Digitale Personalisierung: Zukunftschance oder Sackgasse (1)

Kolumne_Banner

In vielen Bereichen stellt die Personalisierung einen grossen Fortschritt dar, ökonomisch und gesellschaftlich. Sie hat komplexe Ursachen und ist unter anderem ein Ergebnis wissenschaftlichen Fortschritts (welcher schrittweise das Durchschnittsdenken überwand), sowie der Krise der Industriegesellschaft (welche zu moderneren, kundenbezogenen Marketing-Ansätzen führte), wachsender Wertorientierung (welche die Gesellschaft heute spaltet) und nicht zuletzt der digitalen Transformation (welche dazu führte, dass aus Daten Informationen abgeleitet werden, für die sie ursprünglich nicht angelegt worden sind).

Das Ziel der datenbasierten Personalisierung ist – meistens – den Wert von Produkten und Leistungen für Kund*innen zu maximieren oder/und die dafür lukrierten Einnahmen zu maximieren. Je nach Kontext haben wir es auch mit Variationen dieses Ziels zu tun, beispielsweise wenn die Einnahmenperspektive die Kundennutzenperspektive verändert. Soziale Netzwerke versuchen so auf der Basis von Nutzungsdaten, Kund*innen möglichst lange im Netzwerk zu halten (und ihnen damit möglichst viel Zeit zu stehlen), um ihnen möglichst viel von Dritten bezahlte Werbung zeigen zu können. In einigen Teilen der USA personalisieren ausserdem Richter*innen Strafmasse und Polizist*innen polizeiliche Interventionen gegen Einwohner*innen auf der Basis einer Kombination von Daten und Interpretationen (logischen Shortcuts), um vermeintlich möglichst grossen Nutzen für die Gesellschaft zu konstruieren. Dies ist häufig die «andere Seite der Logik», denn diese Personalisierung des Kontrollierens und Strafens geht in der Regel von groben Verallgemeinerungen aus, die entweder ganz falsch sind oder einem Durchschnittsdenken huldigen, welches den Handlungskontext ignoriert.

Der zweifache Mehrwert der digitalen Personalisierung

Sehen wir vorerst von zweifelhaften Nutzungsformen ab und konzentrieren uns auf tatsächlich wertschaffende Personalisierung: Im Kern geht es dabei darum, bedingte Erwartungswerte zu optimieren – und zwar meistens (wie oben skizziert) in Bezug auf den Kundennutzen und in Bezug auf den Preis. Kund*innen sollen die jeweils für sie ganz individuell wahrscheinlich wertvollste Variation eines Produkts oder einer Dienstleistung bekommen und dafür einen Preis zahlen, der ihre individuelle Zahlungsbereitschaft möglichst gut ausschöpft. Das optimiert auf der einen Seite den Mehrwert für die Kund*innen und auf der anderen Seite den Mehrwert der Kund*innen für den Anbieter.

Neu ist, dass man nicht von Mittelwerten ausgeht – weder von Mittelwerten für die ganze Gesellschaft noch von Mittelwerten des anvisierten Kund*innensegments – sondern von bedingten Erwartungswerten. Deren Schätzung wird aus digitalen Verhaltensdaten, so genannten digitalen Zwillingen, abgeleitet. Die Optimierungsaufgabe lautet dabei: Gegeben seien die Daten über eine Kundin (= Bedingung für die Bildung des Erwartungswerts), welche Produktvariation würde ihr den grössten Nutzen bringen und wie viel ist maximal dafür bereit zu zahlen? Für die Lösung dieser Aufgabe werden die Daten ganz vieler anderer Kund*innen genutzt. Aus den Ergebnissen werden danach die tatsächlich offerierte Produktvariation und der tatsächlich offerierte Preis berechnet mit dem Ziel, dass in der Summe aller Angebote das Unternehmen am besten abschneidet. Dies ist ein technischer Vorgang, welcher ebenfalls Daten nutzt, aber auch von der Unternehmensstrategie abhängt, denn jedes Optimieren in einem komplexen Kontext basiert auf einer willkürlichen Vereinfachung.

Bedingte Erwartungswerte kann man sich als Mittelwerte sehr kleiner Teilsegments vorstellen, die gerade genügend gross sind, dass man statisch relevante Daten darüber besitzt. In der Praxis werden sie aber auch aus Abschätzungen berechnet und es liegen ihnen keine Daten über ein konkretes Teilsegment zugrunde. Letzteres sind Modellierungsdetails, die für das Verständnis der Folgen digitaler Personalisierung nur geringe Relevanz haben. Die gedachten Teilsegmente sind jedenfalls wesentlich kleiner als das Segment aller anvisierten Kund*innen, weshalb angebotene Produktvariationen und Preise im Fall einer Personalisierung stark variieren und dadurch wie beschrieben doppelten Mehrwert generieren können.

