"Sammeln Sie Payback-Punkte?" Kaum einer, der die Frage nicht kennt. "Bitte nennen Sie noch Ihre Postleitzahl." Wir antworten arglos, und mit der Eingabe der fünfstelligen Nummer in die Computerkasse schließt die Kassiererin die kurze Unterhaltung ab. Inzwischen hat sich herumgesprochen, dass unsere Einkäufe Handelsunternehmen dabei helfen, uns mit weiteren Angeboten zu locken. Doch es geschieht noch mehr. Die kombinierte Analyse von Einkaufsverhalten und geografischer Information hilft Supermarktketten bei der Entscheidung, wo sie das nächste Einkaufszentrum errichten sollen, wo sozusagen der nächste vertriebliche Einsatz geplant ist, um Umsatz und Profit zu steigern.

Wie grenzwertig ist es, wenn eine deutsche Polizeibehörde ähnlich vorgeht? Denn derzeit erregt Predictive Policing – "vorhersagende Polizeiarbeit" – die Gemüter. "Algorithmische Prädiktion funktioniert nicht", winkte noch vor drei Jahren ein deutscher Risikokapitalinvestor kurzerhand ab. Tatsächlich ist der Begriff der "Prädiktion" ähnlich unscharf wie "Big Data" – technisch kann sich dahinter alles Mögliche verbergen, von intelligenter Maschine bis hin zu maximal verkorksten, wissenschaftlich unhaltbaren "Vorhersage"-Konzepten. Ist Letzteres der Fall, hätte der Investor recht, aber trifft das auch auf Predictive Policing zu? Tatsächlich ist der Begriff unglücklich gewählt, denn es geht weniger um die Vorhersage von Straftaten als vielmehr um eine Hotspot-Analyse, also die geografische Auswertung, wo die kriminelle "Kundschaft" künftig wahrscheinlich vermehrt anzutreffen sein wird, weil sich in derselben Gegend auch mehr "Beute" als anderswo befindet.

Aus technischer Sicht macht das Sinn. Denn konkrete Straftaten lassen sich so wenig präzise vorhersagen wie Börsenkurse, besonders dann nicht, wenn sich eine neue Form der Kriminalität entwickelt, die in der jüngeren Geschichte – seit man Daten aufzeichnet – noch nie aufgetreten ist und deshalb einen strukturellen Bruch sowohl im sozialen Gefüge selbst als auch in seiner bis dahin datenmäßigen Abbildung bedeutet. Ein schreckliches Beispiel für einen solchen Strukturbruch ist eine neue Erscheinungsform von Kriminalität im Nahen und Mittleren Osten, die in der brutalen Verfolgung, ja Enthauptung andersdenkender Menschen gipfelt. Trotz aller Datensammelwut und -analysefähigkeit schien westlichen Geheimdiensten entgangen zu sein, mit welcher Geschwindigkeit sich diese neue Form des Terrorismus heranbildete. Das ist nicht verwunderlich, wenn man die mathematischen Konzepte kennt, auf denen "Vorhersagen" gewöhnlich beruhen. Sie arbeiten mit statistischen Korrelationen und Wahrscheinlichkeiten, die von historischen Daten abgeleitet werden. Doch Muster, die in der Vergangenheit nicht auftreten, haben wenig Chance, als künftige Erscheinung prädiziert zu werden. Die Art und Weise, wie Datenanalyse und -prognose heute allgemein betrieben werden, führt deshalb maximal zur Erkennung von Abweichlern, etwa zur Identifizierung von Bürgern, die sich stärker als andere politisch engagieren. Doch der einschränkende Unterton ist bewusst gewählt, denn tatsächlich wäre technisch auch heute schon viel mehr möglich.

Dass die Münchner Polizei als eine der ersten deutschen Behörden einen Predictive-Policing-Algorithmus zur Einbruchsbekämpfung in Einsatz nimmt, verwundert nicht, wenn man weiß, dass das Bayerische Landeskriminalamt den Wunsch nach einer Hotspot-Analyse schon seit fast 15 Jahren hegt. Schon länger erhoffte man sich die maschinelle Unterstützung einer Handvoll Analysten, die in München händisch die Berichte über Einbruchsdelikte zusammenführten, die von den verschiedenen Polizeidienststellen Bayerns im regelmäßigen Turnus eingereicht wurden. Denn bis vor wenigen Jahren unterhielt jedes bayerische Polizeirevier seine eigene, lokale Datenbank und war mit denen der Kollegen nicht vernetzt. Speziell die Erkennung von Einbruchsserien war eine schwierige Herausforderung, wenn Einbrecherbanden "Landkreis-Hopping" betrieben. Was in Freisings polizeilichem Datensilo gelagert war, war von Erding oder Ebersberg aus nicht ohne Weiteres einsehbar; Einbrüche in verschiedenen Landkreisen standen wie zusammenhanglos nebeneinander. Hinzu kamen sprachliche Hindernisse, wenn es um den Modus Operandi ging: Was ein Polizist als "Brecheisen" bezeichnete, war für seinen Kollegen ein "Geißfuß" – gemeint war trotzdem dasselbe Einbruchswerkzeug, dieselbe Vorgehensweise. Erst wenn die Berichte über die scheinbar unabhängigen Vorfälle bei der zentralen Stelle in München zusammenkamen, analysiert und sortiert wurden, fielen Einbruchsserien auf, wenn ein Analyst feststellte: Das habe ich doch gerade schon einmal in anderem Zusammenhang gesehen.

Predictive Policing soll die Arbeit des Analysten unterstützen, weil Einbruchsserien, basierend auf ihren spezifischen Mustern, schneller erkannt werden. Ein sinnvolles Vorgehen ist, das Beuteschema der Straftäter zu analysieren. Sind die Opfer bevorzugt alleinstehende Rentner, oder üben sie einen bestimmten Beruf, etwa den des Juweliers, aus? Wohnen sie in Reihenhäusern, ländlichen Villen oder urbanen Gebieten? Hat man ein archetypisches Opfer definiert, kommt es zu einem Abgleich mit den aggregierten statistischen Daten eines geografischen Informationssystems, das die Frage beantwortet, wo potenzielle Opfer besonders häufig anzutreffen sind. Das System markiert die geografische Region, die am stärksten gefährdet ist – eben den Hotspot. Die Polizei wird daraufhin ihre Einsätze so planen, dass die Polizeipräsenz in den betroffenen Gebieten erhöht wird. Mehr polizeiliche Anwesenheit soll Einbrecher stören und Straftaten verhindern oder erlauben, schneller am Tatort zu sein, falls ein Einbruch in der betroffenen Gegend verübt wird. Damit erhöht sich gleichzeitig die Wahrscheinlichkeit, Täter in flagranti zu stellen.