Food Fraud Teil 2 - Lebensmittelverfälschungen: Unerschlossene Datenbestände gezielt und effizient nutzen

Die Ausnutzbarkeit des „dubiosen Quadranten“ für Lebensmittelfälschungen ergibt sich im Wesentlichen aus drei Umständen:

• fehlende statistische Aussagekraft von Einzelproben für induktive Schlüsse,
• Fokus der Prüfpläne auf messtechnisch direkt zugängliche wertgebende und wertmindernde Eigenschaften und
• verfahrensbedingte Messunsicherheiten, insbesondere im Bereich relevanter Sollwerte.

Bestimmte Faktoren erhöhen die Wahrscheinlichkeit, dass konkrete Täuschungen bis hin zur Lebensmittelkriminalität unter Ausnutzung der Situation im „dubiosen Quadranten“ stattfinden. So erscheinen Produkte besonders gefährdet, die eine oder mehrere der folgenden Bedingungen erfüllen:

• haben sehr große Handelsmengen,
• sind homogen,
• kommen homogenisiert in den Verkauf,
• sind aus gut dosierbaren Rezepturanteilen zusammensetzbar.

Derartige Produkte eröffnen diverse Möglichkeiten der Verfälschung, bei denen selbst im Falle eines entsprechenden Stichprobenbefundes ein tatsächlicher Vorsatz heute nur schwer nachweisbar ist, z. B.

• Strecken mit arteigenen Bestandteilen (z. B. das Mitvermahlen von Stängelanteilen),
• Verklappen minderwertiger in verkehrsfähiger Ware unter Einhaltung oder knapper Überschreitung etwaiger Grenzwerte sowie
• Ausreizung zugelassener oder tolerierter „technisch unvermeidbarer“ Streuungen bei Spezifikationswerten³. 

Die Existenz des „dubiosen Quadrantens“ wird ungewollt durch gesetzliche Regelungen oder etablierte Verkehrsauffassungen für bestimmte Produktgruppen teilweise sogar noch begünstigt: So lässt die Fertigpackungsverordnung (FPackV) nach festgelegten statistischen Mustern eine (zufällig auftretende) Unterfüllung⁴ zu, während die „Leitsätze für Fleisch und Fleischerzeugnisse“⁵ für Anteile an wertgebenden Bestandteilen an verschiedenen Stellen unspezifizierte Streubereiche angibt (z. B. Abschnitt 1.72 „Der BEFFE-Gehalt [...] beträgt ca. 20 %.“). Definitionsgemäß gefährden Verfälschungen im „dubiosen Quadranten“ nicht die grundsätzliche Sicherheit von Lebensmitteln. Sofern deartige Fälle überhaupt erkannt wurden, sind sie medial kaum präsent. 

Dies darf jedoch nicht als Begründung herangezogen werden, den „Fahndungsdruck“ in diesem Quadranten zu senken. Denn zum einen kann erheblicher monetärer Schaden für betroffene Unternehmen entstehen, der in Form „notwendig“ gewordener Preisanpassungen auch Auswirkungen bis zu Endverbrauchern hätte. Zum anderen zeichnet sich klar ab, dass Supply Chain-orientierte Standards wie IFS und BRC zunehmend einen Kontrolldruck auf die Marktteilnehmer aufbauen und Prüf- bzw. Kontrollsysteme verlangen werden, die Verfälschungen aller Kategorien zuverlässig abfangen können, so dass die Frage „Food Fraud oder Grauzone?“ zukünftig von  Unternehmen eindeutig zu beantworten ist.

Wie lassen sich also Verfälschungen rechtzeitig erkennen und abwehren, wenn der aktuelle „Werkzeugkasten“ keine klaren Entscheidungskriterien liefern kann? Indem der methodische „Werkzeugkasten“ um das Potenzial der Daten und ihres gezielten systematischen Managements erweitert wird. 

Diese Methodik ermöglicht z. B. Qualitätsmanagern eines Inverkehrbringers, der diese Klasse von gekutterten Produkten im Sortiment führt und von mehreren Lieferanten bezieht, die in Wortwolken auftauchenden Begriffe als Hinweise auf erhöhte Prüfbedarfe für die eigenen gehandelten Produkte bzw. Lieferanten zu nutzen. Mit herkömmlichen Datenbereitstellungsformen wäre dieser Sachverhalt nicht so einfach zu erkennen. Wird das Potenzial der Daten dagegen geschickt genutzt, finden sich derartige Hinweise innerhalb weniger Mausklicks auch für Nutzer*innen ohne detaillierte Warenkenntnisse.

