Big Data und Digitalisierung. Chancen und Risiken für die Fitnessbranche

Inhaltsverzeichnis

Abbilungsverzeichnis

1.Einleitung

2. Big Data
2.1 Einführung
2.2 Anforderungen an Big Data
2.3 Risiken von Big Data

3. Digitalisierung der Fitnessbranche
3.1 Geschichte
3.2 Big Data in der Fitnessbranche

4. Fazit

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Prognose Datenwachstum

Abbildung 2 Mitglieder in Fitnessstudios

1.Einleitung

“[...] I suspect that when the history is written two hundred years from now, [a trend] will emerge as something very important that happened in human thinking during the time when we were alive, and that is that we are becoming rational, analytical, and data-driven in a far wider range of activity than we ever have been before” (Summers, 2003).

In 60 Sekunden werden 3.8 Millionen Google-suchen getätigt, 29 Millionen WhatsApp Nachrichten gesendet und bis zu 450.000 Tweets verfasst (Allen, 2017).

Der Mensch im heutigen digitalen Zeitalter hinterlässt im Internet, bei seinen Posts, Tweets und Einkäufen, eine beständige Spur an Daten. Solche Daten können durch den heutigen technologischen Fortschritt benutzt und analysiert werden. (Mayer-Schönberger & Cukier, 2013, S.14 ff.)

Diese Sammlung und Auswertung von Datenmengen prägte den Begriff „Big Data”(Rosenbush & Totty, 2013).

Marr (2015, S. 1 ff.) beschreibt Big Data als Auslöser einer [digitalen] Evolution in allen Bereichen des Lebens. Im Unternehmen, beim Sport, dem Gesundheitswesen über Applikationen in den Wohnungen bis hin zu der Liebe. Laut Marr sei kein Lebensbereich von der Digitalisierung ausgeschlossen. Sei es persönliche Fitness Armbänder zur Überwachung der Sportlichen Leistung oder der Gesundheit, Heizungen die nur benutzten Räume in den Wohnungen beheizen und Online Dating Seiten, die durch gezielte Auswertung von persönlichen Daten „passenden“ Partner^[1] vorschlagen. (Marr, 2015, S.1 ff.)

Ziel dieser Hausarbeit ist es, den Begriff Big Data ausführlich darzulegen sowie den Nutzten aber auch die Gefahren und Risiken von Big Data aufzuzeigen. Hierbei wird ein Fokus auf Big Data in der Fitnessbranche gelegt.

Zunächst findet eine Einführung in die Thematik Big Data statt. Dabei wird aufgezeigt was Big Data bedeutet und wo Big Data benutzt wird. Danach werden Anforderungen an Big Data genannt sowie die Risiken die durch Big Data entstehen erläutert. Des Weiteren wird aufgezeigt, wie Big Data in der Fitnessbranche Anwendung findet.

Schlussendlich werden die Chancen und Risiken von Big Data in einem kritischen Fazit zusammengefasst und bewertet.

2. Big Data

2.1 Einführung

Big Data kommt aus dem Englischen und bedeutet zu Deutsch: „große Datenmengen“ (Duden, 2017). Doch große Datenmengen sind für Unternehmen und in der Informationstechnik nichts Neues (Kolb & Kolb, 2013, S.26 f.). Geändert haben sich das Wachstums des globalen Datenvolumes sowie die Möglichkeiten diese zu verarbeiten, zu analysieren und einen Nutzen aus ihnen zu gewinnen (Kolb & Kolb, 2013, S.26 f.).

Nach einem Bericht von IDC wird das globale Datenvolumen alle zwei Jahre verdoppelt. Wie in Abbildung 1 veranschaulicht, sollen demnach im Jahre 2020, bis zu 40.000 Exabytes an Daten bestehen. (Gantz & Reinsel, 2012, S. 1 ff.)

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Prognose Datenwachstum (Quelle: Eigene Darstellung nach Gantz & Reinsel )

Nach Marr liegt der Wert der Daten nicht in den Größen der Datenmengen, sondern in der technischen Qualifikation, diese zu analysieren und in Beziehung zu setzen - und daraus dann einen Gewinn zu ziehen. Besonders wichtig dabei ist die Fähigkeit, sogenannte „unstrukturierte Datensätze“ zu analysieren. Hiermit sind Daten die nicht einfach ausgewertet werden können, wie Email-Konversationen, Social Media Posts, Fotos und Videos gemeint. (Marr 2015, S.10)

Internetunternehmen wie Google, Facebook, Twitter und YouTube generieren unstrukturierte Datensätze wie „Likes“, „Tweets“, Bilder und Videos. Bei der Auswertung werden benutzter spezifische Vorlieben, Interessen und Kaufabsichten erfasst und Individuelle Schaltung von Werbung ermöglicht. (Mayer-Schönberger, Cukier 2013,S.1 ff.)

