Predictive Analytic und die Haftung für fehlerhafte Ergebnisse gegenüber betroffenen Einzelpersonen. Susanne Mentel

Börsen- und Aktienvorhersagen zugegriffen werden. Auch die eingangs erwähnte Verbreitung von Predictive Analytic zur Prognose von Kundeninteressen, Kaufverhalten und Verhaltensmustern gehört inzwischen zu einer modernen Unternehmensführung. Während Prognosen und Wahrscheinlichkeiten anfangs noch auf mathematisch-statistische Berechnungen einer natürlichen Person zurückzuführen waren, konnten mit zunehmender Entwicklung der Computertechnik Ergebnisse allein durch programmierte Algorithmen gewonnen werden. Eine solche und seit Jahrzehnten bekannte algorithmen-basierte Vorhersage ist das Kredit-Scoring, das im allgemeinen Sprachgebrauch auch gern auf sein Ergebnis, die Bonitätsauskunft, reduziert wird. Aufgrund der Überschneidungen von Predictive Analytic und Scoring-Verfahren sollen das Kredit-Scoring sowie weitere Ausprägungen von Scoring-Verfahren kurz beleuchtet werden.

1. Frühe Scoring-Verfahren zur Kriminalitätsbekämpfung

Scoring-Verfahren werden zwar gemeinhin mit den von der SCHUFA und anderen Auskunfteien vorgenommenen Bonitätsauskünften in Verbindung gebracht, die Methode des Scorings wurde jedoch bereits in den 60er- und 70er-Jahren zur Kriminalitätsvorbeugung genutzt, wie eine Studie des Unabhängigen Datenschutzzentrums Schleswig-Holstein (ULD) zeigt. Dabei wurden „straftäterspezifische Merkmale extrahiert und polizeilich aufgefallenen Personen oder der gesamten Bevölkerung zugeordnet, um sie durch präventive Maßnahmen von der Begehung von Straftaten abzuhalten.“32 Zwar sind diese Verfahren nach ihrer Entwicklung schnell wieder verworfen worden; das Prinzip wurde vor einigen Jahren aber wieder aufgenommen und vermehrt in den USA, aber auch in Teilen Deutschlands, unter dem Schlagwort Predictive Policing genutzt.33

2. Klassisches Kredit-Scoring

Das Paradebeispiel für eine vorhersagende Analyse stellt das von der SCHUFA und anderen Auskunfteien eingesetzte Kredit-Scoring dar. Die erstmalige Verwendung von Scoring-Verfahren durch die SCHUFA wird auf das Jahr 1997 datiert.34 Durch die Vergabe eines sog. Kredit-Scores versuchen Auskunfteien eine Vorhersage über die Bonität einer Person aufzustellen, d.h. vorherzusagen wie zahlungsfähig diese ist. Die Grundlage des Verfahrens beruht auf der Analyse von Daten aus der Vergangenheit, mittels derer eine Prognose für ein ähnliches Ereignis in der Zukunft aufgestellt werden soll.35 Die Idee dieses Vorgehens gründet auf der Annahme, dass sich Personen vergleichbar verhalten. Liegen bei einer Gruppe von Personen ähnliche Merkmale vor, so wird davon ausgegangen, dass auch ihr Verhalten sich ähnelt. Die Einordnung des Einzelnen erfolgt dann über die Zuordnung zu einer vergleichbaren Gruppe von Personen. So werden persönliche Merkmale eines Einzelnen mit den statistischen Werten einer sog. Vergleichsgruppe abgeglichen. Das Ergebnis dieses Abgleichs wird in einem Punkte- oder Prozentwert, dem sog. Score-Wert, ausgedrückt.36 Der so errechnete Punktewert gibt die Höhe der Wahrscheinlichkeit an, mit der eine Person ein bestimmtes Verhalten zeigen wird.37 Auf Basis des entwickelten Wertes entscheidet der Auskunftnehmer, ob der von dem Scoring Analysierte einen Kredit erhält oder nicht. Ursprünglich erfreute sich die Nachfrage solcher Bonitätsauskünfte hauptsächlich aus dem Bankensektor heraus.38 Über die Auskunfteien machten sich Banken ein Bild über die Bonität des anfragenden Kreditnehmers und zogen den Score-Wert als Faktor in ihre Entscheidung über die Kreditgewährung mit ein. Bekannt und marktüblich ist die Einholung einer Bonitätsauskunft auch durch den Vermieter vor Abschluss eines Mietvertrages. Darüber hinaus ist seit einigen Jahren ein Trend zu erkennen, wonach branchenübergreifend Auskünfte bei Auskunfteien eingeholt werden. So ist bei Abschluss eines Mobilfunkvertrages die Einwilligung in eine SCHUFA-Auskunft Standard und auch Online-Shopping ist immer häufiger mit einer gleichzeitigen Bonitätsabfrage verbunden.39 Hintergrund dieses zunehmenden Trends ist der Umstand, dass ein Kauf auf Rechnung trotz der Zunahme elektronischer Zahlsysteme nach wie vor bei Verbrauchern beliebt ist. Er bietet jedoch auch Betrügern die Möglichkeit, Ware zu bestellen und unbezahlt einzubehalten.40 Aus diesem Grund haben auch Online-Händler Scoring-Abfragen für sich entdeckt.41 Auskunfteien reagierten daraufhin mit einem Angebot,42 das Bonitätsauskünfte sogar in Echtzeit übermittelt.43 Die binnen Sekunden eingeholten Scoring-Werte entscheiden dann darüber, ob einem Kunden ein Kauf auf Rechnung in den Zahlungsmöglichkeiten angeboten wird.

