Arten von Analytics

Grundsätzlich kann man im juristischen Bereich drei Arten von Analytics unterscheiden: Legal Analytics, Predictive Analytics und Prescriptive Analytics. Im Bereich der Fertigenden Industrie wird häufig Analytics durch Descriptive Analytics (was ist passiert) und Diagnostic Analytics (warum ist es passiert) noch verfeinert.

Der Unterschied der verschiedenen Arten der Analytics liegt, im juristischen Bereich, zum einen in der Art der Analyse, zum anderen aber auch in der Art der Auseinandersetzung mit dem Content, insbesondere der Tiefe der Analyse.

‍

Legal Analytics

Legal Analytics ist häufig eine eher auf Statistik basierende Analyse, bei der historische Daten verwendet werden. Ausgehend von der fertigenden Industrie, ging es darum, Sensordaten über bspw. Durchschnittstemperatur oder Werkzeug-Toleranzen zu verwenden. Anhand dieser Daten kann bspw. der Nutzungs- oder Abnutzungsgrad einer Maschine festgestellt werden.

Übertragen auf den juristischen Bereich heißt dies, dass bspw. Aussagen dazu getroffen werden können, welche bzw. wie viele Entscheidungen von welchem Gericht zu einem bestimmten Thema getroffen wurden. So könnte man beispielsweise alle Entscheidungen zu § 315d StGB, dem unerlaubten Kraftfahrzeugrennen, nutzen und als erste Information abbilden, wie hoch das Strafmaß bei den Entscheidungen ist. Aber auch Informationen zum Gericht selbst; gibt es Gerichtsbezirke, die besonders aktiv sind etc. können relevant sein. Diese Informationen beruhen teilweise lediglich auf den Metadaten (also Daten über das Dokument selbst, ohne inhaltlich einzusteigen). Vergleicht man zusätzlich noch den Sachverhalt der Entscheidungen, gelingt es möglicherweise auch, Gemeinsamkeiten der Fälle und damit mögliche Unterschiede in der Strafzumessung aufzudecken.

Dies ist die Basis für die weiteren Analytics Arten.

‍

Predictive Analytics

Predictive Analytics ist die Nutzung historischer Daten, um zukünftige Ereignisse vorherzusagen. Legal Analytics legt das Fundament für Predictive Analytics. Die Komponente, die bei Predictive Analytics allerdings hinzukommt, ist der Versuch, aus vergangen Daten neue Ereignisse vorherzusagen.

Für das Beispiel aus der fertigenden Industrie heißt dies: Ausgehend von den Sensoren einer Maschine weiß ich, dass das Zahnrad 1 gerade eine Abnutzung von 88% hat und der Temperatursensor 78° Grad Celsius anzeigt. In der Vergangenheit sind 25 Maschinen bei einer Abnutzung von 89% bei derselben Temperatur ausgefallen. Es könnte also eine bestimmte Wahrscheinlichkeit bestehen, dass dieser Ausfall auch hier demnächst eintritt und ich sollte Maßnahmen ergreifen. Was diese Maßnahmen sind, werde ich allerdings selbst herausfinden müssen.

Übertragen auf Legal Predictive Analytics: Der Mandant ist mit überhöhter Geschwindigkeit in den Kreisel gefahren, um in diesem Kreisel zu driften. Hat er sich nach § 315d StGB strafbar gemacht? Dieser Sachverhalt könnte so oder so ähnlich auch in einer strafrechtlichen Klausur zu finden sein; er kann aber auch Ausgangsbasis von Predictive Analytics sein. Im ersten Schritt ist zunächst der Sachverhalt mit allen Sachverhalten in der Entscheidungsdatenbank zu vergleichen. Ggf. würde dann der Algorithmus die Entscheidung des OLG Zweibrücken vom 19.05.2020, 1 OLG 2 SS 34/20 finden in der das Ergebnis wäre, dass der Angeklagte freigesprochen wird.

Auch hier sagt das Ergebnis der Predictive Analytics lediglich aus, dass eine Strafbarkeit nicht gegeben sein muss. Was der Verteidiger tun muss, um einen solchen Fall zu gewinnen, sagt das Ergebnis nicht. Hier kommt Prescriptive Analytics in Betracht.

‍

Prescriptive Analytics

Prescriptive Analytics ist der letzte Schritt. Hier geht es darum, dem Nutzer zu sagen, was er tun muss, damit das gewünschte Ereignis eintritt bzw. das unerwünschte Ereignis ausbleibt.

Beim Beispiel der Maschine könnte man bspw. ebenfalls feststellen, dass bei einer Abnutzung von 88% und einer gleichzeitigen Temperatur von 68°C bisher ein solches Versagen der Maschinen nicht stattgefunden hat, so dass das Herunterkühlen des Zahnrades um 10°C bereits helfen wird, die Maschine weiterhin betreiben zu können und ggf. die restlichen 12% bis zur vollständigen Abnutzung des Zahnrades zu nutzen.

Bei dem Beispiel des juristischen Falls zu § 315d StGB könnte Prescriptive Analytics die Empfehlung geben, vorzutragen, dass Driften gerade dazu führt, dass man in Kurven, also auch in einem Kreisel langsamer ist. § 315d StGB jedoch verlangt das Erreichen einer höchstmöglichen Geschwindigkeit. Wie soll es aber die höchstmögliche Geschwindigkeit sein, wenn man sich gerade dagegen entscheidet, die perfekte Kurve zu fahren, sondern man driftet?

Dieses simple juristische Beispiel ist natürlich auch für einen Juristen ohne weiteren Aufwand zu recherchieren; selbst mit dem Gesetz oder einer normalen juristischen Recherchedatenbank. Spannend wird es aber dann, wenn es um Nuancen in dem Fall geht, es aber bereits eine Vielzahl verschiedener Fälle zu einem Thema gibt.

‍