Big Data und Privatsphäre. Chancen und Herausforderungen

Inhalt

Inhalt

Abstract

I. EINLEITUNG
B. Velocity
C. Variety
D. Value

II. ANWENDUNGSBEREICHE FÜR BIG DATA

III. GEFÄHRDUNG DER PRIVATSPHÄRE

IV. FAZIT
A. Wirtschaftliche Restriktionen
B. Anonymisierung
C. DSGVO

V. LITERATURVERZEICHNIS

Abstract — Big Data und die Effekte, die mit den technischen Möglichkeiten einhergehen, stellen die meisten Gesellschaften vor ethische Fragen, die insbesondere Grundwerte wie Schutz der Privatsphäre, oder Einflussnahme auf das Konsumverhalten betreffen. Zudem wird der Begriff gerne inflationär und ohne konkrete Definition verwendet; es soll daher erklärt werden, nach welchen Kriterien Big Data bemessen wird. Des Weiteren wird besprochen, in welchen Anwendungsbereichen der Umgang mit Big Data heikle Fragen aufwirft, auf welche gesellschaftlichen Bereich sich die Anwendungen am stärksten auswirken, bzw. sollen auch Lösungsmöglichkeiten zur Vermeidung unerwünschter Nebeneffekte dargestellt werden.

Keywords-Big Data; Privacy, Wirtschaft, DSGVO

I. EINLEITUNG

Was macht Data eigentlich zu Big Data?In den aktuellen Debatten wird der Begriff gerne benützt, um Datenmengen zu beschreiben, die nicht sofort auf den ersten Blick überschaubar und analysierbar sind.

Es ist daher wenig verwunderlich, dass viele Firmen einfach annehmen, “mit Big Data” zu arbeiten. Sei es, um auf einen großen Kundenstock hinzuweisen oder um Verkaufsmöglichkeiten zu entdecken und zu erweitern.

Was Big Data grundlegend ausmacht und welche Faktoren ausschlaggebend sind, wird in Abbildung 1 dargestellt:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1. Big Data und dessen Komponenten

A. Volume

Der Umfang des Datenbestandes ist natürlich ein wesentliches (aber bei weitem nicht das einzige) Kriterium.

Die Menge der Daten muss groß genug sein, um versteckte Muster zur Bearbeitung beinhalten zu können.

B. Velocity

Die Handhabung großer und komplexer Datenmengen birgt Herausforderungen an die Zugriffs- und Verarbeitungsgeschwindigkeit. Die praktische Durchführung unterschiedlicher Anfragen aus unterschiedlichen Blickwinkeln muss möglich sein, um die praktische Anwendung gewährleisten zu können.

C. Variety

Eine der forderndsten Aspekte im Big Data – Segment liegt in den unterschiedlichen Arten der zu verbindenden Daten. Nicht alle Daten, die sinnvoll zusammengeführt werden müssen, sind numerisch; es gilt beispielsweise, numerische Daten mit Zeitangaben und Bildern zu verknüpfen.

D. Value

Der wichtigste Aspekt in der ökonomischen Handhabung ist das Aufdecken versteckter Zusammenhänge, die nutzbringend verwendet werden können. Einfach “Äpfel mit Birnen” zu vergleichen, nur weil es technisch möglich ist, wäre nicht nutzbringend. 1

II. ANWENDUNGSBEREICHE FÜR BIG DATA

A. Wirtschaft

Die Anwendungsbereiche in der Wirtschaft variieren stark branchenspezifisch, Bankdaten etwa lassen sich kaum mit jenen eines Produktionsunternehmens vergleichen.

Grundlegend werden Big Data – Anwendungen aber dazu verwendet, Umsätze zu steigern und/oder Kosten zu senken, bzw. Aufwand zu reduzieren.

Die Zusammenführung unterschiedlicher Datenklassen in ausreichend großer Menge ermöglicht beispielsweise Prognosen bezüglich der Lieferzeiten oder der zu erwartenden Preisentwicklungen sind nützliche und häufig verwendete Planungsinstrumente. 2

Mit dem Data Mining hat sich eine eigene Methode etabliert, mit der spezifische Zugriffe auf Datenbanken (meist arrangiert in einem sogenannten “Data Warehouse”) die faktische Grundlage für ökonomische Entscheidungen bilden. 3

Ein prominentes Beispiel für die Methode des Big Data – basierten Cross Sellings lieferte die bekannte Supermarktkette “Wal-Mart” in den frühen 1990-ern.

