Das Labyrinth des regulatorischen Meldewesens: Die Notwendigkeit der Finanzdatenaggregation

In der globalen Finanzlandschaft ist das regulatorische Meldewesen ein Eckpfeiler für Stabilität und Transparenz. Finanzinstitute, von multinationalen Banken über regionale Kreditgenossenschaften bis hin zu Investmentfirmen, sind verpflichtet, den Aufsichtsbehörden riesige Datenmengen zur Verfügung zu stellen. Dieser komplizierte Prozess gewährleistet die Marktintegrität, schützt die Verbraucher und hilft den Regulierungsbehörden bei der Überwachung systemischer Risiken. Im Mittelpunkt eines effektiven regulatorischen Meldewesens steht eine entscheidende, aber oft gewaltige Aufgabe: die Finanzdatenaggregation.

Die Finanzdatenaggregation ist der Prozess des Sammelns, Konsolidierens und Umwandelns von Daten aus verschiedenen, heterogenen Quellen innerhalb einer Organisation in einen einheitlichen, kohärenten und genauen Datensatz. Diese aggregierten Daten dienen dann als Grundlage für die Erstellung der unzähligen Berichte, die von den Aufsichtsbehörden in den verschiedenen Rechtsordnungen gefordert werden. Da Volumen, Geschwindigkeit und Vielfalt der Finanzdaten weiter explosionsartig zunehmen und die regulatorischen Rahmenbedingungen weltweit immer komplexer und vernetzter werden, ist die Fähigkeit zur effizienten und genauen Datenaggregation nicht nur eine Compliance-Anforderung, sondern eine strategische Notwendigkeit für das Überleben und Wachstum geworden.

Die globale regulatorische Notwendigkeit: Warum Datenaggregation wichtiger ist als je zuvor

Die Folgen der globalen Finanzkrise von 2008 läuteten eine Ära verschärfter regulatorischer Kontrolle und der Verkündung umfangreicher neuer Regeln ein, die zukünftige Zusammenbrüche verhindern sollen. Regulierungsbehörden weltweit erkannten, dass ein Mangel an umfassenden, genauen und zeitnahen Datenaggregationsfähigkeiten innerhalb von Finanzinstituten ihre Fähigkeit, Risiken zu bewerten und in Stressphasen effektiv zu reagieren, erheblich beeinträchtigte. Dies führte zu einer Welle von Reformen, die jeweils einen immensen Druck auf die Unternehmen ausübten, ihre Datenmanagementpraktiken zu überarbeiten.

Wichtige regulatorische Treiber für die Datenaggregation:

• Basler Akkorde (Basel III, Basel IV): Diese globalen Bankenstandards, insbesondere BCBS 239 (Grundsätze für die effektive Aggregation von Risikodaten und die Risikoberichterstattung), schreiben vor, dass Banken in der Lage sein müssen, Risikodaten schnell und genau über alle Geschäftsbereiche und geografischen Regionen hinweg zu aggregieren. Dies ist entscheidend für die Berechnung von Kapitalanforderungen, Stresstests und das Management von Liquiditätsrisiken.
• Dodd-Frank Act (Vereinigte Staaten): Obwohl es sich hauptsächlich um eine US-Vorschrift handelt, erfordern ihre umfangreichen Anforderungen an Transparenz, Derivatemeldungen und die Überwachung systemischer Risiken eine robuste Datenaggregation über komplexe, global tätige Finanzunternehmen hinweg.
• MiFID II (Markets in Financial Instruments Directive II, Europäische Union): Diese Richtlinie zielt darauf ab, die Transparenz auf den Finanzmärkten zu erhöhen. Sie verlangt von Unternehmen, eine große Bandbreite an Transaktionsdaten zu melden, was hochentwickelte Aggregationsfähigkeiten erfordert, um Aufträge, Geschäfte und Kundendaten über verschiedene Handelsplätze und Anlageklassen hinweg zu verfolgen.
• Solvabilität II (Europäische Union): Für Versicherungsunternehmen legt Solvabilität II Kapitalanforderungen, Governance-Standards und Offenlegungsvorschriften fest. Es verlangt von Versicherern, Daten für die Risikomodellierung, Solvabilitätsberechnungen und eine umfangreiche öffentliche Berichterstattung zu aggregieren.
• Vorschriften zur Bekämpfung von Geldwäsche (AML) & Know Your Customer (KYC): In allen Rechtsordnungen erfordern Vorschriften wie der Bank Secrecy Act (USA), die FATF-Empfehlungen (global) und verschiedene nationale AML-Gesetze die Aggregation von Kundentransaktionsdaten, um verdächtige Aktivitäten aufzudecken und Finanzkriminalität zu verhindern.
• DSGVO (Datenschutz-Grundverordnung, Europäische Union) und andere Datenschutzgesetze: Obwohl es sich nicht direkt um eine Finanzregulierung handelt, haben diese Gesetze erhebliche Auswirkungen darauf, wie Finanzinstitute personenbezogene Daten erheben, speichern und verarbeiten. Sie fügen der Datenaggregation eine weitere Komplexitätsebene hinzu, insbesondere in Bezug auf Datenresidenz und Einwilligungsmanagement über internationale Grenzen hinweg.
• ESG-Berichtspflichten: Ein aufstrebender Bereich ist die Berichterstattung über Umwelt, Soziales und Unternehmensführung (ESG), die weltweit rasch an Bedeutung gewinnt. Die Aggregation nicht-finanzieller Daten, die oft unstrukturiert sind und aus unterschiedlichen Quellen stammen, stellt neue Herausforderungen dar, um Nachhaltigkeit und ethische Praktiken nachzuweisen.

