Beiträge

Big Data – schnell erklärt

Big Data steht für verschiedenste Methoden, implizit in Daten vorhandene Informationen explizit zu machen. Das ermöglicht unter anderem mehr Personalisierung – von der Politik über den Produktverkauf bis zur Medizin!

In aller Regel wird der Begriff dafür verwendet, dass mit mathematischen Instrumenten Informationen, die in Datensätzen implizit vorhanden sind, explizit gemacht werden. Dafür werden typischerweise grosse und nicht selten unterschiedliche Datensätze zuerst zusammengeführt und dann mit Mathematikinstrumenten und Informatikwerkzeugen ausgewertet. Dabei gibt es drei Standardformen:

  • «Klassisches» Big Data schätzt den Wert einer Kenngrösse, indem es die Korrelation mit anderen Kenngrössen nutzt – Obama identifizierte so im Wahlkampf die noch unentschiedenen Wähler, auf die er dann seine Kampagne konzentrierte
  • Exploratives Big Data sucht nach bisher unbekannten Mustern, die eventuell Bedeutung haben – z.B. weil sie auf Risiken hinweisen oder interessante Gruppen von Kunden identifizieren
  • Big Data «auf dem Graphen» nutzt komplexe semantische Zusammenhänge – z.B. um das Fehlen von Informationen zu entdecken

Neueste Formen von Big Data gehen über diese drei Standardformen hinaus und experimentieren beispielsweise mit Simulationswerkzeugen. Vorstellbar ist auch die Kombination von statischen Werkzeugen mit weiteren Modellen der abstrakten Algebra.

Konkrete Beispiele
Was heisst das alles konkret? Nun, das Vorgehen beim klassischen Big Data ist eigentlich recht simpel. Es wird erst kompliziert, wenn man es abstrakt zu erklären versucht. Darum einige einfache Beispiele. Angenommen Sie besitzen Daten über das Kaufverhalten von als Person identifizierten Kunden. Und sie möchten ein neues Produkt lancieren und gezielt bewerben. Dann werden sie zuerst ähnliche, bereits existierende Produkte in ihrem Verkaufsportfolio identifizieren und dann jene Kunden herausfiltern, die diese Produkte öfters gekauft haben. Die Wahrscheinlichkeit ist hoch, dass sie sich für das neue Produkt ebenfalls interessieren werden und es macht Sinn, die Marketingkampagne für das neue Produkt auf sie zu konzentrieren. Im Customer Relationship Management vieler Banken wird seit Langem ein ähnliches Verfahren eingesetzt, um neue Finanzprodukte gezielt Kunden zu promoten.

Ein anderes konkretes Beispiel lieferte der letzte Präsidentschaftswahlkampfs in den USA. Im amerikanischen Präsidentschaftswahlkampf geht es darum, in genügend vielen Staaten die meisten Stimmen zu bekommen. In der Schlussphase des Wahlkampfs ist in vielen Staaten klar, wer die Mehrheit haben wird. Dort wird dann kaum mehr Wahlkampf betrieben, weil es eine Ressourcenverschleuderung wäre. Der Wahlkampf konzentriert sich ganz auf die umkämpften Staaten. Aber auch dort macht es wenig Sinn, Wähler anzusprechen, die sich bereits klar entschieden haben, wen sie wählen werden. Wenn es also dem Team eines Kandidaten gelingt, die Unentschiedenen zu identifiziert, kann es seine ganze Energie auf deren Überzeugung konzentrieren, während eventuell die Konkurrenz einen Grossteil ihrer Energie auf Wähler konzentriert, deren Entscheidung bereits feststeht. Da die verfügbaren Ressourcen beschränkt sind, bedeutet die Identifikation der Unentschiedenen einen grossen Vorteil. Und genau dieser Vorteil hatte wesentlichen Anteil daran, dass Obama auch die zweite Wahl gewann. Sein Team konnte mittels Big Data die Unentschiedenen identifizieren. Sie nutzten dabei die Tatsache, dass in den USA über Personen weit mehr Informationen einfach beschaffbar sind als in Europa – u.a. Informationen zum Kaufverhalten – und überprüft en und verbesserten die Ergebnisse von Big Data mit gezielten Experimenten.

