{"id":10905,"date":"2015-05-21T13:11:39","date_gmt":"2015-05-21T13:11:39","guid":{"rendered":"https:\/\/blog.donottrack-doc.com\/?p=10905"},"modified":"2015-05-26T07:59:36","modified_gmt":"2015-05-26T07:59:36","slug":"wer-bin-ich-und-wer-will-das-wissen","status":"publish","type":"post","link":"https:\/\/blog.donottrack-doc.com\/de\/wer-bin-ich-und-wer-will-das-wissen\/","title":{"rendered":"Wer bin ich \u2013 und wer will das wissen?"},"content":{"rendered":"

Big Data ist ein Trend und eine gro\u00dfe Chance f\u00fcr Konzerne. Doch wie sieht es eigentlich mit den Chancen f\u00fcr die Nutzer aus? Oder \u00fcberwiegen hier die Risiken? Ein Kommentar von Florian Blaschke vom t3n Magazin<\/a>.<\/strong><\/p>\n

Wer bin ich \u2013 und wenn ja wie viele? Mit dieser philosophischen Frage hat Richard David Precht 2007 ordentlich Staub aufgewirbelt. Heute \u2013 acht Jahre sp\u00e4ter \u2013 gesellen sich zu Prechts \u00dcberlegungen zwei neue Fragen hinzu, vor allem vor dem Hintergrund der technologischen Entwicklung: Wer will eigentlich wissen, wer ich bin? Und vor allem: Wie wollen die das rauskriegen?<\/p>\n

Schon im Alltag f\u00fcllen wir Menschen Dutzende von Rollen aus. Wir sind Partner, Freunde, vielleicht Eltern oder Geschwister, wir sind Arbeitgeber oder Arbeitnehmer, Freelancer, Kunden, Patienten oder Nachbarn. Und jede dieser Rollen nehmen wir anders wahr, jede Rolle f\u00fcllen wir anders aus.<\/p>\n

Im Netz ist das nicht anders. Auch hier sind wir in verschiedenen Netzwerken und auf verschiedenen Plattformen unterwegs, wir sind Autoren und Kommentatoren, Beobachter, Bewerter, Kunden oder Auftraggeber. Wir geben uns Avatare und Nutzernamen und posten, was in das Licht passt, in dem wir gesehen werden wollen. Wir hinterlassen Spuren. Doch eine Entwicklung ver\u00e4ndert noch mal drastisch, was mit unseren digitalen Versionen vom Ich alles passiert: Big Data.<\/p>\n

Big Data: Wo laufen die F\u00e4den zusammen und wer f\u00e4llt aus dem Raster?<\/strong><\/p>\n

Durch die Daten, die wir hinterlassen, beginnen Unternehmen, sich ein ganz eigenes Bild von uns zu machen. Ein Beispiel: Gesundheitsdaten. Was Fitness-Tracker, Ern\u00e4hrungs-Apps oder Programme wie Googles \u201eFit\u201c oder \u201eApple Health\u201c an Daten sammeln, erg\u00e4be zusammengenommen ein nicht nur hoch spannendes, sondern auch h\u00f6chst lukratives Paket \u2013 nicht zuletzt f\u00fcr die Krankenkassen.<\/p>\n

Ein zweites Beispiel: das Thema Shopping. Schon l\u00e4nger testen Konzerne wie Kaiser\u2019s Tengelmann das \u201eDynamic Pricing\u201c, bei dem Kunden je nach Einkaufskorb individuell auf sie zugeschnittene Preise bekommen. Und das Unternehmen? Bekommt personalisierte Daten<\/a>. Beispiel drei: People-Analytics \u2013 also die Auswertung von Arbeitnehmerdaten f\u00fcr Personalentscheidungen<\/a>. So sollen Algorithmen heute schon vorhersagen k\u00f6nnen, welche Mitarbeiter als n\u00e4chstes k\u00fcndigen werden, w\u00e4hrend Startups wie Soma Analytics Mitarbeiter sogar im Schlaf \u00fcberwachen wollen, um ihr Stresslevel zu analysieren oder Konzerne die Kommunikation ihrer Mitarbeiter auslesen, um herauszufinden, wo die F\u00e4den zusammenlaufen und wer aus dem Raster f\u00e4llt.<\/p>\n

