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

externe Dienstleister als auch direkt durch einen Software-Hersteller bietet es sich an, von externen Predictive Analytic zu sprechen. Das „beauftragende“ Unternehmen nutzt in der Folge die Analyseergebnisse, ohne die Analyse selbst durchgeführt zu haben. Die Bezieher dieser extern generierten Ergebnisse werden deshalb als Predictive Analytic-Nutzer bezeichnet.

      17 Duden, Analyse, http://www.duden.de/rechtschreibung/Analyse, zuletzt abgerufen am 27.6.2018. 18 Davenport, Enterprise analytics: optimize performance, process, and decisions through big data, 2013, S. 12. 19 S. Harford, Significance, December 2014, 14, 15, der auf die Risiken hinweist, wenn Korrelationen für wichtiger erachtet werden als Kausalitäten. 20 Pufahl, Predictive Analytics verhindert Kundenabsprünge, 28.2.2017, https://www.springerprofessional.de/kundenwert/crm/predictive-analytics-verhindert-kundenabspruenge/12046334?searchBackButton=true&abEvent=detailLink, zuletzt abgerufen am 27.6.2018. 21 Big Data Insider, Whitepaper Predictive Analytics, 2016, S. 3. 22 S. die Definition in Roth, Einführung und Umsetzung von Industrie 4.0, 2016, S. 264. 23 Dastani, Sales Management Review 2016, 66, 67. 24 Mauerer, Big-Data-Trends im Überblick: Was ist was bei Predictive Analytics?, 11.12.2017, http://www.computerwoche.de/a/was-ist-was-bei-predictive-analytics, 3098583, zuletzt abgerufen am 27.6.2018. 25 Roßnagel, ZD 2013, 562. 26 Davenport, Enterprise analytics: optimize performance, process, and decisions through big data, 2013, S. 2 f. 27 Deutsches Institut für Vertrauen und Sicherheit im Internet, Big Data, 2016, S. 14 – 15. 28 Gandomi/Haider, International Journal of Information Management, 35 (2015), 137, 143, die Predictive Analytic als eine Technik von Big Data verstehen. 29 Zu den technischen Grundlagen von Predictive Analytic s. sogleich unter C. 30 Davenport, Enterprise analytics: optimize performance, process, and decisions through big data, 2013, S. 10. 31 Wittmann, Unternehmung und Unvollkommene Information, 1959, S. 13; Klausnitzer, Das Ende des Zufalls, 2013, S. 27 f. 32 S. die weiterführenden Nachweise bei Unabhängiges Landeszentrum für Datenschutz Schleswig-Holstein (ULD), Scoringsysteme zur Beurteilung der Kreditwürdigkeit – Chancen und Risiken für Verbraucher, 2005, S. 13. 33 S. den Beitrag von Moeller, Kommissar Big Data ermittelt, 25.7.2017, http://www.bigdatainsider.de/kommissar-big-data-ermittelt-a-627621/, zuletzt abgerufen am 27.6.2018, wonach mehrere Bundesländer solche Prognosesysteme bereits testen. 34 S. die ausführliche Beschreibung des Verfahrens bei Kamlah, MMR 1999, 395, 400. 35 Weichert, in: Däubler/Klebe/Wedde/Weichert, BDSG, 5. Aufl. 2016, § 28b BDSG Rn. 1. 36 Taeger, Datenschutzrecht Einführung, 2014, S. 105. 37 Vgl. zu Wahrscheinlichkeit eines bestimmten Zahlungsverhaltens Taeger, Kommentar zum BDSG und zu den Datenschutzvorschriften des TKG und TMG, 2. Aufl. 2013, § 28b BDSG Rn. 9. 