Kategorie: Scoring

Beim 35. Chaos Communication Congress (35C3), dem jährlichen Event des Chaos Computer Clubs, gab es einen aufschlussreichen Vortrag zum Social Credit (aka Social Scoring) System das in China entwickelt wird. Ähnlich wie hier im Blog auch schon berichtet handelt es sich beim „Social Credit“ (noch) nicht um ein universelles Überwachungstool, sondern es werden aktuell verschiedene Systeme evaluiert. Teilweise sehr datenbasierte, wie Sesame Credit, dass vom Mega-Konzern Alibaba entwickelt wird, teilweise aber auch mit Systeme die sich vor allem auf die analoge Welt beziehen und eher disziplinär arbeiten: Man startet mit 1000 Punkten und kriegt für unerwünschtes Verhalten (bei Rot über die Ampel gehen) Abzüge und für erwünschtes (Alten Leuten helfen) Pluspunkte.

Der Vortrag ist auf jeden Fall sehenswert und detailreich. Vor allem auch, weil er erklärt, wie die chinesische Gesellschaft an einigen Stellen anders funktioniert, als man es in Westeuropa gewohnt ist und sich damit anders Voraussetzungen ergeben. Zwar scheint das Ziel schon ein „ganzheitlicher“ Score, der die Vertrauenswürdigkeit einer Person bewerten soll, aber von der Vorgehensweise her unterscheidet es sich wenig von dem was auch bei uns schon Gang und Gäbe ist, nur eben verteilter über Schufa-Scores, Punkte in Flensburg und was auch immer Amazon/Facebook/Google für Kund*innenprofile erstellen.

Hier klicken, um den Inhalt eines externen Dienstes anzuzeigen.

Browser-Based Scoring

FinTech ist ja so’n Ding gerade. Bei Banken und insbesondere im Kreditwesen wird zwar schon seit den 60er mit Daten und Profilen gearbeitet, die Zukunft vorhersagen wollten1, aber in den letzten Jahren hat das Digitalisierungs-Business hier nochmal einen Zahn zugelegt. Dazu passt eine Studie die vor einigen Wochen erschienen ist die getestet hat  inwiefern Informationen aus dem Browser, bzw. Daten die beim Registrieren in einem Online Shop anfallen, benutzen werden können, um zu berechnen ob Kund*innen ihren Einkauf pünktlich bezahlen werden oder nicht.

Lesen Sie weiter

  1. siehe z.B. Martin Schmitt „Der informationelle Mensch“ in Profile: Interdisziplinäre Beiträge []

Intrado Beware und der Threat Score

In diesem Beitrag geht es um Intrado Beware, ein System, dass von Sicherheitsbehörden genutzt werden kann um für eine Person eine Threat Score oder Risk Index berechnet. Das System trifft zwar keine Vorhersagen, sondern ist eher ein Tool zu Datenaggregation, dennoch wird es als Predictive Policing beworben. Und letztendlich ist ein Score auch eine Aussagen darüber wie sich eine Person in Gegenwart und Zukunft verhalten wird.

Lesen Sie weiter

In einem kurzen Beitrag in der Finanical Times (hier nicht-paywalled zusammengefasst) wurde wieder über Social Scoring für die Berechnung der Kreditwürdigkeit berichtet.

Es scheint als wären auch amerikanische Scoring-Unternehmen noch eher an den „klassischen“ Werten interessiert und schätzen Personen die nicht häufig umziehen (andernfalls könnte das auf Probleme mit der Miethöhe hinweisen) und ihre Rechnungen zügig bezahlen. Aber auch dort würde man gerne mehr über eben jene Leute wissen, für die sich mit den klassischen Methoden nichts berechnen lässt, weil einfach keine Daten vorliegen. Viel zitiert wurde daher die Aussage das man auch Facebook-Profile beobachtet, und etwa Menschen die häufig posten das irgendwer oder irgendwas „wasted“ ist. Umgangsprachlich übersetzt es sich mit „besoffen“. Das Sprache meist mehrdeutig ist, ist für den Score erstmal egal.

“If you look at how many times a person says ‘wasted’ in their profile, it has some value in predicting whether they’re going to repay their debt,” Will Lansing, chief executive at credit rating company FICO „It’s not much, but it’s more than zero.“

 

 

Beim NDR, wo sie regelmäßig über die SCHUFA und Adressehändler_innen berichten, wurden Details aus einer Präsentation veröffentlicht in der die SCHUFA darlegt welche Daten wie häufig bei der Score-Berechnung zur Kreditwürdigkeit mit einfließen.  Da die SCHUFA scheinbar nur zu 9% der Leute was negatives sagen kann, werden häufiger andere Kriterien herangezogen. Und die sind klassisch konservativ: das Alter von Datensätzen (also wie lange ein Konto besteht und wie oft sich die Adresse ändert) ist das Attribut, das am häufigsten in die Berechnung einfließt. Leider weiß auch der Leak nichts über die Bewertung dieses Attributs. Liest die SCHUFA häufige Umzüge eher als „flexible und Karriereorientiert“ oder als „potentielle Mietnomanden“? Deutet ein Bankwechsel und viele Konten auf „reich und preisbewusst bei Finanzdienstleistungen“ hin oder auf „interssiert sich für Geldwäsche“?

Lesen Sie weiter

Copyright © 2021 Anekdoten aus der berechneten Zukunft

Theme von Anders Norén↑ ↑