Big Data in the Field of Privacy and Data Protection Law

Inhaltsverzeichnis

Inhaltsverzeichnis

Literaturverzeichnis

Abkurzungsverzeichnis

A. Einfuhrung in die Thematik

B. Gesellschaftliche und wirtschaftliche Verwendung von Big Data
I. Big Data als Optimierung des Alltags
II. Ein Gegner der objektiven Meinungsbildung
III. Das weitreichende Einsatzfeld der Analysetechnologie

C. Technische Einfuhrung
I. Die Optimierung statistischer Zusammenhange
II. Der Datenanalyseprozess im Einzelnen
1. Vorteile der horizontalen Skalierbarkeit
2. Einsatz parallelisierten Algorithmen
III. Technische Umsetzung als Chance fur die Privatwirtshaft

D. Problemaufriss
I. Der Erkenntnisgewinn als lukratives Geschaftsmodell
II. Die Gefahr rasant ansteigender Datenmengen
III. Big Data als Bedrohung fur die Freiheit des Einzelnen

E. Datenschutzrechtliche Bewertung von Big Data vor dem Hintergrund des BDSG
I. Grundsatze des Datenschutzrechts
II. Anwendbarkeit des BDSG
1. Eroffnung des ortlichen Anwendungsbereichs
a. Big Data-Anwendungen aus EU-fremden Drittstaaten
b. Bestimmung des Orts der Datenerhebung
c. Verarbeitungs- und Nutzungsort der Daten
d. Raumliche Begrenzung des Anwendungsbereichs
2. Personenbezogene Daten vor dem Hintergrund von Big Data
a. Zur Bestimmbarkeit der Person
aa. Relativitat des Personenbezugs
bb. Mit neuen Moglichkeiten zu personenbezogenen Daten
cc. Anonymisierungsverfahren als hilfloser Aktionismus
dd. Fehlende Prognostizierbarkeit des Personenbezugs bei steigender Datenanzahl
ee. Problemfall der Datenubermittlung
b. Neues Verstandnis um personenbezogene Daten
III. Zulassigkeit einzelner Verarbeitungsphasen von Big Data-Analysen
1. Erhebung personenbezogener Daten im Rahmen des BDSG
2. Verarbeitung personenbezogener Daten
3. Datennutzung
4. Das Verbot mit Erlaubnisvorbehalt
IV. Zulassigkeit von Big Data vor dem Hintergrund der Erlaubnisgrunde
1. Die Einwilligung als Legitimationsmittel von Big Data-Anwendungen
a. Wirksamkeitsvoraussetzungen um die Einwilligung
aa. Bestimmtheitsanforderungen an die Einwilligung
bb. Freiwilligkeit der Einwilligung
b. Praktikabilitat der Einwilligung als Erlaubnistatbestand
2. Erlaubnisvorschriften fur offentliche und nicht-offentliche Stellen
a. Datenverarbeitung durch offentliche Stellen
b. RechtmaBigkeit der Big Data basierten Datenverarbeitung durch nicht-offentliche
Stellen nach § 28 Abs. 1 BDSG
aa. Zulassigkeit von Big Data im Bereich des § 28 Abs. 1 Nr. 1 BDSG
(1) Big Data als erforderliches Mittel zur Wahrung nebenvertraglicher Pflichten
(2) Umfang der erforderlichen Analyse
bb. Zulassigkeit von Big Data im Bereich des § 28 Abs. 1 Nr. 2 BDSG
(1) Berechtigtes Interesse an der Datenverwendung
(2) Abwagung um die widerstreitenden Interessen
(3) Profilbildung als Grenze kommerzieller Big Data-Analysen
cc. Zulassigkeit von Big Data im Bereich des § 28 Abs. 1 Nr. 3 BDSG
c. Bewertung der Erlaubnis von Big Data im nicht-offentlichen Bereich
V. Schranken erlaubter Big Data-Anwendungen durch Grundatze des Datenschutzes
1. Das Prinzip der Direkterhebung
2. Der Grundsatz der Datensparsamkeit
3. Der Zweckbindungsgrundsatz
a. Zweckbindung als Kontrollinstrument der Betroffenen
b. Keine Begrenzung bei Benennung von vielen Zwecken
c. Die Datenschutzrichtlinie als Leitfaden im Rahmen der Auslegung
d. Mangelnde Vereinbarkeit von Zweckbindungsgrundsatz und Big Data
4. Bewertung der Zulassigkeit von Big Data-Analysen nach dem BDSG

F. Die Datenschutz-Grundverordnung als Prufstein fur Big Data-Anwendungen
I. Vorgaben des BDSG und der DS-GVO in der Gegenuberstellung
II. Anwendungsbereich von Big Data im Lichte der DS-GVO
1. Das Marktortprinzip als wichtigstes Signal des europaischen Gesetzgebers
2. Kritik an den Kriterien des Marktortprinzips im Lichte von Big Data
3. Verbindlich landerubergreifender Charakter der DS-GVO als positiver Ansatz
III. Zulassigkeit der Verarbeitung von personenbezogenen Daten nach der DS-GVO
1. Bestimmbarkeit des Personenbezugs
a. MaBstabe zur Auslegung der Bestimmbarkeit nach EG 26
b. Relativer MaBstab zur Feststellung des Personenbezugs
2. Vorteil der Berucksichtigung zukunftiger Entwicklungen
IV. Grundsatze der DS-GVO fur die Datenverarbeitung
1. RechtsmaBigkeit der Verarbeitung personenbezogener Daten
a. Einwilligung i. S. v. Art. 6 Abs. 1 Buchst. a) DS-GVO
aa. Wandel der Wirksamkeitsvoraussetzungen
(1) Neue Formen der Einwilligung
(2) Die Einwilligung als eindeutig bestatigende Handlung
bb. Einwilligung in die Verarbeitung zu mehreren Zwecken
(1) Bestimmtheit
(2) Freiwilligkeit
cc. Freiwilligkeit der Einwilligung in Abhangigkeitsverhaltnissen
dd. Fehlende Parameter zur Ermittlung des Ungleichgewichts
b. Verarbeitung zur Erfullung eines Vertrages i. S. v. Art. 6 Abs.
Buchst. b) DS-GVO
c. Uberwiegende Interessen des Verantwortlichen oder eines Dritten i. S. v
Art. 6 Abs. 1 Buchst. f) DS-GVO
aa. Zur Unbestimmtheit der „Interessenabwagungsklausel“
bb. Die Unbestimmtheit als Ruckschritt gegenuber dem bisher geltenden Recht
cc. Fortsetzende Notwendigkeit der Einzelfallentscheidung
dd. Die MaBgeblichkeit der Interessen Dritter
d. Zulassigkeit von Big Data als Grundlage eines sich entwickelnden Binnenmarktes
V. Das Prinzip der Zweckbindung als scharfes Schwert von Big Data
1. Die Frage der Auslegungsweite der ursprunglichen Zweckbestimmung
2. Voraussetzung einer nachtraglichen Zweckanderung
a. Zweifelhafte Einwilligung bei nachtraglichen Zweckanderungen
b. Rechtfertigung mittels einer Rechtsvorschrift
aa. Gestaltungsspielraum beim Abweichen vom Grundsatz der Zweckbindung
bb. Auswirkungen der abstrakten Formulierung um die Ausnahmen
c. Kompatibilitatstest
aa. Kriterien zur Feststellung der Vereinbarkeit der Verarbeitungszwecke
bb. Der Kompatibilitatstest als versteckte Interessenabwagung
cc. Die Vereinbarkeitskriterien als Ausdruck der Hilflosigkeit des
europaischen Gesetzgebers
3. Bewertung des Prinzips der Zweckbindung im Rahmen der DS-GVO

G. Kritische Stellungnahme zu rechtlichen Entwicklung um Big Data
I. Mangelnde Flexibilitat der Einwilligung
II. Art. 6 Abs. 1 Buchst. f) DS-GVO als Einfallstor fur Big Data-Anwendungen
III. Das Prinzip der Zweckbindung als fortlaufender Gradmesser
IV. Die DS-GVO als Ausdruck der Ratlosigkeit des Gesetzgebers gegenuber der rasanten
Entwicklung im Bereich Big Data

