Ein Blick hinter die Kulissen
Einblicke in unsere Arbeitsweise mit Daten, Modellen und gemeinsamen Workshops.
Wie wir mit Teams an Konsensprojekten arbeiten
Wir strukturieren Projekte in klaren Schritten, damit technische Details, Governance und Nutzung eng miteinander verbunden bleiben.
Ein Aggregationsprojekt beginnt meist mit einer einfachen Frage: Welche Schätzreihen
liegen bereits vor und warum weichen sie voneinander ab. Aus dieser Frage leiten wir
strukturierte Schritte ab, die wir in einer klaren Methodik bündeln.
In einem ersten Schritt kartieren wir gemeinsam mit dem Fachteam die vorhandenen Schätzquellen. Wir halten fest, welche Analystenhäuser, Brokerkanäle und Vendorfeeds genutzt werden und wie diese heute manuell zusammengeführt werden. Daraus entsteht ein Quellverzeichnis mit Attributen wie Abdeckung, Aktualisierungsrhythmus und technischen Formaten. Dieses Verzeichnis bildet die Grundlage für spätere Gewichtungen und für Entscheidungen, welche Lücken bewusst bestehen bleiben dürfen.
Im zweiten Schritt definieren wir ein Regelwerk für Normalisierung und Aggregation,
das wir als Konsensprotokoll bezeichnen. Dieses Protokoll legt fest, wie mit
Ausreißern umgegangen wird, welche Metriken berichtet werden und wann ein Datenpunkt
als unzuverlässig gilt. Wir halten diese Regeln in einer technischen Spezifikation
fest und spiegeln sie in den Nutzeroberflächen. So entsteht eine konsistente
Verbindung zwischen Modellkonfiguration, Dokumentation und den täglich erzeugten
Berichten.
Im dritten Schritt implementieren wir Überwachungsroutinen, die auf Datenqualität und Modellstabilität achten. Dazu gehören Schwellenwerte für ungewöhnliche Sprünge, Hinweise auf drastische Quellwechsel und Berichte zu fehlenden Eingaben. Wir sehen diese Routinen nicht als Absicherung gegen alle Eventualitäten, sondern als laufende Erinnerung, Datenquellen und Modelle aktiv zu hinterfragen. Entscheidungen über Anpassungen bleiben bei den zuständigen Teams.
Wir verstehen Transparenz als Einsicht in Herkunft, Verarbeitung und Grenzen der verwendeten Daten. Deshalb legen wir Wert auf nachvollziehbare Protokolle, in denen Quellen, Filterregeln und Aggregationsmethoden dokumentiert sind. Nutzende sollen jederzeit erkennen können, welche Entscheidungen maschinell getroffen wurden und an welchen Stellen Eingriffe möglich oder erforderlich sind. Diese Dokumentation ist ein fortlaufender Prozess und wird mit jeder Modelländerung aktualisiert.
Wir betrachten Governance als gemeinsame Aufgabe von Fachbereich, Risikoteam und
Technik. Unsere Rolle besteht darin, Werkzeuge bereitzustellen, mit denen
Zuständigkeiten, Freigaben und Prüfpfade abgebildet werden können. Dazu gehören
Rollenmodelle, Protokolle für Modelländerungen und klare Hinweise auf bekannte
Limitationen. Wir machen transparent, dass unsere Plattform keine eigene Meinung zum
Markt entwickelt, sondern vorhandene Einschätzungen strukturiert darstellt.
Wir entwickeln unsere Verfahren iterativ weiter und berücksichtigen Rückmeldungen aus Forschung, Regulierung und Praxis. Neue Methoden durchlaufen interne Prüfungen, bevor sie in produktive Workflows einfließen. Wir kommunizieren Änderungen an Berechnungslogiken klar und vermeiden Brüche in Zeitreihen, soweit dies technisch möglich und dokumentierbar ist. Wo sich Metriken durch neue Methoden verändern, kennzeichnen wir dies deutlich, um Fehlinterpretationen zu reduzieren.