Zwei IT-Mitarbeiter des weltgrößten Einzelhändlers durchforsteten Milliarden Textzeilen auf Kassenbons und entdeckten dabei einen bemerkenswerten Zusammenhang: am frühen Abend fanden sich Babywindeln und Bier gehäuft miteinander in Einkaufswägen; Bier und Windeln – ein Zusammenhang, der sich nicht auf den ersten Blick erschließt wie etwa Zahnbürste und Zahnpasta.

Als der kaufpsychologische Hintergrund beleuchtet wurde, ergab sich, dass die Käufer der Windeln-Bier-Kombination vorwiegend Männer waren; Väter, die nach der Arbeit bei Wal-Mart eintraten, um Windeln für ihre Kinder zu kaufen. Da die Aussicht auf das Windelnwechseln nach der Heimkehr offenbar wenig attraktiv ist, beschlossen zahlreiche Väter, sich für diese Aufgabe mit Bier zu “belohnen”.

Nachdem die findigen Mitarbeiter die Regale in sämtlichen Filialen umarrangieren ließen – das Bier wurde im Zuge dessen nahe den Windeln platziert – explodierte die Anzahl der Impulskäufe förmlich und der Bierumsatz stieg überproportional stark an. 4

Ökonomisch betrachtet ist dies ein hervorragendes Beispiel für gelungenes Cross Selling (mit einem Produkt ein anderes “verbinden”, sodass zwei – mitunter völlig verschiedene Produkte – gemeinsam gekauft werden).

Diskutabel hingegen ist die Maßnahme insofern, als dass sie Menschen dazu zu bringt, (noch mehr) Alkohol zu kaufen oder (noch bedenklicher) die Erkenntnis, dass die Beschäftigung mit den eigenen Kindern so schwer zu ertragen ist, dass diese mit Bier abgegolten werden muss.

B. Gesundheitswesen

Eine sehr sinnvolle Anwendung von Big Data findet sich im Gesundheitswesen, da bei einer ausreichend großen Anzahl von verlässlichen Daten valide Aussagen zur Auftrittswahrscheinlichkeit bestimmter Krankheiten oder Folgeerscheinungen getroffen werden können.

Das Wissen darüber, dass Krankheit X zu 70% zur Folgeerscheinung Y führt, kann die Implementierung von Prophylaxemaßnahmen für die Betroffenen erleichtern und dient letztendlich der Gesundheit aller; so weit zu den nützlichen und positiven Anwendungen von Big Data – Maßnahmen in der Medizin. 5

Eine möglicherweise unerwünschte Auswirkung betrifft hingegen das Versicherungswesen, besonders im eben angesprochenen Gesundheitsbereich.

Versicherungsleistungen fußen auf dem Grundsatz, dass Schäden abgedeckt werden, die theoretisch Viele betreffen können, aber praktisch bei wesentlich weniger Personen als Versicherten eintreten.

Dieser Gedanke beinhält einen gewissen Sinn für Solidarität – um ein Beispiel zu nennen: die meisten ArbeitnehmerInnen zahlen regelmäßig Versicherungsbeiträge, damit jemand, der an einem Lungenkarzinom leidet, nicht auch noch die hohen Behandlungskosten tragen muss.

In den letzten Jahren mehren sich jedoch Stimmen, die meinen, dass Menschen, die ein bestimmtes Risikoverhalten (für etwa Krebserkrankungen) an den Tag legen (RaucherInnen etc.) höhere Beiträge entrichten sollten, um den gleichen Versicherungsschutz wie (in diesem Beispiel) NichtraucherInnen zu erhalten.

Desgleichen bei der Ausübung von Extremsportarten oder bei Alpinunfällen – die Betroffenen sollten “die Gemeinschaft entlasten”, indem sie (nicht nur im Fall von grober Fahrlässigkeit) für die entsprechenden Rettungskosten selbst aufkommen, in der Ökonomie des Versicherungswesens spricht man von schleichender “Entsolidarisierung”. 6

Bitte nicht falsch zu verstehen – Big Data und dessen Möglichkeiten sind nicht der Grund für Entsolidarisierung! Aber die Anwendungen bieten hervorragende Werkzeuge, um Zusammenhänge zu erkennen, die dazu benutzt werden könnten, Menschen zu höheren Gesundheitsausgaben zu zwingen, bzw. ihnen sogar den notwendigen Versicherungsschutz komplett vorzuenthalten.

C. Kriminologie

Die Prognostizierung devianten Verhaltens ist ein Anliegen, das so alt ist wie die Menschheit selbst.