Ein Beispiel für Big Data auf dem Paragraphen ist das Suchen nach Anhaltspunkte für organisierte Kriminalität, in dem man verdächtige
Beziehungskonstellationen oder Transaktionsketten identifiziert, die auf Geldwäscherei hinweisen.

Andere Beispiele sind intelligente Suchanwendungen in der Wissenschaft und im Patentwesen, die von einem scheinbaren Paradoxon profitieren: Es ist einfacher ein Dokument in einer Menge ähnlicher Dokumente zu finden (zwischen denen Querbeziehungen existieren) als in einer Menge sehr unterschiedlicher Dokumente (die zueinander keinen Bezug haben).

Ein typisches Beispiel für exploratives Big Data ist das Suchen nach guten Produktkombinationen. Seit Langem bietet der Verkauf von Extraausstattungen im Autohandel eine lukrative Einnahmequelle. Eine Zusammenstellung von Extras kann für Kunden dadurch besonders attraktiv gemacht werden, das sie als Paket verkauft wird, wobei der Kunde beim Kauf des ganzen Pakets einiges «spart» (verglichen mit der Summe der Einzelpreise für die Extras). Um verlockende Pakete zu schnüren, ist es aber notwendig, zu wissen, welche Kombinationen von Extras für Kunden besonders attraktiv sind. Deshalb wird in Daten über Kundenpräferenzen nach Mustern gesucht, die auf attraktive Paketzusammenstellungen hinweisen. Dieses Vorgehen wird freilich nicht nur im Autohandel  praktiziert. Ganz ähnlich lassen sich so auch Produkte zusammensetzen, die am Ende teurer verkauft werden können als ihre Einzelbestandteile – nicht zuletzt im Lebensmittelhandel. Die Liste möglicher Beispiele ist lang. Wichtige Anwendungsbereiche für Big Data sind Marketing und Verkauf, Politikgestaltung (u.a. Stadtentwicklung, Sozial- und Gesundheitspolitik), öffentlichen Verwaltung (u.a. Verkehrsmanagement, in Zukunft eventuell Umgang mit Randalen), personalisierte Medizin und wissenschaftliche Forschung ganz generell. Das grosse Versprechen von Big Data ist dabei, dass schwierige und aufwendige Untersuchungen von kausalen Zusammenhängen («aus A folgt zwingend B») durch Korrelationsanalyse («A und B treten häufig gemeinsam auf») ersetzt werden können. Wobei insbesondere das klassische Big Data auf das Individuum spielt. Einzelne werden als Ziele für was auch immer ausgesucht, beziehungsweise bekommen sie personalisierte Angebote. Im Fall von personalisierten medizinischen Therapien ist der gesellschaftliche Nutzen hoch, mindestens kaum bestritten. Im Fall von personenbezogener manipulativer Werbung steht eine gesellschaftliche Bewertung von Big Data dagegen noch aus.

Das menschliche Big Data
Der Medienkünstler Peter Weibel thematisiert die Tatsache, dass wir alle in einer Big-Data-Welt leben. Tatsächlich können wir aus grossen Datenmengen relevante Information herauszufiltern und quasi eine Nadel im Heuhaufen finden – allerdings eine Nadel, an der ein Faden festgebunden ist, der uns das Finden erleichtert.

