ein robustes Risikomanagement-Framework sind aber ausreichend viele ESG-Daten und eine gute Datenqualität unerlässlich. Mit den kürzlich verschärften Risiko-Guidelines der European Banking Authority (EBA) erhöht sich zudem der regulatorische Druck auf die Institute. Für sie beginnen Herausforderungen oft schon bei der Erfassung und Verfügbarkeit von Daten.
ESG-Daten liefern zentrale Informationen zur ökologischen und sozialen Nachhaltigkeit sowie zur verantwortungsvollen Unternehmensführung. Zu den zentralen ESG-Daten gehören etwa Angaben zu Energieverbrauch, Treibhausgasemissionen, Diversität, Arbeitsbedingungen und Unternehmensethik. Aber auch Daten zu Lieferketten oder Biodiversitätsrisiken gewinnen an Bedeutung.
Besonders herausfordernd sind die von der EBA geforderten Daten zu Energieeffizienzausweisen von Immobilien, Treibhausgasemissionen und das Erfassen von Transitionsplänen. Häufig sind die Daten der Gegenpartei, beziehungsweise des finanzierten Objektes, nicht verfügbar, nicht öffentlich zugänglich oder müssen manuell aus Nachhaltigkeitsberichten in das Datenmanagement der Bank übertragen werden. Diese Probleme und mögliche Lösungsansätze sind nicht grundsätzlich neu und wir haben sie bereits in früheren Artikeln beschrieben.
Wie meistern Banken und Unternehmen ESG-Daten? #36
Wie können Banken ESG-Daten effektiv managen? KPMG-Experte Holger Wußler und Michael Sindram von openESG diskutieren erfolgreiches Datenmanagement, bestehende Datenlücken und Lösungswege für eine nachhaltige Zukunft.
Jetzt reinhören
Omnibus-Entwurf: Neue Anforderungen an ESG-Datenstrukturen
Warum Banken ihr ESG-Datenmanagement jetzt weiterentwickeln müssen – und welche Rolle der aktuelle Gesetzesentwurf dabei spielt.
Zum ArtikelESG-Risiken: Technische Verbesserung der IT-Infrastruktur für Banken entscheidend
Technische Verbesserungen sind entscheidend, um die Herausforderungen beim Erfassen und Verwalten von ESG-Risiken zu bewältigen. Eine robuste und skalierbare Dateninfrastruktur kann die Datenverfügbarkeit und die Datenqualität erheblich verbessern.
Durch die Integration eines flexiblen Datenmanagementsystems, durch eine automatisierte Datenintegration und fortschrittliche Datenqualitätskontrollen können Institute die unter anderem von der EBA geforderten Daten effizienter erfassen und verwalten. Darauf kommt es dabei an:
1. Datenmanagementsystem: Eine ESG-Dateninfrastruktur sollte in die bestehende IT-Architektur integriert werden und als robustes, skalierbares Datenmanagementsystem große Datenmengen effizient verwalten können. Ein flexibles Datenmodell muss verschiedene ESG-Datenkategorien abbilden können, die unter anderem von der EBA gefordert werden.
Dazu gehören zum Beispiel ESG-Daten für Immobilien wie EPC-Bewertungen (Energy Performance Certificate, Energieausweis), Geokoordinaten zur Standortbestimmung, Emissionswerte oder, auf einer allgemeineren Ebene, Transitionspläne. Das Modell sollte auch Raum für Änderungen in der Zukunft lassen.
Dabei ist es insbesondere wichtig, flexibel abbilden zu können, auf welcher Ebene die Daten erhoben wurden: Während EPC-Bewertungen sich auf ein Gebäude beziehen, zielen Transitionspläne zum Beispiel auf eine ganze Branche ab.
2. Datenintegration: Eine Strategie zur Erfassung, Aktualisierung und Integration der Daten ist essenziell. Neben der Datenintegration ist eine automatisierte Verarbeitung notwendig. Für eine Bank bedeutet das: Die Datenerfassung sollte sich eng an den bestehenden Kreditvergabeprozessen orientieren und es den Analysten möglichst leicht machen, die richtigen Daten pro Kunde oder Finanzierung zu erfassen.
Diese neu erfassten Daten sollten in einer integrierten Architektur mit bestehenden Kunden- und Finanzierungs-Daten zusammengeführt werden. Ziel ist es, im nächsten Schritt integrierte Daten für weiterführende Auswertungen im Bereich Nachhaltigkeit bereitzustellen – beispielsweise für die Berechnung von ESG-Scores oder das Ermitteln von Treibhausgasemissionen. Die Auswahl und Steuerung geeigneter Bewertungsmethoden sollen dabei auf Grundlage der verfügbaren Daten erfolgen.
Die technische Umsetzung einer solchen Datenverarbeitung kann über etablierte Prozesse zur Datenintegration erfolgen, etwa durch sogenannte ETL-Tools: Diese sammeln Daten aus verschiedenen Quellen (‚Extract‘) und bereiten sie auf, indem sie sie zum Beispiel in ein einheitliches Format überführen (‚Transform‘). Im dritten Schritt (‚Load‘) werden die Daten dann in ein Zielsystem geladen. Möglich ist auch eine Anbindung über Schnittstellen (APIs), über die Daten automatisiert zwischen Systemen ausgetauscht werden können.