Mit dem algorithmusbasierten “Predictive Policing”, das große Datenbestände nutzt, um bisher unbekannte Zusammenhänge zu erkennen, scheinen sich erste Erfolge abzuzeichnen.

In Los Angeles konnte die Polizei auf der Datenbasis von 13 Millionen Delikten bestimmte Straftaten prognostizieren und mit einer geografischen Eingrenzung bemerkenswerte Erfolge bei der Kriminalitätsbekämpfung verzeichnen.

Die Zahl der Einbrüche sank sogar um ein Drittel. 7

Abbildung 2. Markierte Bereiche mit erhöhter Auftrittswahrscheinlichkeit von Straftaten 8

Gefährdungslagen für die Privatsphäre, bzw. der Boden für Diskriminierung liegt darin, dass der Weg zum umstrittenen “Ethnic Profiling” nicht mehr weit ist.

Absurde Theorien über “kriminelle Veranlagungen”, die sich an oberflächlichen körperlichen Merkmalen ablesen ließen, führten nicht zum Erfolg und gehören glücklicherweise der Vergangenheit an.

Die “algorithmische Sicht” auf Kriminalität kann, wenn Ethnic Profiling vorliegt, ein Werkzeug sein, das den Verlust der ergebnisoffenen Sicht bei Ermittlungen begünstigt.

Der fundamentale Unterschied zwischen (dem nützlichen) Predictive Policing und (dem destruktiven) Ethnic Profiling liegt darin, dass bei ersterem die Daten im geographischen

Blickwinkel, bei zweiterem aber in biologistischem Sinn betrachtet werden und dadurch Unschuldige aufgrund körperlicher Merkmale diskriminiert werden.

III. GEFÄHRDUNG DER PRIVATSPHÄRE

Zusammenfassend wird nun noch einmal kurz auf die aktuellsten und wahrscheinlich relevantesten Herausforderungen, die durch Big Data für die Privatsphäre entstehen, eingegangen, bevor mögliche Lösungswege, die im Idealfall nicht (wie üblich) der technischen Entwicklung hinterherhinken, skizziert werden.

Abbildung in dieser Leseprobe nicht enthalten

Im Wirtschaftsleben ist die Einflussnahme auf Kaufentscheidungen seit jeher ein wichtiges Kriterium zur Generierung von Umsätzen, sei es durch Werbeaktionen oder der Einhaltung bestimmter Prinzipen bei der Einrichtung der Märkte.

Die Verbindung mit Big Data hingegen, im Sinne der Erkennung von Korrelationen, die bislang nicht einfach erkennbar waren, ist eine vergleichsweise neue Erscheinung, mit der wir uns auseinandersetzen müssen, da diese für die KonsumentInnen nicht durchschaubar sind und die Anwendung von Cookies oder “Kunden kauften auch…” - Methoden eine größere Suggestivkraft entfalten als z.B. eine Postwurfsendung.

Im Gesundheitsbereich lassen sich mit Big Data zahlreiche Vorteile generieren (besonders im Bereich der Prophylaxe), jedoch ist die Kommerzialisierung dieser Anwendungen eine Gefahr für die Solidarität, auf der das Versicherungswesen steht. Werden Prämien zu hoch oder bestimmte Leistungen vollständig privatisiert, droht die medizinische Unterversorgung einkommensschwacher Bevölkerungsschichten.

In der Verbrechensbekämpfung, ebenso wie im Versicherungswesen, eine strikte Differenzierung notwendig. Während das “Predictive Policing” (mit geographischem Schwerpunkt) große Vorteile bringt, muss das “Ethnic Profiling” (mit dem Fokus auf biologischen Eigenschaften der betreffenden Personen) entschieden abgelehnt werden. 9

IV. FAZIT

Erfahrungsgemäß ist die technische Entwicklung den gesetzgebenden Maßnahmen stets weit voraus.

Themen, welche die Privatsphäre, bzw. den Datenschutz betreffen, bilden ein breites Feld, das dringend auf Bearbeitung wartet, bzw. Fragen aufwirft, die gelöst werden müssen.

Ein paar Möglichkeiten, private Daten zu schützen, bzw. die unerwünschten Folgen von Cross Selling oder algorithmischer Verbrechensbekämpfung einzudämmen, gibt es bereits.

A. Wirtschaftliche Restriktionen

Das Prinzip der freien Marktwirtschaft besagt grundsätzlich, dass der Markt von Angebot und Nachfrage bestimmt wird und Eingriffe in diese Freiheit abzulehnen sind.