Kommerziell verfügbare Verfahren zur Datenerschließung, nutzen Werkzeuge der Data Science und Methoden des maschinellen Lernens (kurz: ML), um nach einer  „Trainingsphase“ des Systems unternehmensspezifische Aufbereitungen, Harmonisierungen und Anreicherungen¹⁷ der Gesamtheit aller verfügbaren Prüfberichte durchzuführen und die Daten nach der Auswertung entsprechend aufbereitet zur Verfügung zu stellen.

Die folgenden Abbildungen wurden Bildschirmdarstellungen eines Web-Interfaces¹⁸ entnommen und zeigen erste einfache Nutzungsmöglichkeiten. Zur einfachen Unterscheidung von im Prüfbericht festgestellten Risiken wurde anwenderseitig hier eine vertraute „Ampelsystematik“ gewählt.

Entsprechend der Ampelsystematik bedeuten die Farben:

•/grün= keine Beanstandung 

•/gelb = kritische Hinweise

•/rot  = schwere Beanstandung bzw. Nicht-Verkehrsfähigkeit

Die Vergabe von Ampelfarben kann sich summarisch auf komplette Prüfumfänge stützen, alternativ können die verwendeten ML-Algorithmen aber auch bestimmte Parameter oder -kombinationen isoliert bewerten.

Durch die Anwendung auf alle risikoverwandten Produkte¹⁹ eines Lieferanten lassen sich dann auf der Nutzeroberfläche automatisiert Ampeldarstellungen erzeugen, die systematische Qualitätsthemen leicht erkennen lassen. Für die gezeigte Situation wurden ML-Algorithmen des Systems auf den (in der oben gezeigten zugehörigen Wortwolke am häufigsten vorkommenden) Parameter „BEFFE“ abgestellt. „BEFFE“ steht für „bindegewebs-eiweißfreies Fleischeiweiß“ und repräsentiert den Eiweißanteil des reinen Muskelfleisches als ein Maß für die Qualität einer Fleischware²⁰. Der Anteil an BEFFE in stark homogenisierten Proben wird in der Regel durch Leitsätze geregelt (s. o.) oder näher spezifiziert und lässt sich in der Produktion gut kontrollieren. Die Überprüfung auf den tatsächlichen BEFFE-Gehalt erfolgt im Labor über indirekte Methoden. 

Abweichungen in Richtung kleinerer BEFFE-Werte spezifiziert oder wie im Leitsatz gefordert, führen für Einzelproben in der Regel wegen fehlender statistischer Relevanz der Probe zwar zu kritischen Hinweisen l/gelb aber nur in seltenen Fällen zu einer Feststellung schwerer Abweichungen l/rot – mithin eine mögliche Situation aus dem grauen Bereich des „dubiosen Quadranten“. 

Bereits die wenigen, thematisch auf eine Visualisierungsform und einen Parameter begrenzten Beispiele zeigen, dass die Anwendung von Verfahren der Data Science und des Machine Learning auf Prüfberichtsdaten eines Unternehmens deutliches Potenzial bieten: sowohl bei der präzisen und frühzeitigen Identifikation von Verdachtsfällen, als auch in der Zuweisung von Unternehmensressourcen im Qualitätsmanagement. Gerade im Vergleich mit heute üblichen Auswertungen liegen in der maschinell unterstützten systematischen Umfeldausleuchtung des „dubiosen Quadrantens“ große Chancen, Fällen von Food Fraud frühzeitig ggf. bereits in der Vorbereitungsphase zu begegnen.

Die Macht und das Potenzial der Daten geht sehr weit über die in diesem DLG-Expertenwissen gezeigten Möglichkeiten eines Einzelunternehmens hinaus. Die Lebensmittelindustrie verfügt über einen enormen Datenschatz, der mehr oder weniger die gesamte Wertschöpfungskette „Farm-to-Fork“ umfasst. Würde die Branche sich entschließen, diesen Datenschatz gemeinsam geeignet zu bewirtschaften und den Data Science-/ML-Werkzeugkasten gemeinschaftlich zu erweitern, könnten Frühwarnindikatoren bereits in früheren Prozessstufen implementiert und über Verfahren des maschinellen Lernens automatisiert werden. Damit könnten sich verändernde Risikolagen zuverlässig maschinell erkannt und nachgelagerte Prozessteilnehmer frühzeitig gewarnt werden. Zum Beispiel könnten kontaminierte Rohwaren bereits identifiziert werden, bevor (potenziell mehrere) Hersteller diese in eigenen Produkten verarbeitet haben, was die branchenweite Risikoexposition deutlich mindert.  Auch das Risiko der Unternehmen, Mängel unerkannt durchzureichen, könnte mit einem übergreifenden Datenmanagement- und Datenanalysesystem stark reduziert werden.