Auch Großkonzerne wie Walmart oder Amazon benutzen Big Data um Werbung zu optimieren, Produktplatzierung zu tätigen und schlussendlich sogar vorhersagen zu können welches Produkt der Kunde am Ende kaufen wird (Marr 2016, S.5 ff.). Aber auch in anderen Bereichen, wie zum Beispiel im Gesundheitssystem wird Big Data benutzt um aus großen Mengen an Patientendaten, eine möglichst effektive und individuelle Behandlung zu ermöglichen (Roski et al., 2014).

In dem Buch „Data Unser“ beschreiben Bloching, Luck und Ramge (2015, S. 12) dass der Wert von Daten durch neue Methoden und Analysemöglichkeiten stetig wächst. An dem Beispiel des Absatzmarktes wird beschrieben, wie Big Data genutzt wird um gezielt Verhalten von Gruppen und einzelner Individuen zu errechnen und vorherzusagen. Das Zeitalter des allgemeinen Absatzmarktes sei zu Ende. Statt Dienstleistungen und Produkte, die nur eine große Zielgruppe ansprechen, ermöglicht Big Data den Unternehmen angepasste Konzepte für jedes Individuum zu entwickeln. (Bloching et al. 2015, S.12)

2.2 Anforderungen an Big Data

In fast allen gängigen Literaturen werden 3 Anforderungen von Experten an Big Data gestellt. Diese sind „Volume“, „Velocity“ und „Variety“ (Nugent,Hurwitz, 2013;Thomases, 2012; Marr, 2015, S.79f.)

- Data Volume (Menge)

Volume beschreibt die Menge an Daten, die in allen Beriechen, sei es im privaten, geschäftlichen, wissenschaftlichen oder öffentlichem, erschaffen werden (Marr, 2015, S.79).

In den Jahren 2008 bis 2011 sind mehr Daten erschaffen worden als in der Gesamten Menschheitsgeschichte vor 2008. (Kale, 2016, S.1)

- Velocity (Geschwindigkeit)

Velocity beschreibt einerseits die Geschwindigkeit mit der neue Daten in der Welt erschaffen werden und sich in dieser bewegen (Marr 2015, S.80). Andererseits aber auch die Geschwindigkeit mit der diese Daten erfasst und analysiert werden können (Thomases, 2012).

- Variety (Vielfalt)

Variety beschreibt die zunehmende Vielfalt der neuen Daten (Nugent & Hurwitz, 2013). Unterschieden wird hier zwischen strukturierten Daten (z. B. aus Datenbanken) und unstrukturierten Daten (z.B. Social Media Posts, Fotos und Videos) (Frampton, 2015, S.1).

Autoren wie Zwitter, Marr, Klein und Gräfen nennen zu den geläufigen 3V´s noch weitere Anforderungen.

Diese sind Veracity sowie Value.

- Veracity (Richtigkeit)

Veracity umfasst alle möglichen methodischen Fragen zum Thema Zuverlässigkeit sowie die Gültigkeit der gewonnenen Daten und deren Quellen.

(Zwitter 2015; Marr 2015, S.80)

- Value (Wert)

Value beschreibt den direkten, generieten Wertaus der Big Data Analyse für den User/ das Unternehmen.

Nach den Autoren Klein und Gräf muss jede Big Data Analyse ein genaues Ziel haben unn damit ermöglichen einen bestimmten Wert aus dem Projekt gewinnen zu können. Als kleinster Gewinn soll Big Data helfen bessere Entscheidungen treffen zu können. Ist kein Ziel/ Gewinn in Sicht, so sei das Big Data Projekt unnütz. (Klein & Gräf 2014, S.220 ff.)

Die anfangs erwähnte Definition von Big Data kann nun unter der Berücksichtigung der 5 V`s genauer definiert werden.

Sie lautet nun: „Big Data beschreibt die Fähigkeit, richtig ausgewählten Daten aus rasant wachsenden Daten Mengen so zu nutzen, dass neue Erkenntnisse, Güter oder Dienstleistungen von bedeutendem Nutzen gewonnen werden können.“

2.3 Risiken von Big Data

Nach Weichert (2013, S.1) steht Big Data nicht nur für neue Chancen und Möglichkeiten, sondern bringt auch viele Risiken und Gefahren mit sich. Da Große Mengen von Daten durch private und öffentliche Stellen zusammengeführt werden, steigt die Möglichkeit der Manipulation und des Datenmissbrauches. Dies kann zu Verletzungen informationeller Grundrechte der Menschen und ihren Freiheitsrechte führen (Weichert, 2013, S.1).

Ein Beispiel des Datenmissbrauchs lieferte der holländische Navigationsgeräte Hersteller TomTom. Dieser verkaufte anonymisierte Verkehrsdaten an die niederländische Regierung. Die Regierung nutzte die Daten nicht wie von TomTom angegeben zur Verbesserung des Straßennetzes, sondern um Geschwindigkeitskontrollen und Verkehrskontrollen der Polizei zu optimieren (DANA, 2011, S. 86 f.).

Ein Weiteres Thema ist die gezielte Beeinflussung von große Menschenmengen durch Big Data. Nix^[2] beschrieb in seinem Vortrag am Concardia Summit 2016 die Möglichkeiten mit Big Data durch „Zielgruppen-Targeting“, „Datenmodellierung“ und „psychografisches Profiling“ Einflussmöglichkeiten auf Wahlen kreieren zu können. So konnte Cambridge Analytics in den U.S Wahlen 2016 durch Big Data Analysen gezielte Beeinflussung der Wählerschaft durch individuell geschaltete Werbung und Informationsvergabe erzielen. Wurde zum Beispiel durch eine psychografische Profilierung festgestellt dass der Bürger für die Waffenrechte in der U.S einsteht, hat er Werbung bekommen die diese Meinung bei dem Unterstützen Kandidaten von Cambridge Analytics genau wiederspiegelt. Diese gezielte Anpassung von Werbung und Informationsverteilung ermöglicht eine Beeinflussung von Individuen und gibt dem Unterstützen Kandidaten einen Vorteil in der Wahl (Nix, 2016)

Anzumerken ist, dass neben dem Datenmissbrauch und der Beeinflussung von Individuen noch andere Bereiche in denen der Einsatz von Big Data Anwendung findet kritisch hinterfragt werden müssen.

Im Versicherungssektor könnten Big Data Analysen ergeben, dass Personen einen ungesunden oder gefährlichen Lebensstil führen oder der Fahrstil nicht sicher ist. So könnten Versicherungsabschlüsse verwehrt oder besonders teuer werden. Darüber hinaus könnten auch nicht beeinflussbare Faktoren wie Alter, Geschlecht, soziale Herkunft oder genetische Besonderheiten zur Beurteilung herangezogen werden. Es könnte zu einem Ausschluss anhand von nicht beeinflussbarer Parameter kommen (Oliver, 2016).

Um Big Data an Datenschutzanforderungen anzupassen, schlägt der Jurist Thilo Weichert eine frühzeitige Anonymisierung der Daten vor. Dies kann durch eine Aggregierung der Daten, also Zusammenführung von Einzeldatensätzen, stattfinden. Außerdem soll durch eine Weiterverarbeitung der Daten als einheitliche Gruppe, sowie der Verhinderung der Reidentifizierung durch Veränderungen der Daten, zur Anonymisierung beitragen.(Weichert, 2013, S.21 f.)

Des Weiteren ruft Weichert (2013, S. 22) zur öffentlichen Debatte auf: „inwieweit unsere offene demokratische Gesellschaft die Generierung digitalisierter Planungs- und Entscheidungsgrundlagen zulassen möchte, deren Ursprünge nicht mehr im gesunden Menschenverstand und in demokratischen transparenten Prozessen, sondern in Algorithmen zu finden sind“.

3. Digitalisierung der Fitnessbranche

3.1 Geschichte

Der Ursprung der heutigen Fitnessbranche geht auf Ludwig „Turnvater“ Jahn zurück. Dieser erschuf zum Ausgleich zur der Industriearbeit 1810 die deutsche Turnbewegung. Der Grundgedanke der Bewegung an frischer Luft als Pendant zum Arbeiterleben in der Industrie setzte sich durch. In den 1970 entstanden die ersten kommerziellen Fitnessstudios. Breite Zielgruppen konnten durch nutzungsfreundlichen Geräte angesprochen werden und im Rahmen der aufkommen Bodybuilding- sowie Aerobic Welle stieg die Nachfrage nach Fitnessstudios an. Heutzutage bekommen Fitnessstudios Wettbewerbsdruck durch neu entwickelten Start-ups wie Freeletics und Gymondo. Diese bieten digitale Inhalte, wie Trainingspläne und Internet-Coaches, als alternative zu einer Mitgliedschaft in einem Fitnessstudio. (Günther et al., 2016,S.124)

Wie in Abbildung 3 dargestellt belaufen sich im Jahre 2016 die Mitgliederzahl aller deutschen Fitness-Studios auf mehr als 10 Millionen (DSSV 2017b). Somit geht fast jeder 8 Einwohner in eines der mehr als 8.000 Fitness-Studios in Deutschland(DSSV2017a).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 Mitglieder in Fitnessstudios ( Quelle : Eigene Darstellung nach DSSV 2017b)

3.2 Big Data in der Fitnessbranche

Durch den stark ansteigenden Trend der Fitnessbranche im Zusammenhang mit einer technologischen Entwicklung werden im Bereich der Fitnessbranche mehr Daten produziert, gesammelt und analysiert. Insbesondere digitale Fitness Coaches, Online Sport Apps oder die zahlreichen Fitnessmesser wie das Fitbit sind hier zu nennen. Alle speichern Daten und ermöglichen so eine Big Data Analyse (Marr 2016,S.189 ff.)

Im Folgenden werden als Beispiele die Fitnessapp „Freeletics“ sowie das Fitness Armband „Fitbit“ erläutert und gezeigt wie Big Data in der Fitnessbranche genutzt wird.

Freeletics

Freeletics verspricht schnelle und intensive Trainingseinheiten mit guten Erklärungen und Hilfestellungen zu den Übungen ohne zusätzliche Hilfsmittel. Anhand von online eingetragenen Daten wie Alter, Geschlecht, Gewicht, Ziele (Muskelaufbau / Ausdauer etc.) und individuellem Trainingslevel wird ein maßgeschneidertes Profil angelegt (Lagé 2017).

Durch die gewonnenen Daten kann jeder Trainingsplan an den Kunden angepasst werden. Übungen und Erholungszeiten werden je nach Benutzer und absolvierten Trainingseinheiten in den Trainingsplan eingefügt. Freeletics ermöglicht jedem Benutzer, sei er sportlich oder auch nicht, gezielt auf seine Bedürfnisse einzugehen und eine Optimierung beim Sport zu erzielen (Böhme 2017, S.12).

Kritik an dieser Art von Training kommt zum Beispiel von den Personal Coaches, da Anfänger eigentlich Hilfestellung bei besonders anspruchsvollen Übungen benötigen um Verletzungen zu vermeiden (Lagé 2017).

Fitbit

Das U.S Unternehmen „Fitbit“ ist mit 21 Millionen verkauften Geräten Marktführer im Bereich von tragbar elektronischen Fitnesszubehör. Größter Umsatzträger sind die Gesundheits-Fitness Armbänder (Marr, 2016, S.191).

Fitbit bietet Fitnessarmbänder an, die als Herzfrequenzsensor, Sport Uhr und Schrittzähler fungieren. Der Tracker misst die Aktivitäten des Trägers am Tag, sei es Schritte, Radsport oder Fitness Training. Diese Daten werden in Bezug zu den online angegeben persönlichen Daten wie Alter, Geschlecht, Gewicht, Schrittlänge gebracht und so verbrannten Kalorien und Aktivitätslevel errechnet. Des Weiteren bieten die Fitbit Armbänder an, den Schlafzyklus des Trägers zu messen und Daten über die Schlafdauer und -tiefe zu errechnen. Auch eine Anbindung an Soziale Netzwerke wie Facebook oder Twitter lässt sich einrichten. Dort können zum Beispiel Trainingserfolge mit Freunden geteilt werden (Chip.de 2013).

Neben dem Motivationsfaktor durch die Dokumentation der eigenen Trainingseinheiten und –fortschritte können die Daten einen großen Wert in der gesundheitlichen Diagnostik und Behandlung bilden. Durch die Abbildung der sportlichen Aktivitäten des Trägers können Ärzte ein größeres und besseres Gesamtbild ihrer Patienten gewinnen. Dies kann zu einer besseren Diagnose, einer möglichen Früherkennung von Erkrankungen und einer differenzierteren Behandlung führen (Marr, 2016, S.190).

[...]

^[1] In dieser Arbeit wird das grammatikalische Geschlecht verwendet. Hierbei wird nicht zwischen der männlichen und weiblichen Form differenziert.

^[2] Alexander Nix ist CEO von Cambridge Analytics (Nix, 2016)