Warum diese Freiheit in der eben angesprochenen Reinform nicht existiert, bzw. nicht existieren kann, würde den Rahmen dieser Arbeit sprengen und soll daher an dieser Stelle nicht weiter im Detail erläutert werden.

Restriktionen im Cross Selling sollten aber jedenfalls angedacht werden, besonders wenn es sich um gesundheitsschädigende Substanzen wie Alkohol handelt.

Im einleitend beschriebenen Fall des ausufernden Bierverkaufs in Kombination mit Windeln soll das Interesse der Gesellschaft, die bereits Schäden durch Alkoholmissbrauch auffangen muss, höher bewertet werden als jenes des Einzelhändlers, der (verständlicherweise) seine Umsätze dringend steigern möchte.

B. Anonymisierung

Gerade im Gesundheitsbereich und dem damit verbundenen Versicherungswesen ist die Anonymisierung von Daten unumgänglich.

In Fällen, in denen dies medizinisch nicht möglich ist, z.B. aufgrund der Einzigartigkeit der menschlichen DNA, die in manchen Fällen den zentrale Aspekt der Diagnose und Therapie darstellt, muss auf gesetzlicher Ebene klargestellt werden, dass zunächst die Einwilligung und entsprechende Aufklärung des Betroffenen unbedingt vonnöten ist, bzw. das Recht auf medizinische Versorgung im Ernstfall schwerer wiegt als das kommerzielle Interesse der jeweiligen Versicherung.

C. DSGVO

Abgesehen von der bereits erwähnten Anonymisierung enthält die DSGVO weitere Vorschriften, um persönliche Daten, und damit die Privatsphäre aller, zu schützen.

So wird das Speichern privater Daten restriktiver in der Handhabung, bzw. muss eine nachvollziehbare Löschroutine vorhanden sein, was die Implementierung von Big Data – Anwendungen verkompliziert.

Vorwiegend richten sich die neuen Vorschriften der DSGVO an den wirtschaftlichen Bereich wie beispielsweise Erleichterungen bei Ablehnung von Werbesendungen via Eintrag auf der “Robinson – Liste” (nach dem Eintrag auf selbiger darf keine unerwünschte Werbung mehr versendet werden), bzw. Direktmarketing oder erweiterte Informationspflichten im E-Commerce; das Gesundheitswesen und die Kriminalitätsbekämpfung richten sich die DSGVO-Vorschriften hauptsächlich an die Kommunikationswege, die in verschlüsselter Form frequentiert werden müssen, sobald die Nachrichten persönliche Informationen beinhalten. 10

Weitere Regelungen bezüglich Gesundheitsdaten und Kriminalitätsbekämpfung sind noch ausständig.

V. LITERATURVERZEICHNIS

1 I. Hashem et al. (2014). “The rise of ‘big data’ on cloud computing: Review and open research issues”. Information Systems, Band 47, S. 98 – 115
2 A. Wierse, T. Riedel (2017). “Smart Data Analytics: Mit Hilfe von Big Data Zusammenhänge erkennen und Potentiale nutzen”, 1. Auflage, Walter de Gruyter GmbH
3 J. Freiknecht, S. Papp (2018). “Big Data in der Praxis: Lösungen mit Hadoop, Spark, HBase und Hive. Daten speichern, aufbereiten, visualisieren”, 2. erweiterte Auflage, Carl Hauser Verlag GmbH & Co KG
4 B. Bloching, L. Luck, T. Rampge (2012). “Data Unser: Wie Kundendaten die Wirtschaft revolutionieren”, 1. Auflage, Redline Wissenschaft
5 P. Langkafel (2015). “Big Data in Medical Science and Healthcare Management: Diagnosis, Therapy, Side Effects”, 1. Auflage, De Gruyter Inc.
6 P. Albrecht (2017). “Bedroht Big Data Grundprinzipien der Versicherung?”. Zeitschrift für Versicherungswesen, Band 6, S. 189 – 191
7 J. Bachner (2013). “Predictive policing: Preventing crime with data and analytics”. Report, IBM Center for The Business of Government, John Hopkins University
8 M. Steinebach et al. (2014). “Big Data und Privatheit”, Fraunhofer-Institut für Sichere Informationstechnologie SIT
9 W. Hoffmann-Riem (2018). “Big Data – Regulative Herausforderungen”, 1. Auflage, Nomos Verlag
10 Advokat Unternehmensberatung Greiter & Greiter GmbH, “Datenschutz – Grundverordnung” https://www.jusline.at/gesetz/dsgvo (17.03.2019)

[...]