H. Potenzielle Losungsansatze
I. Erforderlichkeit eines rechtssicheren Umgangs mit Big Data-Anwendungen
II. Vorschlag um die Reformierung des Art. 6 Abs. 1 Buchst. f) DS-GVO
1. Notwendigkeit einer Konkretisierung der berechtigten Interessen
2. Inhaltliche Ausgestaltung der berechtigenden Interessen
a. Betrugspravention als Auslegungshilfe
b. Sensible Verhaltnisse als Grundlage der Zulassigkeit von Big Data
c. Abwagung eigener Interessen der Betroffenen
d. MaBgebende Aspekte der Konkretisierung
e. Die Vielfalt von Big Data als Gegner inhaltlicher Bestimmtheit der
berechtigenden Interessen
4. Auswirkungen der Konkretisierung durch die gefundenen MaBstabe
5. Konkreter Vorschlag zur Erganzung des Erwagungsgrundes 47
6. Rechtfertigung der Neubestimmung
7. Der Konkretisierungsvorschlag als Exempel
III. Konkretisierungsbedarf im Bereich der Zweckbindung
1. Fehlende Orientierung zur Bestimmung der Zweckkongruenz
a. Gefahren einer divergierende Rechtsauslegung
b. Vergleichbare Ausgangslage zu Erwagungsgrunde 47
2. Orientierung anhand einheitlich geltender MaBstabe
3. Gewichtung der Betroffeneninteressen als Grundlage zur Bestimmung der
Zweckkongruenz
4. Erganzung der Erwagungsgrunde zur Bestimmung der Vereinbarkeit der Zwecke
5. Die Konsequenzen um die Erganzung
IV. Bewertung der Konkretisierungsvorschlage vor dem Hintergrund der
zukunftigen Rechtslage

I. Abschliefiende Stellungnahme

Literaturverzeichnis

Albrecht, Jan Philipp

Das neue EU-Datenschutzrecht - von der Richtlinie zur Verordnung, CR 2016, 88 Albrecht, Jan Philipp / Jotzo, Florian

Das neue Datenschutzrecht der EU - Grundlagen / Gesetzgebungsverfahren/Synopse, 2017

ARTICLE 29 DATA PROTECTION WORKING PARTY

Opinion 03/2013 on purpose limitation, http://ec.europa.eu/justice/data- protection/article-29/documentation/opinionrecommendation/files/2013/wp203_en.pdf (zuletzt aufgerufen am: 24.08.2017)

Auer-Reinsdorf, Astrid / Conrad, Isabell

Handbuch IT- und Datenschutzrecht, 2. Auflage 2016

Bachmann, Ronald / Kemper, Guido / Gerzer, Thomas

Big Data - Fluch oder Segen? Unternehmen im Spiegel gesellschaftlichen Wandels, 2014

Baeriswyl, Bruno

Data Mining und Data Warehousing: Kundendaten als Ware oder Geschutztes Gut?, Recht der Datenverarbeitung 2000, 6

Baeriswyl, Bruno

„Big Data“ ohne Datenschutz-Leitplanken, Digma - Zeitschrift fur Datenrecht und Informationssicherheit 2013, 14

Baeriswyl, Bruno / Rudin, Beat

Perspektive Datenschutz - Praxis und Entwicklungen in Recht und Technik, 2002

Bantleon, Ulrich / Thomann, Detlef

Grundlegendes um Thema „Fraud“ und dessen Vorbeugung, DStR 2006, 1714

Baron, Pavlo

Big Data fur IT-Entscheider: Riesige Datenmengen und moderne Technologien gewinnbringend nutzen, 2013

Bauer, Andreas / Gunzel, Holger

Data-Warehouse-Systeme - Architektur, Entwicklung, Anwendung, 2013

Becker, Eva-Maria / Schwab, Daniel

Big Data im Gesundheitswesen, ZD 2015, 151

Berman, Jules J.

Priciples of Big Data: Preparing, Sharing and Analyzing Complex Information, 2013

Bergmann, Lutz /Mohrle, Roland / Herb, Armin

Kommentar: Bundesdatenschutzgesetz - Europaische Datenschutz- Grundverordnung - Datenschutzgesetze der Lander - Bereichsspezifischer Datenschutz, Loseblattwerk mit 52. Aktualisierung, 2017

Bitcom

Big Data im Praxiseinsatz - Szenarien, Beispiele, Effekte, 2012, https://www.bitkom.org/ noindex/ Publikationen/2012/Leitfaden/Leitfaden-Big-Data- im-Praxis eins atz-Szenarien-Beispiele-Effekte/BITKOM-LF-big-data-2012- online1.pdf (zuletzt aufgerufen am 24.08.2017)

Bornemann, Dirk

Big Data - Chancen und rechtliche Hurden, RDV 2013, 232

Brisch, Klaus / Pieper, Fritz

Das Kriterium der „Bestimmbarkeit bei Big Data-Analyseverfahren: Anonymisierung, Vernunft und rechtliche Absicherung bei Datenubermittlungen, CR 2015, 724

Bundesministerium des Innern / Bundesministerium der Justiz Polizeiliche Kriminalstatistik der Jahre 2013, 2014, 2015

Calliess, Christian / Ruffert, Matthias

Kommentar zum Verfassungsrecht der Europaischen Union mit Europarechtlicher Grundrechtecharta, 5. Auflage 2016

Cardenas, Alvaro A. /Manadhata, Pratyusa /Rajan, Sreeranga P.

Big Data Analytics for Security, IEEE Security and Privacy 2013, 74.

Cate, Fred H. / Cullen, Peter /Mayer-Schonberger

Data Protection Principles for the 21th Century, 2004, https://www.oii.ox.ac.uk/archive/downloads/publications/Data_Protection_Principles_ for_the_21st_Century.pdf (zuletzt aufgerufen am: 24.08.2017)

Chen, Hsinchun / Chiang, Roger / Storey, Veda

Business Intelligence and Analystics: From Big Data to Big Impact, MIS Quarterly: Management Information Systems 2012, 165

Copland-Cale, Andrew

Compliance, Big Data und die Macht der Datenvisualisierung, CCZ 2016, 281

Culik, Nikolai / Dopke, Christian

Der Zweckbindungsgrundsatz gegen einen unkontrollierten Einsatz von Big Data- Anwendungen, ZD 2017, 226

Dammann, Ulrich

Erfolge und Defizite der EU-Datenschutzgrundverordnung - Erwarteter Fortschritt, Schwachen und uberraschende Innovationen, ZD 2016, 307

Determann, Lothar

Datenschutz in den USA - Dichtung und Wahrheit, NVwZ 2016, 561

De Wachter, Joren

Intellectual Property in an Age of Big Data: an Exercise in Futility, CRI 2014, 1

Dorschel, Joachim

Praxishandbuch Big Data: Wirtschaft - Recht - Technik , 2015

Derwes, Stefan / Siegert, Michael

Die konkludente Einwilligung in Telefonmarketing und das Ende der Dogmas von der datenschutzrechtlichen Schriftform, RDV 2006, 139

Dutz, Wilhelm / Thusing, Gregor Arbeitsrecht, 22. Auflage 2017

Dzida, Boris

Big Data und Arbeitsrecht, NZA 2017, 541 Eckert, Claudia

IT-Sicherheit und Industrie 4.0 - Vernetzung, Big Data und Cloud, IM+io 2014, 40 Eckhardt, Jens

IP-Adresse als personenbezogenes Datum - neues Ol ins Feuer, CR 2011, 339

Ehmann, Eugen / Selmayr, Martin

Kommentar zu Datenschutz-Grundverordnung: DS-GVO, 2017

Eisenstein, Elizabeth L.

