Die Einbrecher sind noch am Werk als der Wohnungsinhaber die Tür öffnet. Die Kriminellen springen aus dem Fenster und verstecken sich im Gebüsch. Doch vergebens: Ein Hubschrauber ortet sie mit einer Wärmebildkamera, eine Polizeistreife nimmt sie fest. Der Idealfall für die Polizei, so geschehen am 29. Oktober 2015 im hessischen Bad Soden. Zu verdanken war dies einer Software die das Landeskriminalamt im Kampf gegen Einbrecher getestet hat - erfolgreich, wie Hessens Innenminister Peter Beuth (CDU) betont.
Predictive Policing: "Minority Report" meets Big Data Analytics
Bisher setzt die Polizei neben der Strafverfolgung vor allem auf Prävention, wenn es darum geht, die Einbruchszahlen zu senken. Wohnungs- und Hausbesitzer werden über Sicherheitstechnik aufgeklärt und Nachbarn zur Wachsamkeit aufgefordert. Aber die Zahlen steigen. Vor allem organisierte Tätergruppen aus Osteuropa ließen sie nach Einschätzung der Polizei zuletzt bundesweit auf den höchsten Stand seit der Jahrtausendwende schnellen. 167.136 Fälle wurden 2015 registriert - fast zehn Prozent mehr als im Jahr 2014. Aufgeklärt wird nur etwa jeder siebte Fall.
Die am Mittwoch in Wiesbaden vorgestellte Software soll vorhersagen, an welchen Orten die Wahrscheinlichkeit von Einbrüchen besonders hoch ist. Dazu wird sie laufend mit den Daten von bereits geschehenen Taten gefüttert - insgesamt sechs Jahre gehen die Zahlenreihen zurück. Dem System liegt die Erfahrung zugrunde, dass gerade professionelle Einbrecherbanden nach einem wiederkehrenden Muster vorgehen. Waren sie in einem Gebiet am Werk, besteht durchaus die Möglichkeit, dass sie das am nächsten Tag genau dort fortsetzen wollen.
Der Testlauf deckte vier Regionen ab. Acht Wochen lang entschieden die Ermittler dort im vergangenen Winter morgens aufgrund der Datenauswertung, wo zusätzliche Verkehrskontrollen nötig sind, weil Banden unterwegs sein könnten. Mit großen Punkten zeigt das Programm auf der Landkarte Schwerpunktgebiete an. Dorthin wurden Streifen entsandt oder in Bereitschaft gehalten, um abzuschrecken oder im Ernstfall einen schnellen Zugriff zu gewährleisten. So wie im Beispiel Bad Soden.
Das sogenannte Predictive Policing ist auch in anderen Bundesländern im Einsatz. Unter anderem in Baden-Württemberg wurde ein Programm namens "Precobs" getestet. Die Ergebnisse aus Stuttgart und Karlsruhe sollen nach der Sommerpause vorliegen, wie das dortige Innenministerium mitteilt. Hessen wollte ein eigenes Programm entwickeln. Das Prinzip sei aber überall gleich und werde längst auch in der Wirtschaft eingesetzt, sagt LKA-Chefin Sabine Thurau: "Auch wenn ein Supermarkt aufgemacht wird, werden Daten erhoben, um das Sortiment zu bestimmen."
5. Integration der neuen analytischen Methoden in die bestehenden Systeme.
4. Pilotprojekt/Prototyp: Auswertung der Daten in entsprechenden Vorhersagemodellen; Modelle und Analyse-Methoden werden ständig verfeinert, kombiniert und evaluiert, um die Qualität der Prognose zu verbessern.
3. Auswahl/Zuschneiden der Datensätze und Kombination mit externen Daten.
2. Business Case festlegen: Definition eines konkreten Ziels mit Kennzahlen (z.B. Umsatz um Summe x steigern, Fehlmenge reduzieren etc.), das mit Hilfe der Prognosen erreicht werden soll.
1. Analyse des Geschäftsmodells, der Geschäftsprozesse und der vorhandenen Daten.
Polizei-Software: Ausweitung geplant
Die Einbruchszahlen in den hessischen Testregionen sind tatsächlich gesunken, um insgesamt 14 Prozent. Doch "Kommissar Computer" war nicht überall erfolgreich: Im Main-Taunus-Kreis etwa habe es eine Zunahme gegeben, sagt der zuständige Wiesbadener Polizeipräsident Stefan Müller. Hat die Software versagt? In der Landeshauptstadt sei dagegen weniger eingebrochen worden, so Müller. Angesichts der verschiedenen Präventionsstrategien der Polizei sei die Ursachenforschung schwierig.
