Angewandte Forschung
Unser Ausgangspunkt ist die wissenschaftliche Analyse von Vorstandsvergütung. Daraus entwickeln wir algorithmische Methoden für Vergleichbarkeit, Klassifikation und belegbare Entscheidungen weiter.
Berichte · Kennzahlen · Merkmale
Vergleichbarkeit herstellen
Muster erkennen und einordnen
Herleitung und Grenzen sichern
Entscheidung bleibt beim Menschen
Wissenschaftlicher Ursprung
Im Rahmen einer Masterarbeit entstand mit Design-Science-Research ein funktionsfähiges Forschungssystem zur datenbasierten Analyse von Vorstandsvergütungen.
Es verband algorithmische Peer-Group-Bildung, KI-gestützte ESG-Klassifikation und nachvollziehbare Audit-Trails. Entscheidend war nicht nur das Ergebnis, sondern die Frage, unter welchen Annahmen es entsteht, wie reproduzierbar es ist und wo seine Grenzen liegen.
Vergleichbarkeit fachlich definieren
Algorithmisches Verfahren entwickeln
Hypothesen kontrolliert prüfen
Annahmen und Unsicherheit dokumentieren
Vorstandsvergütung lässt sich nur sinnvoll einordnen, wenn die Vergleichsgruppe fachlich trägt. Die Forschung untersucht deshalb, wie Unternehmensmerkmale in einen nachvollziehbaren Ähnlichkeitsraum übersetzt und Peer Groups reproduzierbar gebildet werden können.
Vergütungsberichte verbinden finanzielle, strategische und nachhaltigkeitsbezogene Ziele. KI-gestützte ESG-Klassifikation macht diese Inhalte vergleichbar, ohne Quelle, Kontext und menschliche Einordnung auszublenden.
Ein Ergebnis ist wissenschaftlich und fachlich erst belastbar, wenn Datenbasis, Parameter, Zwischenschritte und Grenzen sichtbar bleiben. Deshalb gehört der Audit-Trail zur Methode – nicht als nachträgliche Dokumentation, sondern als Teil des Verfahrens.
Methodentransfer
Die Verfahren aus der Forschung werden nicht unverändert in Produkte kopiert. Ihre Prinzipien – Vergleichbarkeit, Klassifikation, Evidenz und dokumentierte Grenzen – prägen die Entwicklung beider Lösungen.
Die methodischen Prinzipien zeigen sich in regelbasierter Dokumentenprüfung, fachlicher Klassifikation und der Rückbindung von Ergebnissen an konkrete Fundstellen.
02Ähnlichkeitsmodelle, Mapping-Vorschläge und sichtbare Herleitungen unterstützen die Einordnung von Kontenbeziehungen, während Konflikte und Freigaben beim Prüfer bleiben.
Veröffentlichte Standards helfen, Risiken und Verantwortung einzuordnen. Ihre Nennung bedeutet weder Zertifizierung noch pauschale Konformität.
Parallel untersuchen wir, wie offene KI-Modelle für klar begrenzte Fachaufgaben angepasst und bewertet werden können – mit messbarer Qualität, dokumentierten Grenzen und kontrollierbaren Inferenzwegen. Lokalität ist dabei kein Selbstzweck, sondern eine Option für Datenhoheit und kontrollierbare Systeme.
Bringen Sie den konkreten Anwendungsfall mit. Wir sprechen über Datenbasis, Vergleichbarkeit, Evidenz und Grenzen – bevor aus einem algorithmischen Vorschlag ein fachliches Urteil wird.