Ein besonderer Anwendungsbereich: die Arbeit am Menschen

Personalisierung ist in fast allen Bereichen der Wirtschaft vorstellbar – von personalisiert gefertigten Massenprodukten bis zu hochspezialisierten Dienstleistungen. Einem besonders grossen gesellschaftlichen Nutzen bringt sie im Gesundheitswesen. Dort ist sie in vielen Fällen auch ohne konventionelle Datenanalyse möglich – mit Markern kann beispielsweise die Wirksamkeit von Therapien vorab beurteilt werden und mit Genmaterialanalyse können tatsächlich individuell massgeschneiderte Medikamente designt werden. In anderen Bereichen aber finden die oben beschriebenen bedingte Erwartungswerte mutatis mutandis Anwendung. Je nach Perspektive sprechen die Spezialist*innen im Fall allerdings nicht von personalisierter Medizin, sondern von Präzisionsmedizin. In der Sache ändert diese Begriffspräferenz nichts. Es geht den Spezialist*innen primär darum, von ahnungslosen Laien richtig verstanden zu werden.

Ein anderer besonderer Anwendungsbereich für digitale Personalisierung ist die Ausbildung. Auch in ihr geht es um «Arbeit am Menschen» und um «Co-Produktion» zwischen Dienstleister und Kundin. Derzeit gibt es interessante Überlegungen und Pilotversuche – insbesondere auf Hochschulebene – datenbasierte individuelle Unterstützung für Lernende anzubieten oder sogar individuelle Lernpfade vorzuschlagen. Obwohl diese Vorhaben noch viel weniger weit gediehen sind als die digitale Personalisierung in der Spitzenmedizin, so gibt es sehr viel Evidenz für das Potential einer solchen digital personalisierter Ausbildung.

Unterschiedliche Formen von kognitiver Intelligenz

Aus der Forschung zur Entwicklung von Kleinkindern wissen wir, dass nicht alle Kinder identische Entwicklungspfade durchlaufen. Die Lernforschung hat uns eindrücklich vor Augen geführt, dass viele «natürliche Annahmen» falsch sind. Schneller lernen können ist zwar nützlich, aber weder hinreichend noch notwendig für kognitive Spitzenleistungen. Kognitive Spitzenleistungen selbst sind weder notwendig noch hinreichend für Erfolg im Leben. Es gibt ausserdem nicht eine kognitive Intelligenz, sondern sehr unterschiedliche Formen von kognitiver Intelligenz, die beim Individuum nicht im selben Ausmass vorhanden sein müssen. Lernfähigkeiten besitzen im Übrigen gesunde Menschen bis ins hohe Alter, inklusive der damit verbundenen Umgestaltung des Hirns, aber sie verändern sich im laufe des Lebens. Die Fähigkeit völlig Neues zu lernen verschwindet, die Fähigkeit Wissen zu vernetzen steigt, der Blick auf die substanziellen Muster entsteht überhaupt oft erst im höheren Alter. Entsprechend machen universell anwendbare Ausbildungskonzepte, die nicht an die speziellen aktuellen Fähigkeiten angepasst werden, wenig Sinn. Das Ziel muss eine passende Personalisierung des Lehrens sein.

Um das zu verstehen, müssen wir unsere Vorurteile entrümpeln. Fussballspielen ist ein illustratives Beispiel dafür, dass spezialisierte kognitive Fähigkeiten den Spitzensport prägen können, ohne dass dabei aus den meisten Spitzensportler*innen Intellektuelle werden. Der beim Beispiel des Fussballs aufpoppende Konnex zwischen motorischen und spezialisierten kognitiven Fähigkeiten erinnert uns daran, dass sich die traditionelle Neue Künstliche Intelligenz sich vor dem Siegeszug des Maschinenlernens mit der Emergenz von Intelligenz aus sensomotorischer Interaktion beschäftigte – und namhafte Topforscher*innen dies noch immer tun. Mittlerweile gibt es aber auch interessante forschungsbasierte Spekulationen darüber, dass kognitive Intelligenz möglichweise die entwicklungsgeschichtliche Folge von emotionaler Intelligenz ist. Und, um das Bild abzurunden, hat die Psychologie gezeigt, dass bedingt durch unterschiedliche Erziehungspraktiken der Eltern junge Menschen im Westen und junge Menschen im Osten sehr unterschiedliche kognitive Fähigkeiten besitzen.