The Printing Revolution in Early Modern Europe, 1993

Ellger, Reinhard

Der Datenschutz im grenzuberschreitenden Datenverkehr - Eine rechtsvergleichende und kollisionsrechtliche Untersuchung, 1990

Erbs, Georg / Kohlhaas, Max

Strafrechtliche Nebengesetze mit Straf- und BuBgeldvorschriften des Wirtschafts- und Verwaltungsrechts, 214 Auflage 2017

Erfurter Kommentar

Kommentar zum Arbeitsrecht, 17. Auflage 2017 Fasel, Daniel

Big Data - Eine Einfuhrung, HMD Praxis der Wirtschaftsinformatik 2014, 386

Fasel, Daniel /Meier, Andreas

Big Data: Grundlagen Systeme und Nutzungspotenziale, 2016

Fleddermann, Christoph

Vollharmonisierung im Datenschutz - Was bleibt vom deutschen Datenschutz und einem kunftigen Gesetz zum Beschaftigtendatenschutz?, ArbAktuell 2011, 661

Forgo, Nikolaus / Helfrich, Marcus/Schneider, Jochen

Betrieblicher Rechtsschutz - Rechtshandbuch, 2. Auflage, 2017

Forgo, Nikolaus / Krugel, Tina

Der Personenbezug von Geodaten - Cui bono, wenn alles bestimmbar ist? MMR 2010, 17

Freiknecht, Jonas

Big Data in der Praxis: Losungen mit Hadoop, HBase und Hive. Daten speichern, aufbereiten, visualisieren, 2014

Freytag, Johann-Christoph

Grundlagen und Visionen groBer Forschungsfragen im Bereich Big Data, Informatik Spektrum 2014, 97

Gadatsch, Andreas

Die Moglichkeiten von Big Data voll ausschopfen, Controlling & Management Review Sonderheft 2016, 62

Geisler, Frank

Datenbanken - Grundlagen und Design, 2006

Gluchowski, Peter / Gabriel, Peter /Dittmar, Carsten

Management Support Systeme und Business Intelligence - Darstellung du Einordnung aktueller computergestutzter Informationssysteme, 2008

Gola, Peter

Kommentar zur Datenschutz-Grundverordnung VO (EU) 2016/679, 2017

Gola, Peter / Schomerus, Rudolf

Kommentar zum Bundesdatenschutzgesetz, 12. Auflage 2015

Grabitz, Eberhard /Hilf, Meinhard /Nettesheim, Martin

Das Recht der Europaischen Union: EUV/AEUV, 61. Auflage 2017

Harting, Niko

Zweckbindung und Zweckanderung im Datenschutzrecht, NJW 2015, 3284 Harting, Niko

Datenschutz-Grundverordnung - Das neue Datenschutzrecht in der Betrieblichen Praxis, 2016

Helbing, Thomas

Big Data und der datenschutzrechtliche Grundsatz der Zweckbindung, K&R 2015, 145 Herbst, Tobias

Was sind personenbezogene Daten?, NVwZ 2016, 902

Hilbert, Martin / Ldpez, Priscila

The World’s Technological Caparcity to Store, Communicate and Compuate information, Science 2011, 60

Hirsch-Kreinsen, Hartmut /Ittermann, Peter / Niehaus, Jonathan

Digitalisierung industrieller Arbeit, 2015

Hoeren, Thomas

Big Data und Recht, 2014

Hoeren, Thomas

Wenn Sterne kollabieren entsteht ein schwarzes Loch - Gedanken zum Ende des Datenschutzes, ZD 2011, 145

Hoeren, Thomas / Giurgiu, Andra

Der Datenschutz in Europa nach der neuen Datenschutz-Grundverordnung, NWB 2012, 1567

Hoeren, Thomas / Sieber, Ulrich / Holznagel, Bernd

Handbuch Multimedia-Recht: Rechtsfragen des elektronischen Geschaftsverkehrs, 44. Auflage 2017

Hofmann, Jeanette

Die Versuchungen von Big Data, Jahrbuch Netzpolitik 2012, 74

Hufen, Friedhelm

Staatsrecht II - Grundrecht, 5. Auflage 2016

Jahn, Myriam

Industrie 4.0 konkret: Ein Wegweiser in die Praxis, 2017

Jarass, Hans D. / Pieroth, Bodo

Kommentar zum Grundgesetz fur die Bundesrepublik Deutschland, 14. Auflage 2016

Jotzo, Florian

Gilt deutsches Datenschutzrecht auch fur Google, Facebook & Co bei grenzuberschreitendem Datenverkehr?, MMR 2009, 232

Kamp, Johannes

Personenbewertungsportale: Eine datenschutzrechtliche und auBerungsrechtliche Untersuchung unter besonderer Berucksichtigung des Lehrerbewertungsportals sprickmich.de, 2011

Katko, Peter / Babaei-Beigi, Ayda

Accountability statt Einwilligung? Fuhrt Big Data zum Paradigmenwechsel im Datenschutz?, MMR 2014, 360

Keppeler, Lutz Martin

Was bleibt vom TMG-Datenschutz nach der DS-GVO? Losung und Schaffung von Abgrenzungsproblemen im Multimedia-Datenschutz, MMR 2015, 779

Kilian, Wolgang / Heussen, Benno

Computerrecht, 31. Erganzungslieferung, 2012

Klein, Dominik / Tran-Gia Phuoc / Hartmann, Matthias

Big Data, Informatik-Spektrum 2013, 319

Konig, Lukas /Pfeiffer-Bohnen, Frederike / Schmeck, Hartmut Theoretische Informatik, 2015

Krome, Sebastian

Big Data bei unstrukturierten Daten Ausarbeitung AW1 - WiSe 2013/2014, https://users.informatik. haw-hamburg.de/~ubicomp/projekte/master2013- aw1/krome/bericht.pdf (zuletzt aufgerufen am 24.08.2017)

Kuhling, Jurgen /Martini, Mario

Die Datenschutz-Grundverordnung und das nationale Recht, 2016, http://www.foev- speyer.de/files/de/downloads/Kuehling_Martini_et_al_Die_DSGVO_und_das_nationa le_Recht_2016.pdf (zuletzt aufgerufen am: 24.08.2017)

Kuhling, Jurgen / Buchner, Benedikt

Kommentar zur Datenschutzgrundverordnung: DS-GVO, 2017

Kuhling, Jurgen /Seidel,Christian /Sivridis, Anastasios

Datenschutzrecht, 3. Auflage 2015

Kutscha, Martin

Verdeckte „Online-Durchsuchung“ und Unverletzlichkeit der Wohnung, NJW 2007, 1169

Larosse, Daniel T.

Discovering Knowledge in Data: An Introduction to Data-Mining, 2005

Leupold, Andres / Glossner, Silke

Munchner Anwaltshandbuch IT-Recht, 3. Auflage 2013

Long, William J. / Quek, Marc Pang

Personal Data Privacy Protection in an Age of Globalization, The US-EU Safe Harbour Compromise, Journal of European Public Policy, Volume 9 Number 3 2002, 325

Mayer-Schonberger, Viktor

Delete: The Virtue of Forgetting in the Digital Age, 2011

Mayer-Schonberger, Viktor

Was ist Big Data? Zur Beschleunigung des menschlichen Erkenntnisprozesses, APuZ 11-12/2015, S. 1

Mayer-Schonberger, Wiktor / Cukier, Kenneth

Big Data: A Revolution That Will Transform How We Live, Work and Think, 2013

Muller, Stefan

Erweiterung des Data Warehouse um Hadoop, NoSQL & Co, HMD Praxis der Wirtschaftsinformatik 2014, 447

Nagele, Thomas / Jacobs, Sven

Rechtsfragen des Cloud Computing, ZUM 2010, 281

Munchener Kommentar

Kommentar zum burgerlichen Gesetzbuch, Bd. 4, 7. Auflage 2016

OECD

Exploiting the Economics of Personal Data - Survey of Methodologies for Measung Monetary Value, OECD Digital Economy Papers 2013, 39, http://www.oecd- ilibrary.org/science-and-tec hnology/exploring-the-economics-of-personal- data_5k486qtxldmq-en (zuletzt aufgerufen am 24.08.2017)

Ohly, Ansgar / Sosnitza, Olaf

Kommentar zum Gesetz gegen den Unlauteren Wettbewerb: UWG, 7. Auflage 2016

Ohrtmann, Jan-Peter / Schwiering, Sebastian

Big Data und Datenschutz - Rechtliche Herausforderungen und Losungsansatze, NJW 2014, 2984

Paal, Brois P. / Hennemann, Moritz

Big Data im Recht - Wettbewerbs- und Daten(schutz)rechtliche Herausforderungen, NJW 2017, 1697

Palandt, Otto

Kommentar zum Burgerlichen Gesetzbuch, 76. Auflage 2017

Plath, Kai-Uwe

Kommentar zum BDSG und zur DSGVO sowie den Datenschutzbestimmungen des TMG und TKG, 2 Auflage 2016

Rahm, Erhard/Saake, Gunter /Sattler, Kai-Uwe

Verteiltes und Paralleles Datenmanagement: Von verteilten Datenbanken zu Big Data und Cloud, 2015

Rieble, Volker

Arbeitsmarkt und Wettbewerb - Der Schutz von Vertrags- und Wettbewerbsfreiheit im Arbeitsrecht, 1996

Rogosch, Patricia Maria

Die Einwilligung im Datenschutzrecht, 2013

Rofinagel, Alexander

Big Data - Small Privacy? Konzeptionelle Herausforderungen fur das Datenschutzrecht, ZD 2013, 562

Rofinagel, Alexander

Handbuch Datenschutzrecht - Die neuen Grundlagen fur Wirtschaft und Verwaltung, 2003

Rofinagel, Alexander /Nebel, Maxi /Richter, Philipp

Was bleibt vom Europaischen Datenschutzrecht? Uberlegungen zum Ratsentwurf der DS-GVO, ZD 2015, 455

Rofinagel, Alexander /Scholz, Philip

Datenschutz durch Anonymitat und Pseudonymitat, MMR 2000, 721

Schafer, Matthias

Urheberrechtliche Rahmenbedingungen fur Bildersuchmaschinen de lege lata et de lege ferenda, 2009

Schantz, Peter

Die Datenschutz-Grundverordnung - Beginn einer neuen Zeitrechnung im Datenschutzrecht, NJW 2016, 1841

Schantz, Peter/ Wolff, Heinrich Amadeus

Das neue Datenschutzrecht - Datenschutz-Grundverordnung und das Bundesdatenschutzgesetz in der Praxis, 2017

Scharkow, Michael

Automatische Inhaltsanalyse und maschinelles Lernen, 2012

Schmidt, Jan-Henrik / Weichert, Thilo

Datenschutz - Grundlagen, Entwicklungen und Kontroversen, 2012

Simitis, Spiros

Kommentar zum Bundesdatenschutzgesetz, 8. Auflage 2014

Singel, Ryan

Netflix spilled your Borkeback Mountain Secret, Lawysuit Claims, https://www.wired.com/2009/12/netflix-privacy-lawsuit/(zuletzt aufgerufen am: 24.08.2017)

Spindler, Gerald

Bildersuchmaschienen, Schranken und konkludente Einwilligung im Urheberrecht - Besprechung der BGH-Entscheidung „ Vorschaubilder“, GRUR 20190, 785

Spindler, Gerald / Schuster, Fabian

Kommentar zum Recht der elektronischen Medien, 3. Auflage 2015

Sydow, Gernot

Europaische Datenschutzgrundverordnung, Handkommentar, 2017 Taeger, Jurgen / Gabel, Detlef

BDSG und Datenschutzvorschriften des TKG und TMG, 2. Auflage 2013

Tinnefeld, Marie-Theres

Die Novellierung des BDSG im Zeichen des Gemeinschaftsrechts, NJW 2001, 3078

Tinnefeld, Marie-Theres /Buchner, Benedikt /Petri, Thomas

Einfuhrung in das Datenschutzrecht - Datenschutz und Informationsfreiheit in europaischer Sicht, 5. Auflage 2012

Ulmer, Claus-Dieter

Big Data - neue Geschaftsmodelle, neue Verantwortlichkeiten?, RDV 2013, 227

Von Munch, Ingo /Mager, Ute

Staatsrecht II - Grundrecht, 6 Auflage 2014

Wachter, Michael

Datenschutz im Unternehmen, 2003

Wandtke, Artur-Axel

Okonomischer Wert von personenbezogenen Daten - Diskussion des „Warencharakters“ von Daten aus personlichkeits- und urheberrechtlicher Sicht, MMR 2017, 6

Weichert, Thilo

Big Data und Datenschutzrecht, 2013, www.datenschutzzentrum.de/bigdata/ 20130318-bigdata-und-datenschutz.pdf (zuletzt aufgerufen am: 24.08.2017.)

Weichert, Thilo

Scoring in Zeiten von Big Data, ZRP 2014, 168

Weigend, Andreas

Big Data for the People - Wie Wir die Macht uber unsere Daten zuruckerobern, 2017

Wiedmann, Klaus-Peter / Buckler, Frank

Neuronale Netze im Marketing-Management - Praxisorientierte Einfuhrung in modernen Data-Mining, 2003

Werkmeister, Christoph /Brandt, Elena

Datenschutzrechtliche Herausforderungen fur Big Data, CR 2016, 233

Wolff, Heinreich Amadeus / Brink, Stefan

Kommentar zum Datenschutzrecht in Bund und Landern, 2013

Zieger, Christoph / Smirra, Nikolas

Fallstricke bei Big Data-Anwendungen - Rechtliche Gesichtspunkte bei der Analyse fremder Datenbestande, MMR 2B13, 418

Zikopoulos, Paul / Eaton, Chris

Understanding Big Data: Analytics for Enterprise Class Hadoop and Streaming Data, 2011

Abkurzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Big Data in the Field of Privacy and Data Protection Law - de lege lata et de lege ferenda

„ Wir wussten, fur wen sich die Wahler entscheiden wurden, noch bevor sie ihre Stimme abgegeben hatted"¹

Diese Aussage mag auf den ersten Blick wie eine Prophezeiung einer durchschnittlichen Jahrmarkts-Wahrsagerin wirken, doch verbirgt sich hinter der AuBerung eines Mitarbeiters des Prasidentschaftswahlkampfteams von Barack Obama im Anschluss an seinen Sieg im Jahre 2012 viel mehr als das.

A. Einfuhrung in die Thematik

Die erfolgreiche Verwendung einer statistikgestutzten Datenanalyse im amerikanischen Wahlkampf vermittelt einen ersten Eindruck der weitreichenden Moglichkeiten um die „Big Data-Technologie“.² Auch in Deutschland und Europa gilt Big Data momentan als das Schlagwort im Bereich der Informationstechnik. Der Erkenntnisgewinn durch die Analyse von riesigen Datenmengen soll die Wirtschaft beflugeln und gleichzeitig gesellschaftlichen Nutzen bewirken.³ In den USA oder vielen Landern Asiens ist der Gebrauch dieser Technologie bereits weit verbreitet.⁴ In Deutschland und Europa hingegen steht dem Durchbruch das traditionelle Verstandnis des Datenschutzes gegenuber, dessen Prinzipien und Grundsatze sich bisher als scharfes Schwert der Zulassigkeit von Big Data erwiesen haben. Vor diesem Hintergrund wirft die Technologie grundsatzliche Fragen hinsichtlich der Aktualitat und der Effektivitat bestehender datenschutzrechtlicher Vorgaben auf. Insbesondere die Verwendung von personenbezogenen Daten zu einer Vielzahl sich nachtraglich andernder Zwecke lasst erhebliche Zweifel an bisherigen Legitimationsmitteln im Bereich des Bundesdatenschutzgesetzes (BDSG) entstehen. Um den Anschluss an die rasante Entwicklung von Big Data nicht zu verlieren, wird seitens Politik und Wirtschaft daher eine Neuausrichtung des Datenschutzrechts gefordert.¹ Doch wie kompatibel sind die modernen Big Data-Anwendungen und das Datenschutzrecht wirklich? Dieser Frage wurde im Rahmen dieser Arbeit nachgegangen. Dabei wurde die Zulassigkeit von Big Data vor dem Hintergrund der bestehenden Rechtslage als auch vor der zukunftig geltenden Datenschutz- Grundverordnung untersucht. Ausgehend von der rechtlichen Bewertung sollen ferner potentielle Losungsansatze aufgezeigt werden, um europaische Geschaftsmodelle im nicht-offentlichen Bereich nach Vorbildern aus dem Silicon Valley² zu ermoglichen.