3. Erweiterte Scoring-Verfahren

Die Vorgehensweise von Scoring-Verfahren ist jedoch nicht, wie eingangs bereits erwähnt, auf die Vorhersage von Kreditwürdigkeit beschränkt. Mit dem Stichwort „Scoring 2.0“44 oder „Scoring im weiteren Sinne“ werden seit längerem Anwendungsfälle bezeichnet, die weit über die Vorhersage von Bonität hinausgehen.45 Gerade in den letzten Jahren konnte ein Trend beobachtet werden, nach dem klassische Scoring-Verfahren auf verschiedenste Lebensbereiche ausgeweitet wurden.46 Das Prinzip des Scorings, als Einordnung eines Sachverhaltes oder einer Person in ein Ranking, ist heute Bestandteil des alltäglichen Lebens. Ein prominentes Beispiel hierfür ist das Ergebnis einer Suchanfrage bei Google. Das Ranking, welches der Google-Algorithmus von den gefundenen Suchergebnissen erstellt, ist nichts anderes als die Prognose einer Wahrscheinlichkeit, was den Nutzer in diesem Moment interessieren könnte.47 Eine solche Vorhersage von Interessen kann auch zu Marketingzwecken verwendet werden, wenn herausgefunden werden soll, welches Produkt ein Kunde demnächst kaufen will. Derartige Scoring-Verfahren sind auch unter dem Namen Predictive Behavioural Targeting bekannt.48 Durch die enorm gestiegenen technischen Möglichkeiten und die Verfügbarkeit vielfältiger Datenquellen, hat in den letzten Jahren der gesamte Bereich des Marketings Scoring-Verfahren für sich entdeckt. Neben dem Marketing nutzen auch Vertriebsabteilungen Wahrscheinlichkeitswerte, um den Erfolg von Märkten, Standorten und Zielgruppen zu untersuchen. Gleichwohl es sich bei solchen Fällen nicht um klassisches Kredit-Scoring handelt, ist die Methode von derartigen Verfahren mit dem der Bonitätsvorhersage vergleichbar. Überschneidungen werden auch dadurch deutlich, dass Auskunfteien wie die Creditreform solche Markt- und Standortanalysen neben ihren standardmäßigen Bonitätsauskünften anbieten.49 Hinzu kommt, dass sich auch andere menschliche Verhaltensweisen, über Bonität und Kaufinteressen hinaus, mittels Scoring-Methoden prognostizieren lassen. Erwähnenswert sind dabei vor allem die Versuche der Versicherungsbranche mittels datengetriebener Vorhersagen die Risiken ihrer Versicherten besser einzuschätzen und ihren Tarif dementsprechend anzupassen.50 Immer größerer Beliebtheit erfreuen sich auch Scoring-Verfahren für die Bewertung von Arbeitnehmern.51 Diese und viele weitere Beispiele machen deutlich, dass Scoring-Verfahren nicht mehr nur auf die Vorhersage von Kreditwürdigkeit beschränkt sind. Der Anwendungsbereich von Wahrscheinlichkeitsprognosen wandelte sich immer mehr hin zu einer generellen Bewertung menschlichen Verhaltens.52

IV. Anwendungsbereiche

Die heute als Predictive Analytic bezeichneten Verfahren sind vor allem dadurch gekennzeichnet, dass sie ihre Ergebnisse unter Zuhilfenahme modernster Technologien entwickeln. Ihre Methoden gehen in ihrer Komplexität weit über die bisher praktizierten Scoring-Verfahren hinaus. Dies liegt an der Verwendung von Verfahren wie Data Mining, welche die Eigenschaft besitzen, Muster in großen Datenmengen ausfindig zu machen, aber auch an noch komplexeren Methoden wie des Machine Learnings. Letztere geben ihren Anwendern die Möglichkeit, ihre Algorithmen in gewisser Weise selbstständig für sich arbeiten zu lassen. Die Algorithmen besitzen dabei die Fähigkeit „zu lernen“.53 Zum besseren Verständnis, welche Anwendungen zum Kreis von Predictive Analytic zählen, sollen im Folgenden typische Anwendungsbereiche vorgestellt werden, bei denen die Methoden über die des Scorings hinaus gehen. Dabei ist zwischen zwei Formen von Vorhersagen zu unterscheiden: jene, die ohne Bezug zu einer einzelnen Person ein generelles Phänomen oder das Verhalten einer Gruppe von Personen vorhersagen und jene, deren Ergebnis sich auf eine genau bestimmte Person bezieht. Letztere werden für die Zwecke der Arbeit als betroffenenbezogene Vorhersagen bezeichnet.

1. Predictive Analytic ohne Personenbezug

      a) Predictive Maintenance

Ein bekannter Anwendungsbereich von Predictive Analytic