{"id":9298,"date":"2015-04-13T20:59:59","date_gmt":"2015-04-13T20:59:59","guid":{"rendered":"https:\/\/blog.donottrack-doc.com\/?p=9298"},"modified":"2015-04-21T13:29:19","modified_gmt":"2015-04-21T13:29:19","slug":"die-grose-datenflut-wie-big-data-unsere-welt-verandert","status":"publish","type":"post","link":"https:\/\/blog.donottrack-doc.com\/de\/die-grose-datenflut-wie-big-data-unsere-welt-verandert\/","title":{"rendered":"Die gro\u00dfe Datenflut: Wie „Big Data“ unsere Welt ver\u00e4ndert"},"content":{"rendered":"

Die Analyse gro\u00dfer Datenmengen ist gerade dabei, unsere Welt kr\u00e4ftig umzukrempeln. Das beschert uns enormen wissenschaftlichen Fortschritt. Es macht uns aber zugleich auch so „kontrollierbar“ und „nackt“ wie nie zuvor. Ein Artikel von Martin Schramm.<\/strong><\/p>\n

or allem in der Forschung braucht man immer pr\u00e4zisere Maschinen, Sensoren und Messinstrumente, um in immer aufw\u00e4ndigeren Experimenten nach immer kleineren, kaum noch nachweisbaren Effekten zu fahnden. Das sorgt f\u00fcr immense Datenmengen. Ein Paradebeispiel: die Suche nach dem sogenannten „Higgs-Teilchen“, im Teilchenbeschleuniger am Europ\u00e4ischen Kernforschungszentrum CERN bei Genf. Dort fallen rund ein Petabyte Rohdaten an – pro Sekunde. Das ist selbst f\u00fcr Big Data zu viel. Die Datenflut wird im CERN daher stark gefiltert: im Jahr 2012 auf fast schon wieder bescheiden klingende 25 Petabyte, f\u00fcr das gesamte Jahr. Diese Daten werden dann auf elf Rechenzentren weltweit verteilt und ausgewertet.<\/p>\n

Sprechstunde bei Dr. Watson<\/strong><\/p>\n

L\u00e4ngst machen sich Forscher auch daran, die Datensch\u00e4tze zu heben, die in den Krankenh\u00e4usern dieser Welt schlummern: in den Akten von Patienten, mit wertvollen Informationen \u00fcber Krankheitsverl\u00e4ufe. Auch die Daten der Krankenversicherungen werden analysiert; die bei den Anbietern von Gentests; und nat\u00fcrlich die der unz\u00e4hligen Studien zu allen m\u00f6glichen Wirkstoffen, deren Risiken und Nebenwirkungen. Die Vision: eine „personalisierte Medizin“, in der jeder Patient eine Behandlung erh\u00e4lt, die ganz individuell auf ihn und seine pers\u00f6nlichen Risikofaktoren abgestimmt ist.<\/p>\n

IT-Firmen wittern einen gigantischen Markt – und arbeiten bereits an konkreten Big Data Anwendungen. IBM zum Beispiel hat gro\u00dfe Pl\u00e4ne mit seinem Computersystem „Watson“. Vor einigen Jahren legte das einen medienwirksamen Sieg hin – in der amerikanischen Quizshow „Jeopardy“ – bei der die Kandidaten schneller als ihre Mitspieler eine passende Frage auf eine vorgegebene Antwort formulieren m\u00fcssen. Jetzt soll Watson helfen, Krebspatienten effektiver zu behandeln.\u00a0<\/em>Das System wertet dazu rund zwei Millionen Seiten medizinischer Fachliteratur und 6000 medizinische Studien aus. Auf Anfrage sucht es dann beispielsweise nach Patienten, deren Krankengeschichte dem aktuellen Fall m\u00f6glichst \u00e4hnlich ist und macht Vorschl\u00e4ge zur Behandlung des Patienten.<\/p>\n

Doch auch andere Forschungsbereiche werden immer mehr „datengetrieben“: Egal ob es darum geht, die Wettervorhersage zu optimieren, Ursachen und Auswirkungen des Klimawandels zu erforschen, B\u00f6rsenkurse zu berechnen, Genomdaten auszuwerten oder zu erkennen, wie Grippewellen sich ausbreiten. Intelligente Energienetze werden so gestaltet; Vorhersagen formuliert, wie die n\u00e4chste Bundestagswahl ausgehen k\u00f6nnte.<\/p>\n

Der umworbene Kunde<\/strong><\/p>\n

Auch den IT-Konzernen selbst soll Big Data helfen, ihre Kunden besser zu verstehen – und ihnen so bessere, weil individuelle Angebote zu machen; oder gezielt Werbung einzublenden – nach dem Motto: Sie haben sich f\u00fcr Produkt xy interessiert, daher k\u00f6nnte f\u00fcr sie auch Folgendes interessant sein. Die Firmen lesen und sammeln daher oft s\u00e4mtliche Spuren, die ein Kunde im Netz hinterl\u00e4sst – um diese Daten dann miteinander zu verkn\u00fcpfen. Sie wissen so im Extremfall: Welche Suchbegriffe jemand eingibt; welche Seiten er sich im Web ansieht; welche Mails er schreibt; mit wem er telefoniert; wo er sich befindet; und so weiter und so fort – alles zum Wohl des Kunden, angeblich.<\/p>\n