B. Gesellschaftliche und wirtschaftliche Verwendung von Big Data

Big Data-Anwendungen werden von US-amerikanischen Unternehmen bereits seit langerem erfolgreich im Bereich des Internet-Marketings eingesetzt.⁷ Eine der bekanntesten Anwendungen ist das Produktempfehlungssystem von Amazon.com, Inc., auf dessen Grundlage vergangene Einkaufe und angesehene Artikel sowie Informationen von anderen Internetaktivitaten gespeichert und ausgewertet werden, um individualisierte Kaufempfehlungen in Echtzeit zu generieren.⁸ Dem Onlineverkaufshaus gelingt es auf diese Weise die Kaufentscheidung der Nutzer maBgeblich zu beeinflussen und entsprechend viele unentschlossene Kaufer fur sich zu gewinnen, indem sie aus den gewonnen Informationen Produktempfehlungen entwickeln und dem potenziellen Kaufer prasentieren.

I. Big Data als Mittel zur Optimierung des Alltags

Neben der Optimierung wirtschaftlicher Prozesse im Bereich des E-Commerce⁹ erlauben Big Data-Anwendungen die Erkennung gesellschaftlicher Bedurfnisse und Entwicklungen, denen in der Folge fruhzeitig abgeholfen werden kann.¹⁰ Beispielsweise ermoglicht die Analyse von Google-Suchanfragen, die Ausbreitung von ansteckenden Krankheiten oder Epidemien an bestimmten Orten oder Regionen vorherzusagen.¹¹ Ebenso konnen durch die Auswertung von Bewegungsdaten Staus und Verkehrsbehinderungen im Voraus erkannt und behoben werden. Ein solches Projekt existiert bereits erfolgreich seit dem Jahr 2011 in New York.¹² Als Grundlage der Auswertung werden Verkehrsdaten aus einem elektronischen Mautpass erfasst, gesammelt und anschlieBend in einem Verkehrsmanagement-Center verarbeitet. Bestehen Anzeichen, die auf einen

Stau oder eine anderweitige Verkehrsstorung hindeuten, kann der Verkehrsfluss gezielt und fruhzeitig reguliert werden.¹³ Besonders in den USA zeigt sich - begunstigt durch vergleichsweise geringe datenschutzrechtliche Beschrankungen ¹⁴ - der vermehrte Einsatz von Big Data in einem weiten Spektrum der Gesellschaft.¹⁵ Obwohl den Menschen bewusst ist, dass ihre Daten an unbekannte Dritte weitergegen werden konnen, ist zu erwarten, dass dieser Trend zukunftig weiter zunehmen wird.¹⁶

II. Ein Gegner der objektiven Meinungsbildung

Auch bei der politischen Meinungsbildung spielte Big Data in der Vergangenheit eine maBgebliche Rolle. So profitierte der bereits angesprochene Wahlkampf von Barack Obama im Jahr 2012 erheblich von Big Data.¹⁷ Um bei dem Fang von Wahlerstimmen nichts dem Zufall zu uberlassen, nutzte sein Wahlkampfteam eine Big Data-Analysesoftware, um potentielle Wahler bereits vor einer ersten Kontaktaufnahme uber das Internet oder einen Hausbesuch zu identifizieren. Die Daten hierfur stammten aus Obamas eigenen Social-Networking-Seiten, offentlichen Datenbanken sowie registrierten Wahlerkreisen.¹⁸ Ausgewertet wurde unter anderem neben dem Medienkonsumverhalten der amerikanischen Staatsburger, deren Freizeitverhalten sowie Vorlieben und Interessen der untersuchten Personengruppe. ¹⁹ Dadurch sollte sichergestellt werden, dass Obamas Wahlkampfwerbung die richtige Zielgruppe trifft und dass die Wahlhelfer die Wahler zum richtigen Zeitpunkt antreffen. Zudem kontaktierten die Wahlhelfer die potentiellen Wahler gezielt mit individualisierten Themen, um den grdBtmoglichen Erfolg im Wahlkampf sicherstellen zu konnen.²⁰

III. Das weitreichende Einsatzfeld der Analysetechnologie

Das Spektrum an Einsatzgebieten zeigt sich unter wirtschaftlichen und organisatorischen Gesichtspunkten grenzenlos, sodass in nahezu jedem Bereich der Gesellschaft von den durch Big-Data-Anwendungen gewonnenen Informationen profitiert werden kann.

Das Ausfuhren vieler fruher muhseliger Arbeitsschritte, kann mithilfe von Big Data optimiert werden, indem zielfuhrend das Verhalten eines jeden Burgers erfasst, analysiert, verarbeitet und ein Stuck weit fur zukunftige Entscheidungen vorgegeben werden kann.

C. Technische Einfuhrung

Big Data zeichnet sich durch eine bisher unbekannte Komplexitat hinsichtlich der Analyse von riesigen Datenmengen aus. Diese Datenkomplexitat wird durch die akzeptierten Kriterien zur Charakterisierung von der Formel „V3“ begleitet: Datenvolumen (engl. Volume), Heterogenitat (engl. Variety) und Qualitat (engl. Velocity). „Volume“ definiert die riesigen Datenmassen, die tagtaglich produziert werden. Ihr Aufkommen ist derart umfassend und komplex, dass eine Speicherung und Analyse mit herkommlichen Verfahren groBer Datenbanken, Data-Warehouses²¹ und Data-Mining²² nicht moglich ware.²³ Big Data-Anwendungen erlauben hingegen eine Speicherung und Verarbeitung von Datenmassen im Terabyte-Bereich. Gleichzeitig wird eine Vielzahl an unterschiedlich formatierten Datenquellen in die Analyse mit einbezogen, die durch ein Informationsextrahierungsverfahren eine auswertungsgeeignete Grundlage bilden.²⁴

„Variety“ bezieht sich auf die groBe Vielfalt verschiedener Datentypen.²⁵ Der ganz uberwiegende Teil der weltweit vorhandenen Daten ist unstrukturiert und weist unter Verwendung bisheriger Analyseverfahren keinerlei Zusammenhange auf.²⁶ Neben herkommlichen Datensatzen zahlen hierzu auch Videos, Bilder und Sprachaufzeichnungen.²⁷

An Rande der Verarbeitung dieses unstrukturiert wachsenden Datenaufkommens, wird der Zeitraum dieses Vorgangs dabei immer geringer. Im Idealfall werden die Big Data-Analyseergebnisse in Echtzeit bereitgestellt („Velocity“).²⁸

I. Optimierung statistischer Zusammenhange

Neben den charakteristischen Merkmalen und der Gewinnung neuer Datenquellen, zeichnet sich Big Data durch die Nutzung von maschinellen Lern²⁹ - und Data-Mining-Verfahren³⁰ aus. Diese Technologien werden verwendet, um durch die Optimierung von Klassifizierungsmodellen komplexe statistische Zusammenhange zu entdecken oder spezifische Faktoren zur Extraktion von Informationen zu erstellen.³¹ Angewendet auf neue Datenquellen ergibt sich daher eine Vielzahl neuer und interessanter Anwendungsmoglichkeiten im Bereich der Datenverarbeitung.³²