Das wichtigste Instrument für dieses menschliche Big Data ist die Nutzung von impliziten Hinweisen. Oft ist es die Summe von Details, von denen jedes für sich unbedeutend ist, die uns eine Lagebeurteilung ermöglicht – beispielsweise in der Polizeiarbeit. Wird ein ertappter Einbrecher zur Waffe greifen? Wird der Fanmarsch von Fussballfans in Gewalt ausarten? Die Antwort bestimmt den Fortgang des Geschehens. Sie lässt sich zwar nicht mit Sicherheit aus den verfügbaren Information ableiten, aber trotzdem kann sie von erfahrenen Polizisten ziemlich zuverlässig gegeben werden. Dabei kann man drei Phänomene beobachten: Erstens hängt die Zuverlässigkeit der Analyseergebnisse davon ab, dass die richtigen Informationen gesammelt werden. Zweitens wird der tatsächliche Ablauf durch Handlungen beeinflusst, die sich aus der Situationsanalyse ergeben. Teilweise haben wir es also mit selbsterfüllenden Prophezeiungen zu tun. Drittens lautet die Zielvorgabe deshalb nicht, möglichst präzise Prognosen zu generieren, sondern Geschäftsziele zu erreichen – in unserem Beispiel die Minimierung von Gewalt.

All das gilt auch für maschinelles Big Data:

  1. Es ist entscheidend, dass man die passenden Informationen besitzt. Je nach verfügbaren Informationen kann ganz Unterschiedliches beim Anwenden der Big-Data-Werkzeuge herauskommen.
  2. Big Data findet in einem dynamischen Prozess statt, in dem die Daten sich durch Handeln verändern können. Die Umsetzung beeinflusst die Richtigkeit der Prognose.
  3. Big Data ist kein Glasperlenspiel mit dem Zweck von zweckfreien Zukunftsprognosen, sondern ein Mittel zur Nutzengenerierung im jeweiligen Geschäftskontext – sei es in der Wirtschaft, privat beim Wetten oder Pokern oder in der öffentlichen Verwaltung.

Denkfehler und verlockende Fiktionen
Eine Übertragung der Echtwelterfahrung auf Big Data ist also durchaus hilfreich. Sie beinhaltet aber auch die Gefahr, dass die Small-Data-Denkfehler aus dem Alltag uns auch bei der Nutzung von maschinellem Big Data in die Quere kommen. Wer den Satz von Bayes nicht verstanden hat, der sollte mit Big Data sehr vorsichtig umgehen. Zudem gibt es mehrere gefährliche Fiktionen, vor denen
man sich unbedingt hüten sollte.

  1. Erstens sollte man sich immer bewusst sein, dass Modellannahmen das Ergebnis von Big Data entscheidend beeinflussen, auch dann, wenn wir scheinbar ganz ohne Modelle Daten analysieren. Denn schon bei der Erzeugung von Daten spielen Modelle eine entscheidende Rolle. Es gibt in dieser Hinsicht keine natürlichen Rohdaten (Rohdatenfiktion).
  2. Zweitens können auch grossen Datenmengen einen klaren Bias haben. Nur weil wir viele Daten sammeln, können wir daraus nicht ableiten, dass unsere Daten in irgendeiner Weise repräsentativ sind (Statistikfiktion).
  3. Drittens liefert Big Data nicht einfach so gute Resultate (Simplizitätsfiktion) – es verlangt mindestens mathematische, technische, fachliche und rechtliche Kompetenzen.
  4. Viertens können Ergebnisse von Big Data Analysen ohne verständliche Erklärungsmodelle für die zugrunde liegenden Zusammenhänge oft nicht sinnvoll eingesetzt werden (Korrelationsfiktion). Stellen Sie sich einen Polizeieinsatz von Wasserwerfern vor, der damit begründet wird, dass Big Data Massenunruhen prognostiziert hat – und im Nachhinein stellt sich heraus, dass eine überdurchschnittlich hohe Zahl roter Halstücher der Auslöser war.
  5. Fünftens schaffen viele Daten noch keine Transparenz (Transparenzfiktion).
  6. Sechstens ist dauerhafte Anonymisierung schwer zu garantieren (Anonymisierungsfiktion).
  7. Siebtens bringen Big Data nicht notwendigerweise Nutzen für alle (Fairnessfiktion). Wer über die Daten von anderen verfügt, kann damit viel Gewinn machen. Die Masse der Datenlieferanten bekommt zwar meist im Tausch kostenlose Online-Dienste, hat aber keinen Anteil an den Milliardengewinnen und gerät im schlimmsten Fall sogar in ein Abhängigkeitsverhältnis.
  8. Last but not least: Was die Anwendungen von Big Data in der Politik betrifft, so besitzt die Vorstellung einer Welt mit einer computergestützten Demokratie, in der Fakten eine viel grössere Rolle spielen als in unserer heutigen Demokratie, recht viel Alptraumpotenzial – gerade weil dabei komplexe Probleme mit Computern vereinfacht werden. Denn es ist zu Recht sehr umstritten, dass man hohe Komplexität durch Automatisierung kontrollieren kann (Automatisierungsfiktion). Darüber hinaus kann der Einsatz von Big Data für Zukunftsprognosen in der Politik zu einer «Geschichtsbremse» führen. Da Big Data die Zukunft nur aus der Vergangenheit ableiten kann, wird durch eine unreflektierte «gläubige» Anwendung der Raum für kreative Innovationen eingeschränkt. Das ist gerade dort, wo die nächste (prognostizierbare) Wahl wichtiger ist als der langfristige (viel weniger prognostizierbare) Erfolg, eine echte Gefahr.