Auch der Physiker Michael Feindt hatte die Idee, dass sich sein Know how aus der Teilchenphysik sehr gut f\u00fcr kommerzielle Anwendungen nutzen l\u00e4sst. Er hat eine Software entwickelt, um vorherzusagen, welchen Schaden beispielswiese der Versicherungsnehmer einer KFZ-Haftpflicht im n\u00e4chsten Jahr verursachen k\u00f6nnte. Das Ziel ist dabei, pers\u00f6nliche Risiken noch pr\u00e4ziser abzusch\u00e4tzen und Tarife noch individueller zu gestalten. Das System taugt aber auch, um Absatzprognosen zu erstellen – z.B. f\u00fcr Superm\u00e4rkte. F\u00fcr ganz bestimmte Artikel, in einem ganz bestimmten Gesch\u00e4ft, an einem ganz bestimmten Tag – interessant vor allem f\u00fcr frische Ware, die schnell verdirbt. Michael Feindt spricht von typischen Verbesserungsraten von 10 Prozent bis zu 40 Prozent. Daten und Datenanalyse werden so zunehmend zu einem wertvollen Rohstoff, mit dem sich viel Geld verdienen l\u00e4sst.<\/p>\n

Ein Datenpool, der ebenfalls gro\u00dfe Begehrlichkeiten weckt, sind die sogenannten „Social Media“ – also all das, was Nutzer bei Diensten wie Twitter oder Facebook schreiben und einstellen; aber auch in Blogs oder Diskussionsforen aller Art: Texte, Bilder, Videos – oder Kommentare und Kundenrezensionen in Online-Shops.<\/p>\n

Es gibt rund f\u00fcnf, sechs Unternehmen, die diese „Social Media“-Daten als Dienstleister sammeln, um nicht zu sagen „aus dem Netz saugen“ – und diesen gigantischen Datenpool dann anschlie\u00dfend anderen Firmen kostenpflichtig zur Verf\u00fcgung stellen. Und die wollen dann z.B. wissen: Was denken die Kunden \u00fcber unsere Produkte? Was ist gut, was ist verbesserungsf\u00e4hig? Wo schneidet der Wettbewerber besser ab?<\/p>\n

Ambivalente Datenflut<\/strong><\/p>\n

Datensch\u00fctzer bekommen angesichts der immensen Datenmengen heftige Bauchschmerzen. Und auch wenn in Deutschland personenbezogene Daten nur f\u00fcr ganz bestimmte Zwecke gespeichert werden d\u00fcrfen, und dies auch erst dann, wenn der Betroffene zugestimmt hat – die Gro\u00dfkonzerne in \u00dcbersee juckt das herzlich wenig. Google beispielsweise hat in Europa mehrere Klagen am Hals.<\/p>\n

Ein h\u00e4ufiges Gegenargument der Firmen: Die Daten seien doch alle anonymisiert. Doch das \u00fcberzeugt Datensch\u00fctzer wenig. Sie erleben im Alltag st\u00e4ndig, wie aus „anonym“ ganz schnell wieder „personenbezogen“ wird. Datensch\u00fctzer f\u00fcrchten au\u00dferdem, dass Menschen zum Spielball einer anonymen Analysesoftware werden – z.B. in den H\u00e4nden technikgl\u00e4ubiger Banker. Denn Dank Big Data werden die Angebote f\u00fcr den Kunden oft nicht „optimiert“, sondern der Kunde selbst wird „diskriminiert“. Wenn beispielsweise ein Kreditantrag durch die Bank abgelehnt wird, k\u00f6nnen die meisten Verbraucher die Gr\u00fcnde f\u00fcr eine derartige Abfuhr oft gar nicht mehr durchschauen.<\/p>\n

Wenn wir am Ende als sozusagen „Rundum-Big-Data-analysierte Kunden“ nicht komplett „nackt“ da stehen wollen, sondern Wert auf Privatsph\u00e4re und Anonymit\u00e4t legen, wird nur helfen, diese Rechte massiv einzufordern – und pers\u00f6nliche Konsequenzen zu ziehen: Wir sollten uns vor allem gut \u00fcberlegen, welche Daten von uns wir wo \u00fcberhaupt Preis geben. Denn sind sie erstmal in der Welt, ist es oft kaum noch m\u00f6glich, sie zur\u00fcckzuholen.<\/p>\n

Dieser Artikel von Martin Schramm (Redaktion: Wolfgang Kasenbacher) ist im Original zu finden auf der Webseite des Bayerischen Rundfunks<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"

Die Analyse gro\u00dfer Datenmengen ist gerade dabei, unsere Welt kr\u00e4ftig umzukrempeln. Das beschert uns enormen wissenschaftlichen Fortschritt. Es macht uns aber zugleich auch so „kontrollierbar“ und „nackt“ wie nie zuvor. Ein Artikel von Martin Schramm. or allem in der Forschung braucht man immer pr\u00e4zisere Maschinen, Sensoren und Messinstrumente, um in immer aufw\u00e4ndigeren Experimenten nach immer Read more<\/a><\/p>\n","protected":false},"author":9,"featured_media":9488,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[142],"tags":[251,865,337,864,570],"acf":[],"_links":{"self":[{"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/posts\/9298"}],"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=9298"}],"version-history":[{"count":3,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/posts\/9298\/revisions"}],"predecessor-version":[{"id":9847,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/posts\/9298\/revisions\/9847"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/media\/9488"}],"wp:attachment":[{"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/media?parent=9298"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/categories?post=9298"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.donottrack-doc.com\/de\/wp-json\/wp\/v2\/tags?post=9298"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}