3. Datenqualität und -management: Verantwortliche sollten automatisierte Regeln zur Datenqualitätskontrolle einführen. Das gewährleistet die Plausibilität, Genauigkeit und Konsistenz der Daten und ermöglicht es, sie mit historischen Daten (zum Beispiel zum Vorjahresstichtag) abzugleichen. Datenqualitätskontrollen sollten sich idealerweise an den bestehenden Frameworks zu BCBS 239 orientieren. Datenbereinigungstools können helfen, fehlerhafte oder unvollständige Daten zu identifizieren und zu korrigieren.
4. Berichterstattung und Analyse: Business-Intelligence-Tools (BI-Tools) helfen dabei, Erkenntnisse aus Daten zu gewinnen, indem sie sie analysieren und visualisieren. Die Software kann Daten berichtstauglich aufbereiten und darauf basierend dem Management Impulse geben. Reporting-Tools sind eher auf eine übergreifende, textlich orientierte Berichterstattung, wie die nach der Corporate Sustainability Reporting Directive (CSRD), ausgelegt.
Auch fachliche Verbesserungen der Dateninfrastruktur sind von Zeit zu Zeit notwendig
Fachliche Verbesserungen der Dateninfrastruktur richten das Augenmerk auf die Einhaltung regulatorischer Anforderungen und auf die Optimierung der Data Governance. Eine regelmäßige Aktualisierung der IT-Infrastruktur und die Implementierung von Compliance-Management-Systemen sind notwendig, um auf die verschärften Risiko-Guidelines der EBA zu reagieren.
Zudem erfordert eine funktionale Data Governance eine enge Zusammenarbeit zwischen verschiedenen Abteilungen und eine klare Zuweisung von Verantwortlichkeiten, um die Datenqualität und -verfügbarkeit zu gewährleisten und die fragmentierte Datenverwaltung zu überwinden. Drei Punkte sind aus unserer Sicht zentral:
- Regulatorische Compliance: Die IT-Infrastruktur muss regelmäßig an regulatorische Weiterentwicklungen angepasst werden. Compliance-Management-Systeme dienen der Einhaltung regulatorischer Vorschriften und sollen diese dokumentieren.
- Data Governance: Eine funktionale Data Governance erfordert eine enge Zusammenarbeit mit dem operativen Datenmanagement. Die Verantwortlichkeiten für Datenerfassung, -verarbeitung und -berichterstattung müssen klar zugewiesen werden.
- Interdisziplinäre Zusammenarbeit: Ein robustes Datenmanagement gelingt nur, wenn Stakeholder aus verschiedenen Abteilungen in den Entwicklungsprozess einbezogen werden. Im Mittelpunkt stehen dabei die Beteiligten, die die Daten bisher verwalten und nutzen oder künftig in das Erfassen, Verwalten oder den Abruf der Daten eingebunden sind.
Zahlreiche Vorteile einer robusten Infrastruktur für ESG-Daten
Durch die zentrale Erfassung, die Qualitätskontrolle, Speicherung und Verwaltung werden ESG-Daten nachvollziehbarer und vertrauenswürdiger. Die einheitliche Datengrundlage dient als Basis für eine Vielzahl von Prozessen wie Stresstests, Risikoinventuren, Ratings, Kredit-Pricing und Reporting.
Eine robuste Dateninfrastruktur reduziert manuelle Prozesse und steigert die Effizienz durch automatisierte Datenerfassung und -verarbeitung – das senkt die langfristigen Kosten und führt zu einer effizienteren Ressourcennutzung. Relevante Stakeholder haben jederzeit schnellen Zugriff auf aktuelle ESG-Daten.
Sie können dadurch Reporting-Prozesse beschleunigen, Daten anreichern und Nachhaltigkeitsziele sowie zahlreiche Leistungskennziffern einfach messen und überwachen. Durch das Implementieren von Zugriffsrechten werden die Sicherheit und die Integrität der Daten gewährleistet.
EBA-Anforderungen sind gestiegen – mit weiteren Verschärfungen ist zu rechnen
Die regulatorischen Anforderungen an ESG-Daten, ihre Verwaltung und die zugrunde liegende IT-Infrastruktur sind bereits durch die neue EBA-Verordnung gestiegen. Auch in Zukunft sind im dynamischen ESG-Umfeld weitere Verschärfungen zu erwarten.
Deshalb bedarf es einer integrierten, skalierbaren und flexiblen ESG-Dateninfrastruktur. Eine moderne Datenverwaltung steigert die Qualität von ESG-Daten, erleichtert die Einhaltung regulatorischer Anforderungen, fördert eine effiziente Berichterstattung an Aufsichtsbehörden und verschafft Finanzunternehmen Wettbewerbsvorteile, wenn sich am Markt oder in der Regulatorik Anforderungen verändern.
