Analytic-Verfahren werden auch in der Versicherungsbranche eingesetzt. Die Anwendungsgebiete reichen von Wahrscheinlichkeitsanalysen vor Abschluss eines Versicherungsvertrages in der Phase des sog. Underwriting, über die Ermittlung der Höhe von Versicherungsbeiträgen bis hin zur Vorhersage von Schadensrisiken während eines bestehenden Versicherungsverhältnisses. Versicherungen können dafür auf speziell auf sie zugeschnittene Analyseverfahren, beispielsweise der SCHUFA, zurückgreifen, die laut eigenen Angaben aus 150 SCHUFA-Variablen einen Wert bildet, der den Versicherungsanbietern eine risikogerechte Ermittlung der Prämien ermöglichen soll.88 Die Versicherungen haben jedoch auch unabhängig von derartigen Angeboten die Möglichkeiten vorhersagender Analysen für ihre Zwecke erkannt. Ein Beispiel hierfür sind die seit 2014 in Deutschland angebotenen Telematik-Tarife von Kfz-Haftpflichtversicherungen.89 Bei diesen werden mit Einwilligung des Versicherten Daten über das Fahrverhalten mittels einer App oder einer in das Fahrzeug integrierten Messeinrichtung erhoben. Diese Daten umfassen etwa Geschwindigkeit, Abbrems- und Beschleunigungsmanöver, Lenkvorgänge, aber auch Standortdaten und solche über Witterungs- und Straßenbedingungen. Alle diese Werte werden direkt vom Auto an den Versicherer oder ein von ihm bestimmtes Unternehmen gesendet und mit einer Punkteskala bewertet.90 Umso höher der erreichte Punktwert, der für eine sichere Fahrweise steht, desto höhere Rabatte werden auf die Kfz-Versicherungsprämie gewährt. Neben diesen speziellen Telematik-Tarifen beginnen Versicherungen auch aus Daten von Wearables, Fitness- und Self-Tracking-Apps Vorhersagen zu generieren, die eine bessere Risikoeinschätzung sowie Tarifierung der versicherten Personen ermöglichen sollen.91 Dahinter steht die Idee, dass Informationen über Sportlichkeit und Ernährungsgewohnheiten Rückschlüsse darauf zulassen, ob die betroffenen Personen gesund bleiben oder eine höhere Wahrscheinlichkeit aufweisen, in Zukunft Versicherungsleistungen in Anspruch zu nehmen.
f) Predictive Analytic zur Betrugsbekämpfung
Predictive Analytic spielen auch eine Rolle im Bereich der Betrugsbekämpfung. Nur eines von vielen Beispielen ist die Eindämmung von Kreditkartenbetrug im Online-Shopping. Dabei werden die Daten von betrügerisch tätigen Kunden der Vergangenheit analysiert, anonymisiert und in Echtzeit mit denen von aktuell auf der Website surfenden Kunden verglichen. Stellt sich im Rahmen dieser Klassifikationsmethode eine Ähnlichkeit und deshalb Zuordnung zur Gruppe der verdächtigen Bestellungen heraus, kann in den Bestellprozess ein zusätzliches Sicherheitsmodul eingefügt werden. Mittels Predictive Analytic sollen dadurch potenziell betrügerische Kunden vorhergesagt werden. Die Klassifizierung soll zudem den positiven Effekt bewirken, dass nur die risikobehafteten, nicht aber jeder Kunde mit einem zusätzlichen Sicherheitsfeld „belästigt“ wird. Die Absprungrate, die durch eine pauschale Einführung eines solchen Feldes bei allen Bestellungen auftreten würde, kann somit minimiert werden.92 Derartige Vorhersageinstrumente werden auch in den Bereichen Risikomanagement und Compliance eingesetzt.93 So sollen durch Analyseanwendungen illegale Transaktionen im Finanzsektor oder Betrugsversuche bei Versicherungen aufgedeckt werden können.94 Vorhersagende Analysen werden auch im gewöhnlichen Bankengeschäft dazu verwendet, unautorisierte Abbuchungen von Betrügern zeitnah zu erkennen und Maßnahmen hiergegen einzuleiten.95
g) Predictive Analytic zur Verbrechensvorhersage
Als eine Form von Predictive Analytic können auch die unter dem Schlagwort Predictive Policing geführten Programme, die mit Daten vergangener Straftaten eine Prognose für die Begehung künftiger Straftaten aufstellen wollen,96 eingeordnet werden. Auch in diesem Fall werden Wahrscheinlichkeitswerte berechnet, die ein Verhalten in der Zukunft vorhersagen sollen. Diese können sich sowohl auf die Begehung einer Straftat einer einzelnen Person oder eines näher bestimmten oder bestimmbaren Personenkreises beziehen, aber auch personenunabhängig generiert werden. Letzteres ist der Fall bei Predictive Policing-Maßnahmen, die eine Region vorhersagen soll, in der wahrscheinlich in nächster Zeit Straftaten begangen werden sollen. Die durch Predictive Policing-Verfahren generierten Ergebnisse führen zunächst nur zu einem verstärkten Einsatz von Polizeikräften in dem vorhergesagten Gebiet.97 Die Maßnahme kann jedoch einen Betroffenenbezug erhalten, wenn eine Person, die in einer als gefährdet vorhergesagten Region durch die Streife fahrende Polizei bemerkt wird, verdächtigt wird, eine Straftat begehen zu wollen.