Schlussfolgerung
Big Data besitzt ein gewaltiges, derzeit nur in Ansätzen abschätzbares, Nutzenpotential. Es wird die Wirtschaft, unser persönliches Leben und das Staatswesen sehr stark verändern. Ignoriert die öffentliche Verwaltung das Thema, wird sie in Zukunft ihre Aufgaben nicht mehr zufriedenstellend erfüllen können. Gleichzeitig schafft aber Big Data auch neue, grosse Gefahren für die Gesellschaft, die sich verheerend auswirken könn(t)en. Es ist deshalb Zeit, dass wir uns ernsthaft mit Big Data auseinandersetzen!

PDF erstellen

Ähnliche Beiträge

Es wurden leider keine ähnlichen Beiträge gefunden.

Ist die Digitale Stadt unmenschlich?

Die Beziehung zwischen Mensch und Technologie ist so alt wie die Menschheitsgeschichte selbst. Technische Innovationen haben zu unserem materiellen Wohlstand beigetragen und lösen immer wieder Euphorie aus. Sie verlangen von Menschen aber auch Anpassungen und stossen deshalb auch auf Widerstand. Die Digitale Revolution gilt als still, doch ihre Wirkung stellt gar das menschliche Selbstverständnis in Frage. 

Luppicini (2012) beschreibt, dass sich mit der Digitalisierung deshalb etwas Fundamentales verändert, weil wir uns als Menschen nicht mehr in einer “Auseinandersetzung mit Technologie” oder einem Prozess des “Dafür- oder Dagegen-Entscheidens” befinden. Vielmehr hebt die Digitalisierung die Dualität von Mensch und Technik auf. Die Technik wird also einerseits menschlicher, aber der Mensch ist andererseits auch immer stärker mit Technologie verwoben. Und vielleicht ist es gerade diese zunehmende Vermischung, die uns – oft auch unbewusst – herausfordert. Wie können wir in dieser hybriden Welt, in der „Wirklichkeit“ ein unscharfer Begriff geworden ist, den Kern des Mensch-Seins definieren? Was macht den Menschen aus und unterscheidet ihn von Technologie?

Im Zusammenhang mit dieser Frage ist der Begriff der menschlichen Identität zentral. Die Entwicklungspsychologie betrachtet die Identitätsbildung als einen Prozess, der sich als fortdauernde Interaktion von Person und Umwelt abspielt und normalerweise im frühen bis mittleren Erwachsenenalter eine gewisse Stabilität erreicht hat. Mit dem Begriff der „Digital Natives“ wird angedeutet, dass digitale Technologien für jüngere Generationen bereits fester Bestandteil der Identitätsbildung sind. Damit wird aber auch gesagt, dass dies für ältere Menschen nicht gilt- sie wurden noch weit stärker von einer analogen Umwelt geprägt und nehmen digitale Technologien in der Regel nicht als Teil ihrer Identität sondern durchaus noch als ein Gegenüber wahr, zu dem sie eine bewusste Haltung einnehmen können und wollen. Insofern ist die Herangehensweise älterer Menschen an digitale Technologie oft eine analytischere und weniger intuitive. Die oben genannten Befürchtungen gegenüber digitaler Technologie akzentuieren sich deshalb bei älteren Menschen oft stärker als bei jüngeren.