Über die Erfüllung dieser spezifischen Mandate hinaus bietet eine effektive Datenaggregation Finanzinstituten ein tiefgreifendes Verständnis ihrer eigenen Geschäftstätigkeiten, Risiken und Kundenbasis. Sie verwandelt Compliance von einem reinen Kostenfaktor in eine Quelle für Wettbewerbsvorteile und fundierte strategische Entscheidungen.

Die vielfältigen Herausforderungen der Finanzdatenaggregation

Trotz ihrer unbestreitbaren Bedeutung ist die Erreichung einer nahtlosen und genauen Finanzdatenaggregation mit zahlreichen Herausforderungen verbunden. Finanzinstitute arbeiten oft mit komplexen, vielschichtigen technologischen Infrastrukturen, die über Jahrzehnte hinweg, oft durch Fusionen und Übernahmen, entwickelt wurden, was zu einem Flickenteppich von Systemen führt.

Zu den wichtigsten Herausforderungen gehören:

1. Datensilos und heterogene Systeme

Viele Institute unterhalten separate Systeme für verschiedene Funktionen (z. B. Kernbankensystem, Handel, Kredite, Vermögensverwaltung, Risikomanagement, Hauptbuch) und über verschiedene geografische Regionen hinweg. Jedes System speichert Daten möglicherweise in unterschiedlichen Formaten, verwendet unterschiedliche Datenmodelle und definiert sogar gängige Begriffe (wie „Kunde“ oder „Produkt“) inkonsistent. Die Aggregation von Daten aus diesen Silos erfordert komplizierte Integrationsprozesse und erhebliche Transformationsaufwände.

2. Datenqualität, Vollständigkeit und Genauigkeit

Eine schlechte Datenqualität ist wohl das größte Hindernis für eine effektive Aggregation. Ungenaue, unvollständige oder inkonsistente Daten an der Quelle führen unweigerlich zu fehlerhaften aggregierten Berichten. Probleme entstehen durch manuelle Dateneingabefehler, Systemstörungen, mangelnde Standardisierung und das Fehlen von Datenvalidierungsprozessen. Sicherzustellen, dass die Daten während ihres gesamten Lebenszyklus genau, vollständig, konsistent und zeitnah sind (die „4 Cs“ der Datenqualität), ist eine monumentale Aufgabe.

3. Datenharmonisierung und -standardisierung

Selbst wenn die Daten innerhalb ihres Quellsystems von hoher Qualität sind, müssen sie oft harmonisiert werden – also auf ein gemeinsames Format und eine gemeinsame Definition standardisiert werden –, bevor sie aggregiert werden können. Beispielsweise kann eine „Kunden-ID“ in verschiedenen Systemen unterschiedlich dargestellt werden, oder „Währung“ kann in einem System als ISO-Code und in einem anderen als lokales Symbol gespeichert sein. Die Etablierung unternehmensweiter Datenstandards und eines umfassenden Geschäftsglossars ist entscheidend, aber komplex.