State-of-the-Art Data Science-/ML-Systeme ergänzen unternehmenseigene Daten zwar manchmal bereits um individuell zusammengestellte Umfelddaten, z. B. aus offiziellen Meldesystemen und Frühwarndiensten, Wetterdiensten oder ähnlichem und liefern so wertvolle Beiträge zur Optimierung des Qualitätsmanagements – verglichen mit einem unternehmensübergreifenden Datenpool, der sich aus möglichst vielen Teilnehmern verschiedener Wertschöpfungsstufen speist, werden erzielbare Effekte im Vergleich aber beschränkt bleiben. 

So wären wirtschaftliche Vorteile, die sich etwa für Inverkehrbringer aus der Bewirtschaftung eines solchen unternehmensübergreifenden Datenpools ergeben könnten, durchaus substanziell: Produkte mit vergleichbaren Risikoprofilen müssten nicht von jedem Unternehmen individuell auf die gleichen Standardparameter getestet werden, sondern Prüfpläne könnten auf Basis automatisch generierter (anonymisierter) Hinweise aus dem gemeinsamen Datenpool dynamisch im Hinblick auf aktuelle Verdachtssituationen geschärft werden – wenn im Netzwerk „an der BEFFE-Front Ruhe herrscht“. Während über einen (anonymisierten) Teilnehmer des Netzwerks bekannt wird, dass bei ihm in jüngerer Zeit gehäuft Arzneimittelrückstände in Prüfberichten negativ erwähnt werden, wäre eine temporäre Verschiebung eigener Geldmittel von BEFFE- auf Arzneimittelrückstandsanalysen zu überlegen – Qualitätsmanager könnten also ihren Mitteleinsatz mittels evidenzbasierter dynamischer Prüfplangestaltung effizienter gestalten.

Leider finden die genannten Vorteile, die ein sich von möglichst vielen Marktteilnehmern bewirtschafteter Datenpool bietet, noch wenig Resonanz in der Praxis. Dem Konzept einer vernetzten gemeinsamen Nutzung von Datenpools mit Labordaten, Beurteilungen und flankierenden Informationen wird aktuell noch reserviert begegnet. Ursachen hierfür werden hauptsächlich gesehen in:

• Interessenskonflikten verschiedener Marktteilnehmer auf unterschiedlichen Stufen der Wertschöpfungskette sowie
• der verbreiteten  Sorge, sich mit der Bereitstellung eigener, teils hochsensibler Daten trotz wirksamer Anonymisierung vor Bereitstellung in einem Datenpool zu exponieren.

Die Umsetzung des Konzeptes eines gemeinsam bewirtschafteten Datenpools der Lebensmittelindustrie bedingt eine enge Zusammenarbeit zwischen den Disziplinen

• Warenkunde (Leitsätze, Spezifikationen, …),
• Prozesskunde (Laborverfahren und deren Grenzen, Herstellungsprozesse, …),
• Datengewinnung, -aufbereitung und -speicherung (inhaltlich und technisch, IT-Infrastruktur, …),
• Data Science (Feature Engineering, Model-Selection und -Training) und
• Recht (Lebensmittelrecht, Datenschutzrecht, IT-Recht, …). 

Insgesamt wird deutlich, dass die Schaffung eines von möglichst vielen Marktteilnehmern getragenen, gemeinschaftlich genutzten Datenpools zur automatisierten Überwachung neuralgischer Punkte der Wertschöpfungsketten bis dato noch visionär ist: Technische und organisatorische Infrastrukturen sind aktuell noch nicht auf eine solche Zusammenarbeit ausgerichtet und Interessenslagen potenzieller Teilnehmer sind in vielen Fällen nicht ausreichend deckungsgleich. 

Aus der Nutzung erster kommerziell erhältlicher Produkte und deren Anwendung auf Eigenkontrolldaten und Untersuchungen direkter Vorlieferanten ergeben sich aber bereits bei nur unternehmensinternem Einsatz sichtbare Transparenzgewinne sowie konkrete Ansatzpunkte für systematische Qualitätsverbesserungen, teilweise gemeinsam mit direkten Vorlieferanten. 

Schon in den unternehmenseigenen Daten steckt also im Zusammenspiel mit Data Science-/ML-Verfahren Macht:

• Entlastung des operativen Qualitäts- und Risikomanagements von Routinearbeiten
• gezieltere Steuerung personeller und finanzieller Ressourcen der Qualitätssicherung,
• frühere und spezifischere Möglichkeiten zur risikolagenadäquaten Dynamisierung von Prüfplänen,
• flexible Auswertungsmöglichkeiten bei sich änderndem Informationsbedarf.

Vielleicht werden im Zuge eines immer selbstverständlicheren Umgangs der Unternehmen mit solchen Systemen und den erlebten positiven Auswirkungen auch die Chancen steigen, einen branchenweiten gemeinsam bewirtschafteten Datenpool Wirklichkeit werden zu lassen. Erst dann könnte die Branche das Potenzial der Daten vollständig nutzen.