II. Der Datenanalyseprozess im Einzelnen

Die Analyse der Datenmassen geht allerdings weit uber das effektive Ausfuhren maschineller Lernvorgange und Data-Mining-Verfahren hinaus.³³ Vielmehr basiert der Datenanalyseprozess auf den Etappen der Datenbeschaffung, der Informationsextraktion, Modellbildung durch Algorithmen sowie der Visualisierung der Ergebnisse.³⁴

1. Vorteile der horizontalen Skalierbarkeit

Im Anschluss an die jeweilige Festlegung des Analyseziels, werden zunachst geeignete Datenquellen identifiziert, entsprechend gespeichert und die relevanten Informationen extrahiert.³⁵ Ein entscheidender Vorteil von Big Data basierten Anwendungen liegt hier in der horizontalen Skalierbarkeit³⁶ von Servern und Prozessen. Dadurch lassen sich, mittels Verteilung auf mehrere Rechner, CPU-Rechenleistung und Speicherkapazitaten auch nachtraglich nach belieben erweitern. Vertikal skalierte Programme bieten wegen der begrenzten Aufrustungsmoglichkeiten dagegen keine Grundlage fur einen Einsatz von Big Data.³⁷

Ferner speicherten traditionelle Anwendungen die gewonnenen Informationen stets in einem strukturierten Format innerhalb eines Data- Warehouses ab.³⁸ Dies hatte allerdings den Nachteil, dass sich anschlieBende Analyseverfahren lediglich auf ebenso bereits strukturierte Daten beziehen konnten. Eine daruberhinausgehende Analyse von sich unterscheidenden Datentypen und Formaten war nicht moglich. ³⁹ Moderne Big Data- Anwendungen erlauben dagegen auch die unstrukturierte und schemalose Erfassung von Daten, sodass auch Daten mit unterschiedlichsten Formaten in einem System erfasst werden konnen. ⁴⁰ Die Konvertierung in ein einheitliches Datenformat ist damit nicht notwendig. Diese Flexibilitat im Rahmen der Speicher- und Leistungsfahigkeit stellt ein elementares Novum gegenuber bisherigen Datenanalysesystemen dar.⁴¹

2. Einsatz parallelisierter Algorithmen

Der Schritt um die Modellbildung aus unstrukturierten Daten⁴² geschieht durch den Einsatz spezieller Maschinenlern-Algorithmen sowie entsprechender Parameter.⁴³ Diese Parameter mussen vielfach neu eingestellt und unter Verwendung unterschiedlicher Attribute wiederholt durchgefuhrt werden, um bestmogliche Ergebnisse zu erzielen.⁴⁴ Nach jeder Ausfuhrung findet eine Uberprufung der Datenanalyse statt, die sich durch die Bewertung von visualisierten Ergebnissen am effektivsten gestalten lasst.⁴⁵

Da viele dieser Schritte haufig abgestimmt und wiederholt werden mussen, sind kurze Verarbeitungsintervalle notwendig.⁴⁶ Um daher groBe Datenmengen in vertretbarer Zeit analysieren zu konnen, erweist sich die Big Data immanente Verwendung von parallelen Algorithmen⁴⁷ als besonders geeignet. Diese erlauben groBe und unstrukturierte Datenmengen in polynomieller Zeit eingeordnet auf Zusammenhange zu untersuchen.⁴⁸ Big Data-Anwendungen heben sich insofern von traditionellen

Datenanalysen ab, als dass durch die Moglichkeit der horizontalen Skalierung nahezu endlose Mengen an Daten gesichert werden konnen, die sich mittels parallelisiert arbeitender Algorithmen in verhaltnismaBig kurzer Zeit verarbeiten und analysieren lassen. Als Ergebnis dieses

Datenanalyseprozesses zeigt sich die aus einer Vielzahl von Informationen gefilterte neue Erkenntnis fur den Endbenutzer.

III. Technische Umsetzung als Chance fur die Privatwirtschaft

Viele Unternehmen, die bisher Technologien mit mangelnder Fehlertoleranz und limitierter Skalierbarkeit verwendeten, werden den zukunftigen Herausforderungen von Big Data nicht gewachsen sein.⁴⁹ Dabei gilt Big Data vornehmlich in den USA als Chance neuer Geschaftsmodelle.⁵⁰ In der Europaischen Union herrscht auf diesem Gebiet hingegen nach wie vor Skepsis, denn aus der Zusammenfuhrung von groBen Datenmengen ergeben sich teils erhebliche Risiken fur die Freiheit und die Grundrechte des Einzelnen.

Durch Auswertung und Kombination der verfugbaren Daten, konnen wesentliche Informationen uber das Leben des Einzelnen gewonnen werden, die nahezu jede Person identifizierbar machen.⁵¹ Die damit einhergehenden Moglichkeiten des Big Data-basierten Erkenntnisgewinns sind insofern nicht nur fur staatliche Institutionen von Bedeutung, sondern insbesondere fur privatwirtschaftlich organisierte Unternehmen von groBem Interesse.⁵²

D. Problemaufriss

Seit den Enthullungen von Edward Snowden uber die Machenschaften der NSA wurde viel uber die Gefahren von Big Data berichtet.⁵³ Haufig wird primar die umfassende staatliche Uberwachung und grenzenlose Datensammlung genannt.⁵⁴ Dabei geht das Bedrohungsszenario weit uber die NSA hinaus. Die zunehmende Vernetzung der Dinge und Dienste in der digitalen Welt sowie die Einfuhrung modernster Technologien im Bereich der Industrie 4.0⁵⁵ fuhren zu einer rasant wachsenden Verfugbarkeit von Daten.⁵⁶ Noch nie war es moglich uber Menschen, Markte und Produkte derart viel zu erfahren wie unter Anwendung modernster Big Data- Technologien.⁵⁷

I. Der Erkenntnisgewinn als lukratives Geschaftsmodell

Big Data-Anwendungen zeichnen sich durch die Gewinnung und Verwendung entscheidungsrelevanter Erkenntnisse aus qualitativ vielfaltigen und unterschiedlich strukturierten Informationen und Daten aus⁵⁸, die einem schnellen Wandel unterliegen und in riesigem Umfang anfallen.⁵⁹ Dabei ergeben sich ganz neue Informationen, deren Erkenntnisgewinn noch vor einigen Jahren undenkbar schien. Demjenigen, dem es gelingt, diesen Informationsschatz zu sammeln, zu bundeln und in gewinntrachtige Geschaftsmodelle umzuwandeln, der erlangt einen enormen Nutzen bei Entscheidungsprozessen.⁶⁰

Die Versprechungen der massenhaften Datenauswertung durch Big Data- Technologien sind dabei ebenso atemberaubend wie vielschichtig. Daher hat mittlerweile eine Vielzahl von Dienstleistern ihre Unternehmensstruktur darauf ausgelegt, der Gesellschaft die Vorteile von modernen Big Data- Technologien zukommen zu lassen.⁶¹ Dieses innovative Geschaftsgebiet ist uberaus attraktiv, birgt fur die Daten des Einzelnen aber gleichzeitig groBe Gefahren. Denn gerade im Umgang mit personenbezogenen Daten ist eine besondere Sensibilitat gefragt. Dies basiert auf dem Umstand, dass der Umgang mit Daten, die Personenbezug erkennen lassen, in wesentliche Bereiche des allgemeinen Personlichkeitsrechts der Betroffenen eingreift.⁶²