Es ist zunehmend schwierig geworden, Erfahrungen zu sammeln, die „technologiefrei“ sind (Croon Fors, 2013). Man denke an das allgegenwärtige Phänomen der Handykameras, die es uns vermeintlich erlauben, Erlebnisse festzuhalten. Doch das, was die Einmaligkeit eines Erlebnisses ausmacht, lässt sich vorderhand nur unzureichend digitalisieren. Die Schnappschüsse bringen uns die Wirklichkeit des Erlebten nicht wirklich zurück. Und hier liegt wohl ein weiterer Quell des menschlichen Unbehagens in der digitalen Welt: Die Beobachtung, dass an die Stelle echter und oft auch sozial geteilter Erfahrung digitale Abbilder treten und dass durch diese „Stellvertretung“ etwas essenziell Menschliches verloren geht.

Hinzu kommt ein weiteres fundamentales Problem der Digitalisierung – der Mangel an Vertrauenswürdigkeit. Während uns in zwischenmenschlichen Kontakten eine Vielzahl von feinsten Antennen zur Verfügung steht, mit denen wir uns ein Urteil über die Vertrauenswürdigkeit eines Menschen bilden, bleibt dies in der digitalen Welt eine gewaltige Herausforderung. Dieses Problem wird dadurch verschärft, dass die Datenhegemonie und die damit verbundene Macht weniger globaler Unternehmen tatsächlich sehr bedenklich ist.

Die Alternative eines digitalen Abseitsstehens ist aber längst zur Illusion geworden. Dazu ist die digitale Revolution schon viel zu weit fortgeschritten. Selbst dem eingefleischtesten analogen Zeitungsleser können mittlerweile Texte begegnen, die allein das Ergebnis von Algorithmen sind (van Dalen, 2012). Um es einfacher auszudrücken: Es geht nicht um das „Ob“ sondern um das „Wie“ der Digitalisierung. Für die Stadt der Zukunft ist es deshalb entscheidend, dass die digitale Technologie auch jene Aktivitäten ermöglicht bzw. erleichtert, die unser Menschsein ausmachen. Dies wären zum Beispiel die zwischenmenschliche Begegnung, das Gespräch und das Erleben und der Ausdruck von Emotion. Zum anderen gehören zum Menschen auch Tätigkeiten, die nicht einfach rational und zweckgebunden, aber dennoch oft sehr sinnvoll sind: Nämlich Spiel, Kontemplation und künstlerisches Schaffen.

Allwinkle & Cruickshank (2011) betonen diesbezüglich den Unterschied zwischen intelligenten und smart Cities. Demnach weisen intelligente Städte zwar sehr viel Innovation vor, beziehen aber den Menschen wenig ein. Im Gegenteil: Vanolo (2013) äussert sogar die Sorge, dass die Bürger der intelligenten Stadt „ruhiggestellt“ seien, und Regierung, Verwaltung und Wirtschaft in Ruhe liessen, weil die Digitalisierung ihr Leben „bequem“ mache. Der Preis dieser Bequemlichkeit ist die unhinterfragte datengetriebene Kontrolle von Bürgerinnen und Bürgern und ein Verlust an Zugänglichkeit von Behörden und Verwaltung.

In einer Smart City jedoch, werden digitale Innovationen auch tatsächlich bürgernah umgesetzt. Eben diese Umsetzung bleibt eine grosse Aufgabe sowohl für Politik und Verwaltung als auch für die anwendungsorientierte Forschung. Die so gedachte Stadt der Zukunft überquillt nicht vor digitalen Dienstleistungen an passiv empfangende Einwohner. Sie ist vielmehr ein Ort, der die aktive Mitgestaltung der Lebenswelt von unterschiedlichsten Bürgerinnen und Bürgern fördert. In einer solchen Stadt bleibt die Digitalisierung Mittel zum – guten – Zweck.