Das Land hält an der Predictive-Policing-Software fest und will sie weiterentwickeln. Lohnend sei der Einsatz allerdings nur in Gebieten, in denen auch viele Einbrüche begangen werden, sagt LKA-Präsidentin Thurau. Und zu Zeiten, in denen die Täter besonders häufig zuschlagen: im Winter und in Siedlungen mit Einfamilienhäusern beispielsweise. Mitten in Großstädten wie etwa der Mainmetropole Frankfurt müssten andere Maßnahmen greifen. Denn mit einigen Polizeistreifen mehr sei dort keine wirkliche Abschreckung möglich. Klar ist bisher, dass die Software im kommenden Herbst in den vier Testregionen wieder zum Einsatz kommt. Eine Ausweitung sei geplant, so Thurau. (dpa/fm)
- Fünf gute Gründe ...
... warum Analytics nicht in die IT-Abteilung, sondern in die Fachbereiche gehören und warum jeder Fachbereichsleiter einen Data Scientist in seinem Team haben sollte. - Analytics können helfen, Unternehmensziele zu erreichen
Analytics dient keinem Selbstzweck. Der Wert von analytischen Services oder Datenprodukten entsteht erst durch die Einbindung in Geschäftsprozesse. Erst durch die Realisierung eines effektiven Nutzens in Form von Effizienzsteigerungen und damit verbundenen Kostensenkungen, der Generierung von Neugeschäft oder eine gesteigerten Kundenloyalität werden tatsächliche Effekte im Geschäftsergebnis messbar.<br /><br /> Fachbereiche sind in ihrer Funktion für die Steigerung von einzelnen Erfolgsfaktoren verantwortlich und haben daher ein Interesse zu verstehen, an welcher Stelle ihnen Analytics helfen kann. Zudem sollten die Mitarbeiter im Fachbereich auch zu einem Stück weit verstehen, wie die Analysen funktionieren, um mit dem Wissen zu ihren Geschäftsproblemen beispielsweise das Transferdenken zu leisten, wie man Daten anreichern sollte oder welche zusätzlichen Analysen durchgeführt werden sollten. Außerhalb des Fachbereichs hat für gewöhnlich niemand das entsprechende Interesse die Unternehmenskennzahlen in dem speziellen Bereich positiv zu beeinflussen und kein anderer kann es besser. - Anwendungsfälle ergeben sich aus den Erfahrungen, die Mitarbeiter im täglichen Betrieb sammeln
Gesunder Menschenverstand, Erfahrungswerte für Abwägungen zwischen Machbarem und Sinnvollem und ein Gespür für die echten Probleme in einem Unternehmensbereich sind relativ seltene Fähigkeiten, schwer zu erlangen und wenn dann über einen längeren Zeitraum im täglichen Geschäft entstanden. Das unverzichtbare Wissen, die sogenannte "Magic Sauce" für eine erfolgreiche Anwendung von analytischen Fähigkeiten ist und bleibt in den Fachbereichen. - Data Scientists brauchen das Know-how des Fachbereichs, um Modelle praxisrelevant zu entwickeln
Ein guter Data Scientist zeichnet sich durch ein breites Wissen von analytischen Methoden, Anwenderkenntnis von analytischen Technologien, Fähigkeiten zur Datenaufbereitung und Kreativität aus. Aber die Arbeit eines Risikoanalysten bei einer Bank und eines Marketinganalysten bei einem Online-Händler unterscheiden sich.<br /><br />Der Grund, warum sie ihre Jobs nicht ohne weiteres tauschen können, ist das Verständnis über ihren Fachbereich und das Wissen was funktioniert und was nicht. So wertvoll Datenprodukte für einzelne Fachbereiche sein können, häufig ist es ein Ansatz aus Testen und Lernen, der aus einem analytisch einwandfreien Modell ein für den praktischen Einsatz wertvolles und nachhaltiges Datenprodukt generiert. - Ergebnisse müssen interpretiert und Maßnahmen abgeleitet werden
Auch wenn der Data Scientist nicht im Fachbereiche angesiedelt ist: Eine enge Zusammenarbeit ist unerlässlich. Spätestens wenn es an das Verstehen von Ergebnissen und Ableiten von Maßnahmen oder die Integration in Geschäftsprozessen geht, nehmen Fachbereiche die Führungsrolle ein. Je enger die Einbindung während der gesamten Entwicklung des analytischen Anwendungsfalls, desto wahrscheinlicher ist die Akzeptanz und Relevanz für die Anwendung in den Fachbereichen. - Ein Data Scientists im eigenen Team schafft Agilität und Vorsprung
Sobald dem Fachbereich bewusst ist, welchen Mehrwert Analytics und die richtige Datenauswertung bietet, können sich Data Scientists häufig nicht mehr vor kurzfristigen Anfragen retten und müssen ihre Kapazität zwischen Fachbereichen balancieren. Arbeitet Data Scientist jedoch im eigenen Team, ist er schneller erreichbar. Analyseprojekte können dauerhaft weiterentwickelt werden und auf die immer schneller wechselnden Prioritäten vieler Fachbereiche kann reagiert werden. Der Data Scientist kann sich mit der Zeit Fachbereichswissen aneignen, entlastet somit andere Fachmitarbeiter und kann sie zugleich in ihren analytischen Fähigkeiten weiterentwickeln – als Hilfe zur Selbsthilfe für die Kollegen im Fachbereich.