4. Data Lineage und Prüfbarkeit

Regulierungsbehörden verlangen nicht nur den endgültigen Bericht, sondern auch die Möglichkeit, jeden Datenpunkt bis zu seiner ursprünglichen Quelle zurückzuverfolgen. Diese Anforderung an eine klare Data Lineage (Datenherkunft) gewährleistet Transparenz, Rechenschaftspflicht und die Fähigkeit, Datentransformationen zu prüfen. Der Aufbau und die Pflege einer robusten Data-Lineage-Fähigkeit ist technisch anspruchsvoll, insbesondere bei hochkomplexen und integrierten Systemen.

5. Skalierbarkeit und Leistung

Das schiere Volumen der weltweit generierten Finanzdaten ist atemberaubend. Aggregationssysteme müssen skalierbar genug sein, um Petabytes an Daten zu verarbeiten und komplexe Berechnungen innerhalb strenger regulatorischer Fristen durchzuführen, die bei Marktvolatilität oder Krisenszenarien oft noch enger werden. Dies erfordert eine robuste, hochleistungsfähige Infrastruktur.

6. Kosten und Ressourcen

Die Implementierung und Wartung effektiver Datenaggregationslösungen erfordert erhebliche Investitionen in Technologie, Infrastruktur und qualifiziertes Personal. Dies kann eine erhebliche Belastung darstellen, insbesondere für kleinere Institute oder solche mit Altsystemen, die schwer zu modernisieren sind.

7. Fachkräftemangel

Es herrscht ein weltweiter Mangel an Fachkräften mit den spezialisierten Fähigkeiten, die für fortgeschrittenes Datenmanagement erforderlich sind, darunter Datenarchitekten, Dateningenieure, Datenwissenschaftler und Compliance-Experten, die sowohl die technischen als auch die regulatorischen Nuancen der Finanzdatenaggregation verstehen.

8. Grenzüberschreitender Datenverkehr und Datensouveränität

Für multinationale Institute bringt die Aggregation von Daten über verschiedene Länder hinweg Komplexitäten in Bezug auf Datenresidenz, Datenschutzgesetze (wie DSGVO, CCPA) und nationale Sicherheitsbedenken mit sich. Daten müssen möglicherweise anonymisiert, pseudonymisiert oder innerhalb bestimmter geografischer Grenzen gehalten werden, was die globalen Konsolidierungsbemühungen erschwert.

Wegbereiter und Lösungen: Den Weg für eine effektive Aggregation ebnen

Glücklicherweise stehen Finanzinstituten Werkzeuge und Strategien zur Verfügung, um diese Aggregationshürden zu überwinden. Ein vielschichtiger Ansatz, der Technologie, Governance und Organisationskultur integriert, ist unerlässlich.

Wichtige Wegbereiter und Lösungen:

1. Robuste Datenarchitektur

Eine gut konzipierte Datenarchitektur ist das Rückgrat einer effektiven Aggregation. Dies umfasst oft:

• Enterprise Data Warehouses (EDW): Zentralisierte Repositories, die für analytische Abfragen und Berichte optimiert sind.
• Data Lakes: Speicherung von rohen, unstrukturierten Daten in großem Maßstab für flexible Analysen, oft unter Verwendung von Cloud-basierten Lösungen.
• Data Hubs: Dienen als zentraler Integrationspunkt für Daten und ermöglichen den Echtzeit-Datenaustausch und die Synchronisation zwischen Systemen.
• Datenvirtualisierung: Bietet eine einheitliche Sicht auf Daten aus unterschiedlichen Quellen, ohne die Daten physisch zu verschieben oder zu kopieren, was den Zugriff beschleunigt und die Speicherkosten senkt.

2. Fortschrittliche Datenintegrationstools

Moderne Extract, Transform, Load (ETL)- und Extract, Load, Transform (ELT)-Tools sind zusammen mit Echtzeit-Datenstreaming-Plattformen entscheidend, um Daten effizient von Quellsystemen in Aggregationsschichten zu bewegen. Diese Tools bieten Funktionen für Datenmapping, Transformation, Validierung und Orchestrierung komplexer Datenpipelines.

