Immer einen Schritt voraus

Bevor noch was passiert, sind wir schon lange da.
Einbrecherbanden gehen mit einer gewissen Methode vor. Bestimmte Objekte, in bestimmten Gegenden, zu bestimmten Zeiten – die Polizei erfasst diese Daten. Durch Einsatz von Predictive Analytics-Methoden kann man mithilfe dieser Daten in die Zukunft schauen und so Einbrüche
verhindern.
In Graz arbeitet die Exekutive bereits mit modernster Technik an der Prävention von Dämmerungseinbrüchen. CriPA – Criminal Predictive Analytics heißt das Projekt, das 2012 gestartet wurde. In der Schweiz gibt es mit Pre Crime Observation Systems (PRECOBS) bereits ein vergleichbares System. Durch die zielgerichtete Polizeipräsenz konnte etwa die Zahl der Dämmerungseinbrüche in Zürich innerhalb eines halben Jahres um 40 % gesenkt werden. Die Treffsicherheit der Prognosen lag bei 86 %. Diese Technik ist nicht nur für die Polizei hilfreich, sondern kann zur Aufdeckung verschiedenster Betrugsarten wie zum Beispiel Steuerbetrug helfen. Machte der Entgang an Umsatzsteuer 2002 noch über eine Milliarde Euro aus, war diese Zahl 2012 auf 18,5 Mio. gesunken. Auch Versicherungen und Banken setzen diese Methoden schon länger ein, um die gesetzlich verpflichtenden Auflagen zur Risikominimierung einzuhalten oder um Prämienhöhen festzulegen. Es steht also fest, Predictive Analytics ist allgegenwärtig.

Wie funktioniert der Blick in die Glaskugel?
Predictive Analytics ist eine Methode, mit der man aus Daten der Vergangenheit auf zukünftige Trends und Entwicklungen schließen kann. Die Methode basiert im Wesentlichen auf Machine Learning-Ansätzen. Auf Grundlage mathematisch-statistischer Methoden werden aus großen Datenbeständen Muster und Trends abgeleitet. Aus diesen Erkenntnissen
können auf deren Basis erklärende und voraussagende Modelle entwickelt werden, die es ermöglichen, zukünftige Ereignisse zu prognostizieren, aber auch proaktive Maßnahmen zur Vermeidung
unerwünschter Ereignisse abzuleiten.

Predictive Analytics in der Verwaltung
Neben den eingangs erwähnten Anwendungen kann Predictive Analytics überall dort eingesetzt werden, wo im Zuge der Aufgabenerfüllung Daten anfallen. Auch viele Verwaltungsakte können mithilfe dieser Techniken unterstützt und zum Teil automatisiert werden. Nach dem Pareto-Prinzip
könnte man dann die automatisierten Akte in die Kategorien „hoher
Kontrollaufwand“ (20 % aller Akte) und „niedriger Kontrollaufwand“ (80 % aller Akte) einteilen.
Nur jene Akte, bei denen hoher Kontrollaufwand angezeigt ist, sollten dann auch tatsächlich von Mitarbeiterinnen und Mitarbeitern kontrolliert bzw. begleitet werden. Aber auch bei der Vorhersage der demografischen und wirtschaftlichen Entwicklung und der damit verbundenen Einschätzung der örtlich erforderlichen Anzahl an Mitarbeiterinnen und Mitarbeitern können diese Methoden sehr gut
eingesetzt werden. Predictive Analytics unterstützt also auch dabei, den Verwaltungsaufwand einzuschätzen und Ressourcen richtig zu allokieren. Predictive Analytics ist ebenso als Tool im Risikomanagement einsetzbar: Katastrophenvorhersagen oder Ernteausfalls-Prognosen sind nur einige der zahlreichen Anwendungsmöglichkeiten.

Den Datenschatz nutzbar machen
„Der Verwaltung stehen Unmengen an Daten zur Verfügung, die aktuell
gar nicht oder kaum analysiert werden. Um diese nutzen zu können, sollten Methoden wie Predictive Analytics Teil der Digitalisierungsstrategie Österreichs werden“, erklärt DI Günter Stessl, Abteilungsleiter Information Management im BRZ. „Vorrangig bedarf es einer einheitlichen Datenstruktur, um diese barrierefrei nutzen zu können.“ Hilfreich wäre daher die Installation eines Chief Data Officers
in allen wesentlichen Ressorts und Behörden, um diese Umsetzung gewährleisten zu können, so Stessl.
Aber nicht nur die Bewältigung der Diversität der Daten, sondern auch die Interdisziplinarität ist bei Predictive Analytics-Projekten eine wesentliche Herausforderung. So setzt sich das organisationsübergreifende Advanced Analytics Team des Bundesministeriums für Finanzen und des BRZ beispielsweise aus Fachexpertinnen und -experten (Steuer/Zoll), Data Science-Spezialistinnen und -Spezialisten, IT-Architektinnen und -Architekten sowie Datenexpertinnen und -experten zusammen. Laut IBM verfehlen allerdings mehr als 50 % der Big Data-Projekte ihre Ziele, weil die Lösung dieser interdisziplinären Herausforderungen an organisatorischen Fragestellungen (wer darf/kann/muss was) in großen Organisationen scheitert. 
Predictive Analytics sollte zukünftig als Service angesehen werden und als solches vielfältig in die Business Intelligence des Ministeriums einfließen, wünscht sich Stessl. „Überall dort, wo der Mensch die vor seinen Augen abgespeicherten Datenmengen nicht mehr begreifen kann,
braucht es Advanced Analytics, wozu auch Predictive Analytics zählt.“

Predictive Analytics als Methode ist erst dann sinnvoll einsetzbar, wenn ein Mindeststandard an Know-how beim benötigten Personal vorhanden
ist. Idealerweise ist auch die Zielsetzung bereits bekannt, wobei es hier gerade im Bereich der Anomalieerkennung auch zu neuen, bisher unbekannten Wissenserkenntnissen kommen kann.

DI Günter Stessl, Leiter der Abteilung Information Management im BRZ