Quellen

  • Allwinkle, S., & Cruickshank, P. (2011). Creating Smart-er Cities: An Overview. Journal of Urban Technology, 18(2), 1–16. http://www.tandfonline.com/doi/abs/10.1080/10630732.2011.601103
  • Croon Fors, A. (2013). The ontology of the subject in digitalization. In R. Luppicini (Ed.), Handbook of Research on Technoself: Identity in a Technological Society (pp. 45–63). Hershey, PA: IGI Global.
  • Luppicini, R. (2012). The Emerging Field of Technoself-Studies (TSS). In R. Luppicini (Ed.), Handbook of Research on Technoself: Identity in a Technological Society (pp. 1-25). Hershey, PA: IGI Global.
  • Van Dalen, A. (2012). The Algorithms behind the Headlines. Journalism Practice, 6 (5-6). http: //doi.org/10.1080/17512786.2012.667268
  • Vanolo, A. (2013). Smartmentality: The Smart City as Disciplinary Strategy. Urban Studies, 42098013494427. http://usj.sagepub.com/content/51/5/883
PDF erstellen

Ähnliche Beiträge

Es wurden leider keine ähnlichen Beiträge gefunden.

«Wir sind in eine Leibeigenschaft reingeschlittert»

Ernst Hafen sieht unsere digitale Identität in den Händen von Google, Facebook und Co. Ein Weg, diese Art von Leibeigenschaft aufzulösen und die Kontrolle über all seine persönlichen Daten, vor allem die Gesundheitsdaten, zu erhalten, wäre eine genossenschaftlich organisierte Datenbank.

Interview: Reinhard Riedl

Was ist Ihre Vision im Verein Daten und Gesundheit?
Wir haben als Individuen zunehmend auch eine digitale Persönlichkeit. Damit begeben wir uns in eine Art Leibeigenschaft. Wir akzeptieren mit der Nutzung beispielsweise von Google, Facebook und Twitter, dass diese Dienste Daten über uns sammeln. Das primäre Ziel des Vereins ist, die Kontrolle über alle Gesundheitsdaten zu erhalten. Es ist meine Überzeugung, dass die Leute freiwillig mitmachen und einen Beitrag dazu leisten. Habe ich zum Beispiel eine seltene Krankheit, bin ich daran interessiert, möglichst rasch eine Therapie zu finden. Dafür möchte ich mich nicht innerhalb eines Gesundheitssystems, sondern global vernetzen können. Die Individuen könnten dadurch selbstständig Treiberinnen und Treiber einer personalisierten Gesundheit werden beziehungsweise
dieser persönlichen Datenökonomie, die entsteht.

Können Sie das Ziel einer personalisierten Gesundheit beziehungsweise einer personalisierten Medizin näher umschreiben?
Personalisierte Medizin heisst, dass wir alle unterschiedlich sind. Heute kennt man zunehmend die molekularen Grundlagen, die für diese unterschiedlichen Empfindlichkeiten verantwortlich sind. Sie können das mit einem Buch vergleichen: Wäre jeder tausendste Buchstabe ein Druckfehler, würde das den Sinn des Buchs nicht verändern. Aber im Erbgut sind diese kleinen Unterschiede verantwortlich für unser Aussehen und für die Empfindlichkeit für Krankheiten oder für die Reaktionen auf Medikamente. Wir sind am Anfang einer Revolution in der personalisierten Medizin. Wenn wir weiterkommen wollen, müssen wir alle Daten erheben, die wir heute können. Einerseits durch Genomanalysen, auf der anderen Seite aber auch über Mobile Health Apps, die alle möglichen Gesundheitsparameter über das ganze Leben aufzeichnen. Um wirklich genaue Voraussagen machen zu können, sind die Daten von Millionen von Leuten nötig. Es ist ein Big-Data-Problem, dass man nicht anhand einzelner Gensequenzen analysieren kann, sondern nach Mustern suchen muss, die aus diesen Datensätzen herauskommen.