3. Umfassende Data-Governance-Frameworks

Technologie allein reicht nicht aus. Ein robustes Data-Governance-Framework ist von größter Bedeutung. Dies beinhaltet:

• Festlegung klarer Datenverantwortlichkeiten: Definieren, wer für die Qualität und Integrität der Daten in jeder Phase verantwortlich ist.
• Data Stewards: Ernennung von Einzelpersonen oder Teams, die für die Verwaltung von Datenbeständen, die Durchsetzung von Richtlinien und die Lösung von Datenqualitätsproblemen zuständig sind.
• Datenrichtlinien und -standards: Dokumentation von Regeln für die Datenerhebung, -speicherung, -zugriff und -nutzung, einschließlich Datenaufbewahrung und -entsorgung.
• Metadatenmanagement: Implementierung von Systemen zur Erfassung und Verwaltung von Metadaten (Daten über Daten), einschließlich Geschäftsglossaren, Datenwörterbüchern und Data-Lineage-Dokumentation.

4. Werkzeuge für das Datenqualitätsmanagement

Es gibt spezialisierte Softwarelösungen für Datenprofilierung, -bereinigung, -validierung, -überwachung und -anreicherung. Diese Tools können automatisch Dateninkonsistenzen, Formatfehler und fehlende Werte identifizieren, sodass Institute Datenqualitätsprobleme proaktiv an der Quelle oder während des Aggregationsprozesses angehen können.

5. RegTech-Lösungen

Der Aufstieg der Regulatory Technology (RegTech) bietet spezialisierte Lösungen für die Compliance. RegTech-Plattformen nutzen fortschrittliche Analytik, KI und Cloud Computing, um das regulatorische Meldewesen zu automatisieren, die Einhaltung von Vorschriften zu überwachen und Risiken zu managen. Diese Lösungen können den Aggregationsprozess erheblich rationalisieren, indem sie vorgefertigte Datenmodelle, Berichtsvorlagen und integrierte Validierungsregeln bereitstellen, die auf spezifische Vorschriften zugeschnitten sind.

6. Cloud Computing

Cloud-Plattformen bieten unübertroffene Skalierbarkeit, Flexibilität und Kosteneffizienz für die Datenspeicherung und -verarbeitung. Finanzinstitute nutzen zunehmend öffentliche, private und hybride Cloud-Umgebungen für ihre Data Lakes, Data Warehouses und Analyseplattformen, um massive Datenmengen und komplexe Berechnungen effizienter zu bewältigen.

7. Künstliche Intelligenz (KI) und maschinelles Lernen (ML)

KI und ML transformieren die Datenaggregation:

• Automatisiertes Datenmapping und -transformation: ML-Algorithmen können aus historischen Datentransformationen lernen, um das Mapping neuer Datenfelder zu automatisieren und Integrationsprozesse zu beschleunigen.
• Anomalieerkennung: KI kann ungewöhnliche Muster oder Ausreißer in Daten identifizieren und so auf potenzielle Datenqualitätsprobleme oder betrügerische Aktivitäten hinweisen.
• Prädiktive Analytik: ML-Modelle können zukünftige Trends auf der Grundlage aggregierter Daten vorhersagen und so bei der Risikomodellierung, bei Stresstests und der Kapitalplanung unterstützen.
• Verarbeitung natürlicher Sprache (NLP): Bei unstrukturierten Datenquellen (z. B. Verträge, Nachrichten-Feeds) kann NLP relevante Informationen extrahieren und sie aggregierbar machen.

Best Practices für eine erfolgreiche Finanzdatenaggregation

Die Reise zur Datenaggregation erfordert einen strategischen und disziplinierten Ansatz. Die Einhaltung von Best Practices kann die Erfolgswahrscheinlichkeit erheblich erhöhen und den Return on Investment maximieren.

1. Entwickeln Sie eine ganzheitliche Datenstrategie

Betrachten Sie die Datenaggregation nicht als isoliertes IT-Projekt. Integrieren Sie sie stattdessen in eine breitere, unternehmensweite Datenstrategie. Diese Strategie sollte auf Geschäftsziele, regulatorische Anforderungen und Risikomanagement-Frameworks ausgerichtet sein. Definieren Sie von Anfang an klare Ziele, einen klaren Umfang und Erfolgsmetriken.