38 Usprünglich stellten die Auskunfteien nur Informationen zur Verfügung, die der Anfragende selbst bewerten und interpretieren konnte, s. Unabhängiges Landeszentrum für Datenschutz Schleswig-Holstein (ULD), Scoringsysteme zur Beurteilung der Kreditwürdigkeit – Chancen und Risiken für Verbraucher, 2005, S. 13. 39 S. hierzu Düsseldorfer Kreis, Beschluss: Keine fortlaufenden Bonitätsauskünfte an den Versandhandel, 18.4.2008, der darauf hinweist, dass Bonitätsauskünfte bei Versandhandelsgeschäften nur bei Dauerschuldverhältnissen oder bei Bestehen eines finanziellen Ausfallrisikos – wie einem Ratenkauf – zulässig sind. 40 S. zur durch die Presse bekannt gewordenen Betrugsreihe beim Online-Händler Zalando Gassmann, Moderne Diebe lassen sich Beute frei Haus liefern, 26.10.2015, http://www.welt.de/wirtschaft/article148048643/Moderne-Diebe-lassen-sich-Beute-frei-Haus-liefern.html, zuletzt abgerufen am 27.6.2018. 41 Beispielhaft die entsprechenden Hinweise in den Datenschutzerklärungen von Otto.de AGB, abrufbar unter https://www.otto.de/shoppages/service/agb, zuletzt abgerufen am 27.6.2018. 42 S. die Erweiterung des SCHUFA-Angebots auf der Homepage der SCHUFA, Geschichte, abrufbar unter https://www.schufa.de/de/ueber-uns/unternehmen/geschichte-schufa/, zuletzt abgerufen am 27.6.2018. 43 Die Abfrage kann in der kurzen Zeit zwischen Eingabe der persönlichen Daten und Anzeige der Zahlungsmodalitäten erfolgen, s. Born, ZD 2015, 66, 66. 44 Helfrich, ZD 2013, 473, 474 versteht Scoring 2.0 als Übertragung des Scoring-Verfahrens auf Vorhersagen über die Bonität hinaus. 45 Vgl. Weichert, ZRP 2014, 168. 46 Eine ausführliche Auseinandersetzung aus juristischer Sicht enthalten die Beiträge Weichert, ZRP 2014, 168, 168; sowie Weichert, ZD 2013, 251. 47 So auch Weichert, ZRP 2014, 168, 169. 48 Scholz, in Simitis, BDSG, Bundesdatenschutzgesetz, 8. Aufl. 2014, § 6a Rn. 23. 49 S. das Angebot unter der Rubrik Marketing Services Creditreform.de, Marktanalyse, 2016 abrufbar unter https://www.creditreform.de/leistungen/marketing-services.html, zuletzt abgerufen am 27.6.2018. 50 S. zu Predictive Analytic zur Tarifierung und Risikoeinschätzung bei Versicherungen unter IV. 3. e). 51 S. allgemein Weichert, ZRP 2014, 168, 168; zur Aufdeckung von Kassenbetrug im Einzelhandel mittels Data Mining-Verfahren s. den Beitrag von Wilke, RDV 2002, 225. 52 So auch Unabhängiges Landeszentrum für Datenschutz Schleswig-Holstein (ULD), Scoringsysteme zur Beurteilung der Kreditwürdigkeit – Chancen und Risiken für Verbraucher, 2005, S. 12. 53 S. hierzu die Ausführungen unter C. VII. zu Machine Learning. 54 S. Big Data Insider, Whitepaper Predictive Analytics, 2016, S. 3. 55 Zuvor bereits das Patent der Westinghouse Electric Corp. Vgl. United States Patent, Palusamy et al., Plant Maintenance with predictive Diagnostics, 1994, Patent Number: 5,311,562, Date of Patent: May 10, 1994; später dann der General Electric Company: United States Patent, Aragones et al., Method and System for planning repair of an Aircraft engine, 2000, Patent Number: 6,067,486, Date of Patent: May 23, 2000. 56 Big Data Insider, Whitepaper Predictive Analytics, 2016, S. 4. 57 S. den Teilnehmerkreis in der Studie von Roland Berger, Predictive Maintenance,