II. Die Gefahr rasant ansteigender Datenmengen

Big Data basierte Analysen haben den Erkenntnisgewinn des tatsachlichen Nutzerverhaltens mittels der Sammlung und Auswertung von Daten zum Ziel.⁶³ Fur diesen Erkenntnisgewinn ist jedoch nicht der fur die Arbeitsweise von Big Data maBgebliche Algorithmus, sondern vielmehr sind die im Vordergrund stehenden Daten entscheidend.⁶⁴ Dies ist ein Unterschied zur vergleichsweise „datenarmen“ Vergangenheit, denn bei entsprechend wenigen Daten kommt dem Algorithmus eine hohere Bedeutung zu. Damit entsteht im Kontext der Datenverarbeitungsmoglichkeiten von Big Data eine Umverteilung informationeller Macht, sodass in Zukunft weniger jene, die uber die fortschrittlichste Berechnungstechnik verfugen, Macht haben werden, als jene, die den Zugang zu Daten als Ressource haben.⁶⁵ Damit erhalt die bestehende Skepsis vieler Menschen gegenuber Institutionen und Unternehmen, die immer groBere Datenmengen sammeln und auswerten, ein berechtigtes Fundament.⁶⁶

Statistiken zeigen, dass die Menge an gesammelten Daten in den vergangenen Jahren erheblich zugenommen hat.⁶⁷ Einschatzungen gehen davon aus, dass sich die gesamte Datenmenge von 1987 bis 2007 verhundertfacht hat.⁶⁸ Zum Vergleich: In den ersten funf Jahren nach der Erfindung des Buchdrucks mit beweglichen Lettern durch Johannes Gutenberg soll sich die Menge der Bucher in der Welt etwa verdoppelt haben.⁶⁹

Vor dem Hintergrund von Big Data gilt, dass je groBer die analysierte Datenmenge ist, desto praziser sind die erlangten Ergebnisse⁷⁰ Daher wird versucht, die gesammelten Daten moglichst lange aufzubewahren und mit anderen Daten anzureichern.⁷¹ Dieser Gedanke findet durch das mittlerweile kostengunstige Bereitstellen von Speicherplatz im Bereich des „Cloud- Computing“⁷² eine gefestigte Grundlage.

III. Big Data als Bedrohung fur die Freiheit des Einzelnen

Daten werden bereits von Unternehmen als Ressource genutzt und jeder Burger stellt die Daten bereitwillig und ohne Gegenleistung zur Verfugung. Wenn dabei die leichte Verfugbarkeit von Daten als Ressource und gunstiges Speichern zum unbegrenzten Sammeln von Daten anregen, fuhrt das dazu, dass Handlungen, Tatsachen oder Umstande der Gesellschaft oder des Einzelnen nicht in Vergessenheit geraten konnen und diese stets von ihrer Vergangenheit einholbar sein werden.⁷³

[...]

---

¹ Vgl. „Spiegel" vom 20.04.2013, abrufbar unter: http://www.spiegel.de/wissenschaft/ technik/big-data-wie-die-datenflut-uns-vorhersagbar-machta-895334.html, zuletzt aufgerufen am: 24.08.2017.

² Vgl. „Washington Post" vom 12.11.2012, abrufbar unter: https://www.washingtonpost.com /opinions/marc-thiessen-how-obama-trumped-romney-with-bigdata/2012/11/12/6fa599da2cd 4-11e2-89d4-040c9330702a_story.html?utm_term=.0c3e7fd860b2, zuletzt aufgerufen am: 24.08.2017; „New York Times" vom 16.11.2012, abrufbar unter: http://www. nytimes.com/2012/11/17/opinion/beware-the-big-data-campaign.html, zuletzt aufgerufen am: 24.08.2017.

³ Mayer-Schonberger/Cukier, A Revolution that will transform how we Live, Work and Think, S. 181.

⁴ Weichert, in: Schmidt/Weichert, Datenschutzrecht, S. 344 ff.

⁵ Vgl. „CDU“, Working paper - Netzwerk Digitalisierung der CDU Deutschlands, abrufbar unter: https://www.cdu.de/system/tdf/media/dokumente/working_paper_session_cdudigital. pdf?file=1, zuletzt aufgerufen am: 24.08.2017; Ebenso „Spiegel“ vom 13.06.2017, abrufbar unter: http://www.spiegel.de/netzwelt/netzpolitik/geschaeft-mit-daten-cdu-will-sparsamkeit- beenden-a-1151862.html, zuletzt aufgerufen am: 24.08.2017; Ashkar, DuD 2015, 796 (796);

⁶ Das Silicon Valley beschreibt einen der bedeutendsten Standorte der IT-Industrie weltweit. Geografisch beschreibt es den sudlichen Teil der San Francisco Bay Area um die Stadte San Francisco und San Jose, vgl. Streiber/Alange, The Silicon Valley Model, S. 1.

⁷ Vgl. Chen/Chiang/Storey, MIS Quarterly 2012 Vol. 36 No. 4, 1165 (1167).

⁸ Zum Produktempfehlungssystem von Amazon, Inc., vgl. „Manager Magazin“, abrufbar unter http://www.manager-magazin.de/unternehmen/handel/big-data-analyse-im-online-hand el-a-935555-4.html, zuletzt aufgerufen am: 24.08.2017.

⁹ E-Commerce bezeichnet Verkaufsvorgange uber das Internet oder anderen Formen im Bereich der Datenubertragung, vgl. Ernst, in Paal/Pauly, Art. 2 Rn. 25 DS-GVO.

¹⁰ Katko/Babaei-Beigi, MMR 2014, 360 (360).

¹¹ Mayer-Schonbeger/Cukier, Big Data: A Revolution that will Transform how we live, S. 7 ff.

¹² „GCN“ vom 17.09.2013, abrufbar unter: https://gcn.com/blogs/pulse/2013/09/new-york- ezpass.aspx, zuletzt aufgerufen am: 24.08.2017.

¹³ „Forbes“ vom 09.12.2013, abrufbar unter: https://www.forbes.com/sites/kashmirhill /2013/09/12/e-zpasses-get-read-all-over-new-york-not-just-at-toll-booths/, zuletzt aufgerufen am: 24.08.2017.

¹⁴ Long/Quek, Journal of European Public Policy 2002, 325 (327)

¹⁵ Berman, Principles of Big Data, S. 8 ff.

¹⁶ Vgl. Hofmann, in: Jahrbuch Netzpolitk 2012, S. 74 ff.

¹⁷ „Silicon Angle“ vom 07.08.2013, abrufbar unterhttps://siliconangle.com/blog/2013/08/07/ winning-the-elections-with-big-data-obamas-team-of-newbies-hpbigdata2013/, zuletzt auf­gerufen am: 24.08.2017.

¹⁸ Ebd.

¹⁹ „Ney York Times“ vom 20.06.2013, abrufbar unter: http://www.nytimes.com/ 2013/06/23/magazine/the-obama-campaigns-digital-masterminds-cash-in.html?mcubz=0, zuletzt aufgerufen am 24.08.2017.

²⁰ Ebd.

²¹ Ein Data-Warehouse ist eine fur Analysezwecke optimierte Datenbank, die Daten aus mehreren regelmaBig heterogenen Quellen zusammenfuhrt und verdichtet, vgl. Bauer/Gunzel, Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, S. 5.

²² Data-Mining meint die systematische Anwendung statistischer Methoden auf groBe Datenbestande mit der Intention, neue Querverbindungen und Trends zu erkennen, vgl. Larosse, Discovering Knowledge Data: An Introduction to Data Mining, S. 13.

²³ Rofinagel, ZD 2013, 562 (562).

²⁴ Vgl. BITCOM, Big Data im Praxiseinsatz - Szenarien, Beispiele, Effekte, S. 12.

²⁵ Zikopoulos/Eaton, Understanding Big Data: Analytics for Enterpreise Class Hadoop and Streaming, S. 34.

²⁶ Vgl. Geisler, Datenbanken: Grundlage und Design, S. 498.

²⁷ Krome, Big Data bei unstrukturierten Daten, S. 5.

²⁸ Vgl. BITCOM, Big Data im Praxiseinsatz - Szenarien, Beispiele, Effekte, S. 12.

²⁹ Maschinelles Lernen beschreibt die kunstliche Generierung von Erkenntnissen und Erfahrungen. Dabei werden nicht bestimmte Dinge auswendig gelernt, sondern es werden Muster und Gesetzmafligkeiten in den zugrundeliegenden Daten erkannt, vgl. Scharkow, Automatische Inhaltsanalyse und maschinelles Lernen, S. 24 ff.