2. Priorisieren Sie Data Governance von oben nach unten

Eine effektive Data Governance erfordert das Engagement der obersten Führungsebene. Richten Sie einen Data-Governance-Rat mit Vertretern aus den Bereichen Business, IT, Risiko und Compliance ein. Befähigen Sie Data Stewards und stellen Sie sicher, dass sie über die Ressourcen und die Autorität verfügen, um Datenrichtlinien und -standards im gesamten Unternehmen durchzusetzen.

3. Investieren Sie in Datenqualität an der Quelle

Es ist weitaus effizienter, Datenqualitätsprobleme im Vorfeld zu verhindern, als sie im Nachhinein zu beheben. Implementieren Sie Datenvalidierungsregeln am Ort der Dateneingabe, integrieren Sie Datenqualitätsprüfungen in Quellsysteme und schulen Sie die Datenersteller über die Bedeutung genauer Eingaben. Fördern Sie eine Kultur, in der die Datenqualität in der Verantwortung aller liegt.

4. Implementieren Sie einen schrittweisen Ansatz

Für große, komplexe Institutionen kann der Versuch einer „Big Bang“-Überholung der Datenaggregation überwältigend sein. Ziehen Sie stattdessen einen schrittweisen Ansatz in Betracht, der vielleicht mit einer bestimmten Geschäftseinheit oder einem kritischen regulatorischen Bericht beginnt. Lernen Sie aus jeder Phase und erweitern Sie den Umfang schrittweise, um die Fähigkeiten im Laufe der Zeit aufzubauen.

5. Standardisieren Sie Datendefinitionen und Metadaten

Entwickeln Sie ein unternehmensweites Geschäftsglossar und Datenwörterbuch. Stellen Sie sicher, dass alle kritischen Datenelemente (CDEs) klare, eindeutige Definitionen haben, die in allen Systemen und Abteilungen konsistent angewendet werden. Pflegen Sie ein robustes Metadatenmanagement, um Datenherkunft, Transformationen und Nutzung zu dokumentieren.

6. Nutzen Sie Automatisierung und moderne Technologie

Automatisieren Sie die Prozesse zur Datenextraktion, -transformation und -ladung, wo immer dies möglich ist, um den manuellen Aufwand zu reduzieren, Fehler zu minimieren und die Aktualität zu verbessern. Nutzen Sie Cloud Computing für Skalierbarkeit und erkunden Sie KI/ML-Fähigkeiten für eine verbesserte Datenverarbeitung, Anomalieerkennung und prädiktive Einblicke. Investieren Sie in RegTech-Lösungen, um die Berichterstellung und die Compliance-Überwachung zu rationalisieren.

7. Gewährleisten Sie robuste Datensicherheit und Datenschutz

Da aggregierte Daten zu einem zentralen Repository werden, werden sie auch zu einem Hauptziel für Cyber-Bedrohungen. Implementieren Sie strenge Datensicherheitsmaßnahmen, einschließlich Verschlüsselung, Zugriffskontrollen und regelmäßiger Sicherheitsüberprüfungen. Halten Sie globale Datenschutzbestimmungen (z. B. DSGVO, CCPA, LGPD) ein, indem Sie Privacy-by-Design-Prinzipien in Ihre Aggregationsarchitektur integrieren, einschließlich Anonymisierungs- und Pseudonymisierungstechniken, wo dies angemessen ist.

8. Fördern Sie die Zusammenarbeit zwischen Fachbereich und IT

Eine erfolgreiche Datenaggregation ist eine gemeinsame Verantwortung. Geschäftsbenutzer verfügen über entscheidendes Fachwissen, während IT-Experten die technische Expertise besitzen. Bilden Sie funktionsübergreifende Teams und fördern Sie den kontinuierlichen Dialog, um sicherzustellen, dass technische Lösungen den geschäftlichen Anforderungen und regulatorischen Vorgaben entsprechen.

9. Validieren und stimmen Sie Daten regelmäßig ab

Implementieren Sie kontinuierliche Datenvalidierungs- und Abgleichprozesse. Vergleichen Sie aggregierte Daten regelmäßig mit den Daten des Quellsystems und anderen Referenzpunkten, um die Genauigkeit sicherzustellen. Führen Sie regelmäßige unabhängige Überprüfungen und Audits Ihrer Aggregationsprozesse durch, um Abweichungen zu identifizieren und zu beheben.