Es gibt die These, dass die sozialen Lebensumstände einen Einfluss auf unsere Krankheitsrisiken haben. Bräuchte man nicht zusätzlich die Daten über das Leben, die digitale Identität?
Da haben Sie recht. Wie viel ich mich bewege, wie viel ich Auto fahre, wo ich lebe, welche Reisen ich mache, all das sind natürlich Sachen, die unsere Gesundheit beeinflussen. Da sind die Daten zentral, die wir zusehends über Mobile-Health-Technologien aufnehmen können. Ich weise auch immer gerne darauf hin, dass Google wahrscheinlich mehr über Ihren Gesundheitszustand weiss als Ihre Ärztin oder Ihr Arzt: welche Websites Sie anschauen, welche Tweets Sie machen, auch welche Telefongespräche Sie führen. Damit hat Google viel aggregiertere Information als Ihr Arzt, der bei Ihrer letzten Untersuchung Ihren Gesundheitszustand mit ein paar Notizen festgehalten hat. Deshalb sind all die Informationen, die Google hat, sehr relevant für die Gesundheit.


eGov_2_2014_17-_HafenErnst Hafen ist Professor am Institut für Molekulare Systembiologie und ehemaliger Präsident der ETH Zürich. Nebst seinen 26 Jahren in der akademischen Forschung, für die er mit mehreren Preisen ausgezeichnet wurde, setzte er sich aktiv für den Dialog zwischen Forschung und Gesellschaft und für die Umsetzung wissenschaftlicher Erkenntnis in kommerzielle Produkte ein. Als gelernter Genetiker hat Ernst Hafen ein starkes Interesse an der Humangenetik und an der personalisierten Medizin. Er postuliert, dass eine individuelle Kontrolle über persönliche Gesundheitsdaten einen Schlüsselfaktor für eine bessere und effektive Gesundheitsversorgung darstellt. Im Jahr 2012 gründete er den Verein Daten und Gesundheit. Dieser beabsichtigt, die Errichtung einer genossenschaftlich organisierten Gesundheitsdatenbank in der Schweiz zu fördern.


Heisst das, dass Google, Facebook und Co. mit der innovativen Nutzung unserer Daten Geld verdienen und für die anderen nichts bleibt?
Nein, ich glaube, das geht auch anders, wir haben nur noch nicht gelernt, damit umzugehen. Wir sind in eine Leibeigenschaft reingeschlittert, weil wir die Services gern nutzen, das Internet faszinierend finden und es gratis ist. Aber ich bin überzeugt, dass das nicht so weitergehen kann. Eine genossenschaftlich organisierte Datenbank, wo jeder freiwillig ein Konto eröffnen kann und dort all seine Daten sammeln und vor allem entscheiden kann, was er damit macht, ist im Prinzip die Antwort auf diese digitale Leibeigenschaft. Google kann weiterhin meine Klicks und meine Querys haben, aber ich möchte Kopien all dieser Events erhalten.

Was sind im Augenblick die grossen Herausforderungen, wenn man eine solche Genossenschaftsidee für die Schweiz realisieren will?
Die Herausforderung ist einerseits, eine Datenbank zu bauen, die so sicher ist, dass die Leute ihr vertrauen. Andererseits muss man den Leuten sagen: «Hört mal, ihr seid in dieser Leibeigenschaft. Ihr hättet eigentlich viel mehr davon, wenn ihr alle Daten auf einem Konto hättet.» Wenn wir über persönliche Daten und insbesondere Gesundheitsdaten reden, geht es oft darum, dass der Staat entscheidet, was damit gemacht wird. Aber die Wirtschaft zum Beispiel wird stimuliert, weil man mit seinem Geld machen kann, was man will. Dieses Umdenken ist bei persönlichen Daten noch nicht passiert.