h) Predictive Analytic zur umfassenden Verhaltenseinschätzung
Es wird neben den bereits aufgezählten Anwendungsgebieten auch versucht, mittels Predictive Analytic das Verhalten einer Person in allen Lebensbereichen vorherzusagen. Eine solche auf diversen Datensätzen beruhende Analyse des Einzelnen plant nach aktuellen Veröffentlichungen der Staat China, der ab 2020 jeden Bürger in einem sog. „Social Credit System“ bewerten will. Die geplante Reform ist nicht auf eine Zielsetzung begrenzt, und soll nicht etwa nur vor Kreditmissbrauch oder Verbrechensbegehung schützen. Ziel ist vielmehr eine für jeden Lebensbereich verwertbare Verhaltensanalyse des Einzelnen. Die Ergebnisse ordnen die Bürger in Klassen von AAA als höchste bis D als schlechteste Bewertungsstufe ein.98 Der generierte Wert, der für die „Vertrauenswürdigkeit“ des Einzelnen steht, soll nicht nur den staatlichen Einrichtungen dienen, sondern auch als Entscheidungsgrundlage für Privatpersonen zur Verfügung stehen: Neben der Entscheidung über den Zugang zu öffentlichen Einrichtungen wie der Stadtbibliothek sollen Vermieter und Arbeitgeber die Analyseergebnisse zur Risikoeinschätzung befähigen, über die Möglichkeit entscheiden außer Landes zu reisen und Zug- sowie Flugbuchungen vorzunehmen, aber auch eine erste Einschätzung des potenziellen Schwiegersohns ermöglichen.99
V. Eingrenzung auf Unternehmen
Gerade das letzte Anwendungsbeispiel zeigt, dass Predictive Analytic auch von staatlicher Seite eingesetzt werden, wie das geplante umfassende Social-Scoring der Staatsrepublik China. Abgesehen von solchen aufsehenerregenden Beispielen entdecken auch andere staatliche Akteure wie Finanzbehörden und nicht zuletzt Geheimdienste die Möglichkeiten vielversprechender Datenanalysen für sich.100 Der Fokus dieser Arbeit und der im weiteren Verlauf erörterten Haftungsfrage soll jedoch auf der Verwendung von Predictive Analytic durch Unternehmen liegen. Entsprechend der vielfältigen Anwendungebiete zieht sich der Kreis der nutzenden Unternehmen durch alle Branchen.101 Studien belegen eine zunehmende Verwendung von Predictive Analytic vor allem in mittleren bis großen Unternehmen. Laut einer Studie des Bundesverbandes Informationswirtschaft, Telekommunikation und neue Medien e.V. (Bitkom) gaben 46 % der insgesamt 507 befragten Unternehmer an, entweder bereits in eine Form von Analyse-Tools zu investieren oder dies zu planen. Bei Großunternehmen ab 500 Mitarbeitern behaupteten dies sogar 69 %.102 In einer Umfrage innerhalb der USA und dem UK, die der Softwarehersteller SAP in Auftrag gegeben hat, erklärten mehr als 60 % der befragten Unternehmen, dass sie in Predictive Analytic investieren wollen. Davon planten knapp 80 % in den kommenden fünf Jahren aktiv zu werden.103 Diese und ähnliche Aussagen zeigen, dass Predictive Analytic auf dem Vormarsch sind und sich in vielen Branchen gar „lawinenartig“104 ausbreiten.
VI. Der Unterschied zwischen internen und externen Predictive Analytic
Predictive Analytic können auf zwei unterschiedlichen Wegen zur Anwendung kommen: Von einer internen Predictive Analytic wird im Folgenden gesprochen, wenn ein Unternehmen mittels einer entsprechenden Software Predictive Analytic-Ergebnisse selbst herstellt. Von externen Predictive Analytic ist die Rede, wenn ein externes Unternehmen für die Analyse beauftragt wird. Möchten Unternehmen ihre Daten selbst analysieren, können sie inzwischen auf ein breites Angebot von unterschiedlichen Software-Herstellern zurückgreifen. Diese bieten sowohl branchenspezifische Lösungen, beispielsweise für den Online-Handel,105 als auch Standardsoftware an, die auf die Bedürfnisse des Nutzers angepasst werden kann. Für einfache Analysen wie die Vorhersage von Preisentwicklungen können auch sog. Out-of-the-box-Lösungen, also einsatzfähig vorkonfigurierte Anwendungen, verwendet werden.106 Wendet ein Unternehmen eine Predictive Analytic-Software selbst an, empfiehlt es sich, bei diesem von einem Predictive Analytic-Anwender zu sprechen. Für technisch versierte