10. Bauen Sie auf Flexibilität und Anpassungsfähigkeit

Die regulatorische Landschaft entwickelt sich ständig weiter. Gestalten Sie Ihre Datenaggregationsarchitektur flexibel und anpassungsfähig, sodass sie neue Datenquellen einbeziehen, Änderungen der regulatorischen Anforderungen bewältigen und verschiedene Berichtsformate ohne umfangreiche Neuentwicklungen unterstützen kann.

Globale Auswirkungen und Zukunftsaussichten

Der Weg zu einer vollständig optimierten Finanzdatenaggregation ist ein fortlaufender Prozess. Da die Technologie voranschreitet und die regulatorischen Erwartungen weiter steigen, müssen Finanzinstitute agil und zukunftsorientiert bleiben.

Aufkommende Trends, die die Zukunft gestalten:

• Echtzeit-Meldewesen: Regulierungsbehörden drängen zunehmend auf granularere Daten in nahezu Echtzeit, um die Marktdynamik und systemische Risiken zu überwachen. Dies erfordert hocheffiziente Streaming-Datenaggregationsarchitekturen.
• API-gesteuerter Datenaustausch: Open-Banking-Initiativen und der breitere Trend zu vernetzten digitalen Ökosystemen bedeuten, dass der Datenaustausch über Anwendungsprogrammierschnittstellen (APIs) zum Standard wird, was robuste API-Management- und Integrationsfähigkeiten für die Aggregation erfordert.
• Konvergenz von regulatorischem Meldewesen und Business Intelligence: Die Grenzen zwischen regulatorischem Meldewesen und interner Business Intelligence verschwimmen. Institute, die ihre aggregierten Daten sowohl für Compliance als auch für strategische Einblicke nutzen können, werden einen erheblichen Wettbewerbsvorteil erlangen.
• Evolution von künstlicher Intelligenz und maschinellem Lernen: KI/ML werden bei der Automatisierung der Datentransformation, der Identifizierung komplexer Anomalien und der Generierung synthetischer Daten für Tests noch ausgefeilter werden, was die Effizienz und Genauigkeit weiter erhöht.
• Blockchain und Distributed-Ledger-Technologie (DLT): Obwohl noch in den Anfängen, hat die DLT das Potenzial, unveränderliche, transparente und gemeinsam genutzte Ledger für bestimmte Arten von Finanzdaten anzubieten, was potenziell die Datenherkunft und den Abgleich innerhalb von Konsortien vereinfacht.
• Verstärkter Fokus auf die Aggregation nicht-finanzieller Daten: Über traditionelle Finanzkennzahlen hinaus wird die Aggregation von ESG-Daten, Cybersicherheitsrisikodaten und Kennzahlen zur operativen Widerstandsfähigkeit von entscheidender Bedeutung werden, da sich der regulatorische Fokus auf diese Bereiche ausweitet.

Fazit: Eine strategische Notwendigkeit für eine widerstandsfähige Zukunft

Die Finanzdatenaggregation ist nicht mehr nur eine Back-Office-Funktion; sie ist eine strategische Notwendigkeit, die die Einhaltung gesetzlicher Vorschriften, das Risikomanagement und die intelligente Entscheidungsfindung für Finanzinstitute weltweit untermauert. Die Herausforderungen sind gewaltig und ergeben sich aus komplexen Altsystemen, Datenqualitätsproblemen und einer sich ständig weiterentwickelnden Regulierungslandschaft. Durch die Einführung einer robusten Data Governance, Investitionen in moderne Technologien wie Cloud Computing, KI/ML und RegTech sowie die Förderung einer datenzentrierten Kultur können Institute ihre Aggregationsfähigkeiten jedoch transformieren.

Diejenigen, die dieses komplexe Terrain erfolgreich meistern, werden nicht nur ihre regulatorischen Verpflichtungen mit Zuversicht erfüllen, sondern auch erhebliche betriebliche Effizienzsteigerungen erzielen, tiefere Einblicke in ihre Geschäftstätigkeit gewinnen und ihre Widerstandsfähigkeit in einem zunehmend volatilen und vernetzten globalen Finanzökosystem verbessern. Die Zukunft des Finanzwesens hängt von der Fähigkeit ab, unterschiedliche Daten in handlungsrelevante Informationen umzuwandeln, und eine effektive Finanzdatenaggregation ist der Kompass, der diese Transformation leitet.