Über Brinavoltera und unseren Ansatz
Eine Konsensschätzung ist eine verdichtete Kennzahl aus mehreren voneinander
abweichenden Einzelprognosen. Auf dieser Grundlage entwickeln wir bei Brinavoltera
KI-gestützte Verfahren, die Analysten-, Broker- und Vendor-Schätzungen technisch
zusammenführen. Unser Ziel ist es, Marktteilnehmenden eine transparente Sicht auf
Spannbreiten, Annahmen und Datenqualität zu geben, ohne eigene Empfehlungen
abzugeben.
Wir arbeiten an Werkzeugen, die heterogene Schätzreihen systematisch vergleichbar machen. Dabei legen wir Wert auf nachvollziehbare Aggregationslogik, dokumentierte Modellgrenzen und klare Trennung zwischen Datenaufbereitung und individueller Entscheidungsfindung.
Technische Grundlage unserer Plattform
Unser Verständnis von KI, Verantwortung und Grenzen
Wir beschreiben offen, was unsere Modelle leisten, welche Vereinfachungen sie enthalten und welche Verantwortung bei den Nutzenden bleibt.
Ein Schätzungsaggregat ist nur so sinnvoll wie die Annahmen, die ihm zugrunde liegen. Deshalb legen wir offen, welche Entscheidungen wir in der Modellierung treffen, welche Fragen offen bleiben und welche Verantwortung bei den Nutzenden bleibt.
Wir betrachten KI hier als Werkzeug zur Mustererkennung in komplexen Schätzreihen, nicht als eigenständige Entscheidungsinstanz. Unsere Modelle ordnen Eingaben, erkennen inkonsistente Zeitreihen und schlagen Gewichtungen vor, sie treffen jedoch keine Anlageentscheidungen. Wir bauen auf nachvollziehbare Algorithmen, dokumentierte Hyperparameter und klare Trennung zwischen Trainingsphase und produktivem Betrieb. Wo Modelle unsichere Signale liefern, kennzeichnen wir dies statt vermeintlicher Präzision.
Wir entwickeln unsere Verfahren mit Blick auf den Schweizer Rechtsrahmen und gängige
Erwartungen institutioneller Nutzer. Dazu gehören saubere Trennung von
Datenbereitstellung und individueller Beratung, zurückhaltende Sprache ohne
Leistungsversprechen und Hinweise auf Modellgrenzen. Wir weisen ausdrücklich darauf hin,
dass vergangene Datenreihen keine Rückschlüsse auf zukünftige Entwicklungen erlauben.
Past performance doesn't guarantee future results, und Ergebnisse können abweichen.
Results may vary, insbesondere bei veränderten Marktregimen.
Wir sehen unsere Rolle darin, Fragmentierung in Analysten- und Vendor-Schätzungen
sichtbar und auswertbar zu machen. Viele Teams arbeiten heute mit isolierten Tabellen,
unklaren Versionen und manueller Pflege. Unsere Werkzeuge setzen genau dort an und
reduzieren den Aufwand für technische Konsistenzprüfungen. Die Verantwortung für die
Interpretation der Konsensmetriken bleibt jedoch vollständig bei den Nutzenden, die ihre
eigenen Prozesse, Richtlinien und Gremien einsetzen.
Wie wir Konsensschätzungen technisch verstehen
Ein Konsensmodell ist eine definierte Abfolge von Schritten, mit denen wir
Eingabedaten prüfen, normalisieren und zusammenfassen. Wir verstehen dieses Modell
als technische Linse auf bereits vorhandene Markteinschätzungen, nicht als eigene
Marktmeinung. Im Folgenden skizzieren wir die Elemente, auf denen unsere Arbeit
aufbaut und an denen wir sie laufend hinterfragen.
Getrennte Datenkanäle
Ein Datenkanal ist eine klar abgegrenzte Quelle wie ein Analysehaus, ein Brokerfeed oder ein spezialisierter Datenvendor. Wir prüfen für jeden Kanal Format, Historie und bekannte Brüche, bevor wir ihn in unsere Pipeline einbinden. Unterschiedliche Kanäle behalten ihre Identität, sodass wir Herkunft, Zeitstempel und mögliche Interessenkonflikte getrennt ausweisen können.
Klare Normalisierung
Ein Normalisierungsschritt überführt eingehende Schätzungen in ein einheitliches technisches Format. Dazu gehören Währungskonvertierung, Kalenderabgleich und Umgang mit abweichenden Definitionen von Kennzahlen. Wir dokumentieren diese Schritte, damit Nutzerinnen und Nutzer sehen, welche Transformationen zwischen Originalwert und aggregierter Kennzahl liegen.