³⁰ Vgl. Fn. 22.

³¹ Wiedmann/Buckler, Neuronale Netze im Marketing-Management, S. 20.

³² Dorschel, Praxishandbuch Big Data: Wirtschaft, Recht, Technik, S. 5.

³³ Vgl. Freiknecht, Big Data in der Praxis, S. 112 ff.

³⁴ Brodner, in: Hirsch-Kreinsen/Ittermann/Niehaus, Industrie 4.0 und Big Data, 232 (235).

³⁵ Fasel/Meier, Big Data: Grundlagen, Systeme und Nutzungspotenziale, S. 34.

³⁶ Horizontale Skalierbarkeit meint die beliebige Erhohung der Anzahl an verfugbaren Servern, die in einer Datenbank miteinander verbunden werden. Bei einer Erweiterung des Gesamtsystems mussen die neuen Server dabei nicht derart leistungsfahig sein, wie die bereits vorhandenen Serverknoten. Ferner bietet die horizontale Skalierbarkeit eine hohe Ausfalltoleranz, vgl. Muller, HMD Praxis der Wirtschaftsinformatik 2014, 447 (451).

³⁷ Charakteristisch fur die vertikale Skalierung ist, dass ein System unabhangig von der Implementierung der Software schneller gemacht werden kann. Der groBe Nachteil gegenuber der horizontalen Skalierbarkeit ist jedoch, dass die Grenze dabei schnell erreicht ist, bei der man Server und Rechner nicht weiter aufrusten kann, vgl. Jahn, Industrie 4.0 konkret, 25 (28).

³⁸ Hoeren, Big Data und Recht, S. 6.

³⁹ Ebd.

⁴⁰ Klein/Tran-Gria/Hartmann, Informatik-Spektrum 2013, 319 (320).

⁴¹ Freiknecht, Big Data in der Praxis, S. 405 ff.

⁴² Vgl. Krome, Big Data bei unstrukturierten Daten, S. 5.

⁴³ Gadatsch, Controlling & Management Review 2016, 62 (65).

⁴⁴ Baron, Big Data fur IT-Entscheider: Riesige Datenmengen und moderne Technologien gewinnbringend nutzen, S. 20 ff.

⁴⁵ Fasel, HMD Praxis der Wirtschaftsinformatik 2014, 386 (387)

⁴⁶ Freytag, Informatik Spektrum 2014, 97 (101).

⁴⁷ Durch die parallele Ausfuhrung von Algorithmen konnen Rechenprozess stark beschleunigt werden, vgl. Rahm/Saake/Sattler, Verteiltes und Paralleles Datenmanagement, S. 43 ff.

⁴⁸ Ein Problem ist in Polynomialzeit losbar, wenn die erforderliche Rechenzeit einer ProblemgroBe nicht starker als mit einer Polynomfunktion wachst. Die besondere Bedeutung der Polynomialzeit besteht darin, dass man sie als eine Grenze zwischen praktisch losbaren und praktisch nicht losbaren Problemen betrachtet, vgl. Konig/Pfeiffer-Bohnen/Schmeck, Theoretische Informatik, S. 333 ff.

⁴⁹ Hoeren, Big Data und Recht, S, 9.

⁵⁰ Vgl „SZ“ vom 18.11.2013, abrufbar unter: http://www.sueddeutsche.de/digital/viktor- mayer-schoenberger-ueber-big-data-daten-sammeln-ist-richtig-1.1817452, zuletzt aufgerufen am 24.08.2017.

⁵¹ Rofinagel, ZD 2013, ZD 2013, 562 (563).

⁵² Weichert, Big Data und Datenschutz, abrufbar unter: www.datenschutzzentrum.de/ bigdata720130318-bigdata-und-datenschutz.pdf, zuletzt aufgerufen am: 24.08.2017.

⁵³ „The Guardian“ vom 08.06.2014, abrufbar unter: https://www.theguardian.com/ technology/2014/jun/08/big-data-mined-real-winners-nsa-gchq-surveillance, zuletzt auf- gerufen am: 24.08.2017

⁵⁴ „FAZ“ vom 26.08.2013, abrufbar unter: http://www.faz.net/aktuell/feuilleton/debatten/ ueberwachung/im-zeitalter-von-big-data-wir-wollen-nicht-12545592.html, zuletzt aufgerufen am: 24.08.2017.

⁵⁵ Der Begriff der Industrie 4.0 geht auf ein Projekt der Hightech-Strategie der Bundesregierung zuruck. Die industrielle Produktion soll dabei mit Informations- und Kommunikationstechnik verzahnt werden. Mit Hilfe intelligenter und vernetzter Systeme soll eine weitgehend selbst organisierte Produktion moglich werden, vgl. Eckert, IM+io 2014, 40 (41).

⁵⁶ Vgl. „Spiegel“ vom 24.04.2017, abrufbar unter: http://www.spiegel.de/spiegel/digitale- zukunft-industrie-4-0-der-mittelstand-kommt-nicht-hinterher-a-1144339.html, zuletzt auf- gerufen am: 24.08.2017.

⁵⁷ Weigend, Big Data for the People, S. 15 ff.

⁵⁸ Zum Wert von insb. personenbezogenen Daten: OECD, Exploiring the Economics of Personal Data, 2013, S. 26, abrufbar unter: http://dx.doi.org/10.1787/5k486qtxldmq-en, zuletzt aufgerufen am: 24.08.2017

⁵⁹ Vgl. BITCOM, Big Data im Praxiseinsatz - Szenarien, Beispiele, Effekte, S. 7.

⁶⁰ „Die Welt“ vom 13.02.2015, abrufbar unter: https://www.welt.de/wirtschaft/karriere/ article137437689/Wie-Big-Data-die-Arbeitswelt-veraendern-wird.html, zuletzt aufgerufen am: 24.08.2017; Elektronikpraxis“ vom 15.10.2015, abrufbar unter: http://www.elektronik praxis.vogel.de/marktzahlen/articles/462867/, zuletzt aufgerufen am: 24.08.2017.

⁶¹ Mayer-Schonberger, APuZ 11-12/2015, S. 1.

⁶² Vgl. Wachter, Datenschutz im Unternehmen, S. 13 ff.

⁶³ Paal/Hennemann, NJW 2017, 1697 (1697).

⁶⁴ Werkmeister/Brandt, CR 2016, 233 (233).

⁶⁵ Mayer-Schonberger, APuZ 11-12/2015, S. 18.

⁶⁶ Ebd.

⁶⁷ Vgl. Hilbert/Lopez, The World’s Technological Capacity to Store, Communicate and Compute Information, in: Science, 332 (2001) 6026, S. 60-65.

⁶⁸ Vgl. „Zeit“ vom 16.07.2013, abrufbar unter: https://www.welt.de/wirtschaft/webwelt/ article118099520/Datenvolumen-verdoppelt-sich-alle-zwei-Jahre.html, zuletzt aufgerufen am: 24.08.2017.

⁶⁹ Vgl. Eisenstein, the Printing Revolution in Early Modern Europe, 1993, S. 13 ff.

⁷⁰ Schulz, in: Gola, Datenschutz-Grundverordnung, Art. 6 Rn. 195-200 DS-GVO.

⁷¹ Zieger/Smirra, MMR 2013, 418 (419).

⁷² Der Begriff Cloud Computing beschreibt die Bereitstellung von IT-Infrastruktur wie beispielsweise Speicherplatz, Rechenleistung oder Anwendungssoftware als Dienstleistung uber das Internet, vgl. Heidrich/Wegener/Barnitzke/Karger/Gaycken, in: Forgo/Helfrich/ Schneider, Betrieblicher Rechtsschutz, Kapitel 5 Rn. 1 ff.

⁷³ Mayer-Schonberger, Delete - The Virtue of Forgetting in the Digital Age, S. 34 ff.