Statt aber alle über eine Leiste zu schlagen und eindimensional zu klassifizieren, ist es viel sinnvoller, datenbasiert die Ausbildung mehr zu personalisieren. Diese Schlussfolgerung scheint zwingend. Es gibt dazu auch viele Lippenbekenntnisse. Es ist aber auch das genaue Gegenteil im Hochschulmarkt zu beobachten, das aufkommende generalistische Bachelor-Studium für alle. Tatsächlich ist die Sachlage komplexer – wie bei sehr vielen Formen der digitalen Personalisierung. Lassen Sie uns zuerst die offensichtlichen Risiken betrachten, bevor wir den Problemen in Teil 2 dieses Essays im Detail nachgehen.

Die dreifache Ambivalenz

Wie wir ganz oben gesehen haben, ist die Personalisierung trotz ihrer simplen Grundsätze ein weites Land. Oft genug wird in diesem weiten Land entgegengesetzt zu Daten-Evidenz und den Erkenntnissen einer Kontextanalyse gehandelt. Das ändert zwar nichts daran, dass vernünftige, sachkompetente und informationsbasierte Personalisierung grossen Nutzen stiften kann. Aber auch die Wahrnehmung solchen gefühlt «echten» Nutzens kann sehr unterschiedlich sein. Denn wertneutral betrachtet handelt es sich bei Personalisierungen jeweils um eine Diskriminierung – eine bewusste Unterscheidung der Gegenüber, welche sich im praktischen Handeln niederschlägt – weshalb wir die Personalisierung in vielen Kontexten tatsächlich als diskriminierend wahrnehmen, selbst dann, wenn sie sachkompetent gehandhabt wird.

Personalisierung kommt in der Praxis deshalb mit zwei offensichtlichen Problemen daher: Wenn sie vernünftig und kompetent praktiziert wird, kann sie trotzdem als ungerecht wahrgenommen werden und wenn sie unvernünftig oder inkompetent gehandhabt wird, stellt sie groben Unfug dar, der eventuell sogar allen schadet.

So weit, so offensichtlich. Doch es gibt noch ein drittes, weniger offensichtliches, Problem. Konsum und Konsummöglichkeiten verändern den Menschen – egal ob es sich um Produkte, Dienstleistungen oder meritorische Güter handelt. Wer seine Bedürfnisse maximal erfüllt bekommt, geht einen anderen Lebensweg, der möglicherweise wesentlich weniger reichhaltig ist, zu wesentlich geringeren individuellen Fähigkeiten führt und wesentlich geringeren Nutzen für Dritte bietet. Entsprechendes gilt auch wenn die Bedürfnisse anderer, im Bereich der Hochschule beispielsweise der Arbeitgeber, optimal erfüllt werden. Das Beste ist tatsächlich oft der grösste Feind des Guten.

Die Frage ist – um einmal mehr die Eisbergmetapher zu nutzen – steht dem sichtbaren Nutzen ein grösserer oft kaum erkennbarer Schaden gegenüber? Oder ist der Schaden ein überschaubarer? Oder auch: Ist der Schaden zwar ein grosser, entsteht aber durch einige wenige schädliche Mustern, die gezielt ausgemerzt werden können? Um diese dreigestalte Frage jeweils von Fall zu Fall entscheiden zu können – und zwar sowohl als Gesellschaft als auch als Konsumierende – ist es wichtig, dass wir die Folgen der Personalisierung antizipieren. Oder dass wir, wenn wir sie schon nicht antizipieren – darin sind wir meist ziemlich schlecht – diese Folgen zumindest erkennen und reflektieren.


Teil 2 erscheint in Kürze. Darin werden einige grundlegende Überlegungen zur Folgenabschätzung der digitalen Personalisierung dargelegt.

Creative Commons Licence

AUTHOR: Reinhard Riedl

Prof. Dr. Reinhard Riedl ist Dozent am Institut Digital Technology Management der BFH Wirtschaft. Er engagiert sich in vielen Organisationen und ist u.a. Vizepräsident des Schweizer E-Government Symposium sowie Mitglied des Steuerungsausschuss von TA-Swiss. Zudem ist er u.a. Vorstandsmitglied von eJustice.ch, Praevenire - Verein zur Optimierung der solidarischen Gesundheitsversorgung (Österreich) und All-acad.com.

Create PDF

Ähnliche Beiträge

Es wurden leider keine ähnlichen Beiträge gefunden.

0 Kommentare

Dein Kommentar

An Diskussion beteiligen?
Hinterlasse uns Deinen Kommentar!

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert