Datenbasierte Projekte arbeiten mit unscharfen Eingaben, sich aendernden Quellen und Modellen, deren Verhalten nicht immer vorhersehbar ist. Risikomanagement uebersetzt diese Unsicherheit in pruefbare Massnahmen.

!Kursinhalt

!1. Risikoarten in datenbasierten Projekten
*Daten-, Modell- und Prozessrisiken systematisch erfassen
*Halluzinationen und Bias als spezifische KI-Risiken einordnen
*Recht und Ethik als Risikodimension beruecksichtigen

!2. Qualitative und quantitative Risikobewertung
*Eintrittswahrscheinlichkeit und Auswirkung strukturieren
*Risiken in Heatmaps und Registern abbilden
*Datenqualitaetsrisiken mit Datenkennzahlen unterlegen

!3. Massnahmen und Verantwortlichkeiten
*Praeventive und reaktive Massnahmen kombinieren
*Eskalations- und Reviewpfade definieren
*Governance-Strukturen fuer Datenverantwortung verankern

!4. Risiken im Projektlebenszyklus pflegen
*Risiken in Sprint Reviews und Steerings aktualisieren
*Change Control fuer risikobedingte Anpassungen nutzen
*Performance Tracking mit Risikoindikatoren verbinden

!5. Lernen aus Risikoereignissen
*Vorfaelle retrospektiv aufarbeiten
*Risikoregister als Wissensspeicher pflegen
*Erkenntnisse in Quality Management einfliessen lassen

!Berufliche Relevanz

*Strukturiertes Risikomanagement erhoeht die Stabilitaet von Datenprojekten
*KI-spezifische Risiken werden frueh und nachvollziehbar adressiert
*Lernen aus Vorfaellen reduziert Wiederholungsfehler in Folgeprojekten