Transparente Aggregation
Ein Aggregationskern fasst normalisierte Schätzungen zu Konsensmetriken wie Mittelwert, Median oder Spannweite zusammen. Wir ergänzen diese Kennzahlen um robuste Varianten, die Ausreißer begrenzen. Die Auswahl der verwendeten Metriken ist konfigurierbar und wird im jeweiligen Bericht offengelegt, um Interpretationen nachvollziehbar zu halten.
Qualität und Signale
Ein Qualitätslayer überwacht Datenlücken, Sprünge und inkonsistente Revisionen. Wir markieren betroffene Zeitpunkte sichtbar, statt sie zu glätten oder zu verbergen. So behalten Nutzerinnen und Nutzer die Kontrolle darüber, ob sie mit unvollständigen oder potenziell verzerrten Datensätzen arbeiten möchten.
Werte, die unsere Arbeit prägen
Unsere Arbeit an KI-gestützten Konsensschätzungen folgt klaren Leitlinien, die technische Präzision und nachvollziehbare Verantwortung verbinden.
Transparente Arbeit
Transparenz bedeutet für uns, Herkunft, Verarbeitung und Grenzen von Daten sichtbar zu machen. Wir dokumentieren Quellen, Regeln und Modellversionen und stellen diese Informationen neben die jeweiligen Konsensmetriken. So können Fachteams selbst entscheiden, wie sie Schätzreihen gewichten, welche Kanäle sie einbeziehen und wann sie Daten bewusst ausklammern. Wir verstehen Transparenz als laufende Aufgabe, nicht als einmaliges Dokument.
Klare Struktur
Struktur ist die Grundlage dafür, heterogene Schätzungen vergleichbar zu machen. Wir arbeiten mit klar definierten Pipelines, benannten Protokollen und konsistenten Schnittstellen. Diese Struktur reduziert manuelle Schritte und erleichtert es, Modelländerungen nachzuvollziehen. Gleichzeitig bleibt genug Flexibilität, um projektspezifische Anforderungen abzubilden, ohne das Gesamtsystem unübersichtlich zu machen.
Bewusste Verantwortung
Verantwortung heißt für uns, die Rolle unserer Plattform präzise zu begrenzen. Wir stellen Daten, Metriken und Werkzeuge bereit, übernehmen aber keine Entscheidungen über Transaktionen oder Allokationen. Wir weisen explizit auf Modellgrenzen hin und erinnern daran, dass vergangene Verläufe keine Aussagen über zukünftige Entwicklungen erlauben. Past performance doesn't guarantee future results und Ergebnisse können abweichen.
Technischer Pragmatismus
Pragmatismus zeigt sich in der Art, wie wir Methoden auswählen und umsetzen. Wir bevorzugen robuste, gut erklärbare Verfahren gegenüber schwer nachvollziehbaren Konstruktionen. Wo einfache Regeln ausreichen, setzen wir sie ein und dokumentieren sie klar. Komplexere Modelle kommen nur dort zum Einsatz, wo ihr Mehrwert in der täglichen Nutzung erkennbar ist und sich in verständlichen Berichten ausdrücken lässt.
Enge Zusammenarbeit
Zusammenarbeit ist für uns ein technischer und organisatorischer Prozess. Wir beziehen Fachbereiche, Risiko- und Technikteams in die Definition von Konsensprotokollen ein. So entstehen Regeln, die sowohl fachlich sinnvoll als auch operativ umsetzbar sind. Wir sehen uns als Partner im Hintergrund, der Werkzeuge bereitstellt und aufzeigt, welche Stellschrauben es in Daten und Modellen gibt.
Konsequente Sorgfalt
Sorgfalt bedeutet, Datenqualität, Modellstabilität und Dokumentation kontinuierlich zu prüfen. Wir setzen Überwachungsroutinen ein, markieren Unstimmigkeiten und machen auf mögliche Brüche aufmerksam. Diese Hinweise ersetzen keine eigene Prüfung, sie unterstützen sie. Results may vary, insbesondere wenn Annahmen sich ändern oder neue Quellen hinzukommen, deshalb halten wir Prozesse bewusst überprüfbar.