Datenanalysen können Trägern der sozialen Sicherheit dabei helfen, ihre administrative Wirksamkeit und Effizienz zu erhöhen, denn sie bieten ein besseres Verständnis der Vergangenheit, der Ursachen von Ereignissen und der Wahrscheinlichkeit von Entwicklungen sowie die Möglichkeit, Abhilfemaßnahmen zu ergreifen. Träger der sozialen Sicherheit können Datenanalysen in verschiedenen Bereichen wie etwa im Gesundheitsbereich anwenden, um Fehler, Hinterziehung und Betrug zu erkennen und ihnen vorzubeugen, proaktive Strategien und Programme zu entwerfen, versicherungsmathematische Bewertungen und Prognosen vorzunehmen und die Diensterbringung zu verbessern usw.

Datenanalysen beruhen hauptsächlich auf den Daten des Trägers und manchmal auch auf externen Daten, die nach einer Vorbereitung analysiert werden. Aus diesen Daten kann man mit folgenden analytischen Verfahren Einsichten gewinnen:

• Bei der Descriptive Analytics geht es darum zu verstehen, was geschehen ist. Sie liefert ein Verständnis der vergangenen Transaktion in einer Organisation;
• Bei der Diagnostic Analytics geht es darum zu verstehen, warum oder wie etwas geschehen ist. Dazu gehört das Verständnis der Beziehungen zwischen miteinander verbundenen Datensätzen und die Untersuchung bestimmter Transaktionen sowie des ihnen zugrundeliegenden Verhaltens und ihrer Ursachen;
• Bei der Predictive Analytics geht es darum, ausgehend von vergangenheitsbezogenen Daten zu verstehen, was wann und wo geschehen wird. Zur Vorhersage künftiger Entwicklungen einer Tätigkeit können bestimmte Prognosetechniken eingesetzt werden;
• Mit der Prescriptive Analytics lassen sich verschiedene mögliche Entwicklungen mehr oder weniger genau vorhersagen, so dass die Tätigkeiten besser an die gewünschten Ziele angepasst werden können. Dabei können ausgehend von verschiedenen Maßnahmenpaketen auch verschiedene Zukunftsszenarien entworfen werden.

Bei der Analyse von Big Data geht es um größere Datenmengen, die über die einzelnen Transaktionen eines Trägers hinausreichen. Big Data oder große Datenmengen kennzeichnen sich durch vier Merkmale: Volumen, Vielfalt, Geschwindigkeit und Richtigkeit. Eine mögliche Quelle von Big Data könnten beispielsweise Daten medizinischer Heimgeräte sein, mit denen die Vitalparameter von Patienten aufgezeichnet werden. Für die Analyse solch großer Datenmengen müssen die Verfahren in allen Phasen von der Datensammlung und Datenspeicherung bis hin zur Datenumwandlung und Dateninterpretation grundsätzlich neu überdacht werden. Besonders wichtig sind die Sammlung und Analyse der Daten, sie stehen nicht umsonst im Zentrum der Big Data Analytics.

Bei der Entscheidungsfindung durch maschinelles Lernen unterscheidet man drei Methoden:

• Induktives Lernen, wobei die Modelle durch die Verallgemeinerung von Beispielen erstellt werden;
• Deduktives Lernen, wobei die Ableitung aus einem gelösten Beispielfall und seiner Erklärung zur Verallgemeinerung führt;
• Genetisches Lernen, bei dem die Algorithmen auf der Evolutionstheorie beruhen und eine allgemeine Beschreibung von Beispielgruppen liefern;
• Konnektives Lernen, bei dem die Verallgemeinerung durch Anpassungsmechanismen in künstlichen neuronalen Netzwerken entsteht.

Hauptziel dieses Teils ist es, die Träger der sozialen Sicherheit bei der Anwendung von Datenanalysen und bei der Einführung neuer Technologien zu unterstützen.

Diese Leitlinien sollen der IKT-Abteilung vor allem eine Orientierung geben, wie passende technologische Lösungen und Dienstleistungen für die Geschäftsbereiche gefunden und implementiert werden können. Sie geben auch Anhaltspunkte für die Geschäftsführung des Trägers für die Anwendung neuster und aufkommender Technologien. Ferner kann es sein, dass die Teams für die technische Entwicklung und den technischen Betrieb ihre Fähigkeiten anhand dieser Leitlinien anpassen und neue Kompetenzprofile entwickeln müssen.