Welchen Stellenwert bekommen bei Big Data noch die Details?<\/strong><\/p>\n

Alle drei Beispiel haben spannende Seiten und Potenzial, die Welt ein St\u00fcck besser zu machen. Doch alle drei Beispiele bergen auch Missbrauchspotenzial und Risiken \u2013 vor allem, aber nicht nur f\u00fcr den Einzelnen. Das vielleicht gr\u00f6\u00dfte Problem: die Interpretation der Daten. Welchen Stellenwert bekommen bei Big Data noch die Details? Wie genau lesen Unternehmen noch zwischen den Zeilen, wenn die Datenmengen immer gr\u00f6\u00dfer werden?<\/p>\n

Die zweite gro\u00dfe H\u00fcrde: die Informationsqualit\u00e4t. Wie steht es beispielsweise bei den vom Arbeitnehmer erhobenen Daten oder den Gesundheitsdaten um die Manipulierbarkeit? Wie um die Vollst\u00e4ndigkeit? Weisen die Daten L\u00fccken auf? Und wenn ja: Wie und mit welchen Informationen k\u00f6nnen diese L\u00fccken gef\u00fcllt werden? Habe ich in meinen Apps beispielsweise wirklich alle Gesundheitsdaten erfasst, die relevant sind? Und wie geht mein Arbeitnehmer damit um, dass nicht meine gesamte interne Kommunikation digital abl\u00e4uft? Wie entscheidet er, welches Gewicht er den Daten beimisst, um \u00fcber meine Zukunft zu entscheiden? Welche Rolle spielt noch das Bauchgef\u00fchl eines Personalers \u2013 das ja wei\u00df Gott auch nicht immer richtig liegt?<\/p>\n

Nimmt man nur diese drei Probleme \u2013 die Interpretationsfrage, die Manipulierbarkeit und m\u00f6gliche Datenl\u00fccken \u2013 und hebt den Blick ein wenig, zeigt sich das ganze Dilemma. \u201eBig Data\u201c hei\u00dft nicht umsonst Big Data \u2013 meine Daten sind in jedem m\u00f6glichen Kontext nur ein Bruchteil der Gesamtmenge. Doch wenn schon meine Daten manipulierbar, l\u00fcckenhaft und vielf\u00e4ltig interpretierbar sind \u2013 wie sieht es dann erst mit der Gesamtmenge aus? Wie gro\u00df sind die Fehler und L\u00fccken in den Gesundheitsdaten, die Apple bis jetzt schon erhoben hat? Wie sehr kann ein Arbeitgeber sich darauf verlassen, dass die Kommunikation, die er analysiert, auch wirklich solide R\u00fcckschl\u00fcsse zul\u00e4sst? Schlie\u00dflich betreffen die Entscheidung, der er auf Grundlage der Daten f\u00e4llt, nicht nur mich \u2013 sondern auch sein Unternehmen.<\/p>\n

Am Anfang wie am Ende der Datenkette steht deshalb nach wie vor: der Mensch. Ob uns das jetzt beruhigt oder uns Angst macht? Das ist eine Frage der Interpretation.<\/p>\n","protected":false},"excerpt":{"rendered":"

Big Data ist ein Trend und eine gro\u00dfe Chance f\u00fcr Konzerne. Doch wie sieht es eigentlich mit den Chancen f\u00fcr die Nutzer aus? Oder \u00fcberwiegen hier die Risiken? Ein Kommentar von Florian Blaschke vom t3n Magazin. Wer bin ich \u2013 und wenn ja wie viele? Mit dieser philosophischen Frage hat Richard David Precht 2007 ordentlich Read more<\/a><\/p>\n","protected":false},"author":9,"featured_media":11111,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[142],"tags":[835,296,974,976],"acf":[],"_links":{"self":[{"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/posts\/10905"}],"collection":[{"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/comments?post=10905"}],"version-history":[{"count":6,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/posts\/10905\/revisions"}],"predecessor-version":[{"id":11068,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/posts\/10905\/revisions\/11068"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/media\/11111"}],"wp:attachment":[{"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/media?parent=10905"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/categories?post=10905"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/tags?post=10905"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}