Es ist schwer vorstellbar, wie so grosse Datenmengen, die viele Lebensbereiche betreffen, anonym in einer Datenbank angelegt werden können. Wie kann man mit diesem Problem erfolgreich umgehen?
Wichtig ist, dass die Daten auf den Konten nie herausgegeben werden. Es können lediglich Anfragen oder Querys für Daten gemacht werden, die Sie freigeben. Ein weiteres Ziel der Genossenschaft ist, den Bürgerinnen und Bürgern und nicht den Shareholdern zu dienen. Die Genossenschaft schaut, dass keine identifizierbaren Daten rausgegeben werden. Das Identifizieren von Daten kommt erst, wenn man mehrere Silos von Daten hat. Wenn man diese zusammenführen würde, könnte man nach und nach die betreffenden Personen identifizieren. Das kann man nie ganz vermeiden, aber man kann es minimieren.

Wie kann man Daten aus ganz unterschiedlichen Quellen zusammenführen?
Wir sind darauf angewiesen, dass wir mit den Datenprovidern zusammenarbeiten und Apps entwickeln können, die den Import dieser Daten automatisch generieren. Es bleibt eine Tatsache, dass wir eine Riesenmenge von Daten in verschiedenen Qualitäten und mit verschiedenen Standards haben. Alle Initiativen, die auf eine Top-down-Standardisierung ausgerichtet waren, sind weitgehend gescheitert. Aber erstens sind heute die Suchtechnologien so gut, dass man aus vielen strukturierten und unstrukturierten Daten viel Information bekommt. Zweitens glauben wir, dass die Leute selber einen grossen Beitrag zur Kreation ihrer eigenen Daten leisten und uns mitteilen, wenn Daten fehlerhaft sind. Das wird die Qualität erhöhen. Letztlich wird diese Genossenschaft auch über Big-Data- Analytics und Machine Learning damit beginnen können, die Daten bottom up zu standardisieren.

Was ist der Unterschied Ihrer Bestrebungen zu denjenigen von E-Health Schweiz, wie es vom Bundesamt für Gesundheit organisiert wird?
Die beiden Initiativen vom Verein Daten und Gesundheit und vom Bundesamt für Gesundheit (BAG) sind komplementär zueinander. E-Health Schweiz, wie es vom BAG organisiert wird, hat das absolut gerechtfertigte Bedürfnis, die Schnittstellenproblematik zu verbessern, sodass die Daten im schweizerischen Gesundheitssystem besser fliessen. Unsere Motivation ist das primäre Empowerment der Bürgerinnen und Bürger. E-Health Schweiz geht es um die Patientendaten, uns geht es um alle persönlichen Daten. Weiter sind wir global und nicht national aufgestellt. Es kann sein, dass es in 20 Jahren keine E-Health-Schweiz-Strategie gibt, aber dass die meisten Bürgerinnen und Bürger bereits ein Konto haben und ihrer Ärztin oder ihrem Arzt Zugang zu diesem Konto geben können.

Wo wird das Gesundheitswesen in 30 Jahren sein?
Eine pessimistische Antwort wäre, dass sich nicht viel ändern wird, weil das ganze Gesundheitssystem sehr träge ist. Ich glaube aber  nicht daran. Vor 20 Jahren hat auch noch niemand die Smartphones vorausgesagt. Um die Schnittstellenproblematik zu lösen, müssen  alle im schweizerischen Gesundheitssystem mitmachen, sonst funktioniert es nicht. Aber das Finden von effektiveren Medikamenten oder das frühzeitige Entdecken von Nebenwirkungen von Medikamenten sind globale Fragen, die nicht immer durch lokale Gesundheitssysteme gelöst werden können. Ich glaube, dass wir hier in den kommenden 30 Jahren eine Bürgerzentrierung hinbekommen. Einfach weil es heute durch digitale Daten möglich ist. Jetzt müssen wir nur noch die Awareness schaffen.

Unsere traditionelle Abschlussfrage: Wie soll der Staat der Zukunft aussehen?
Es täte der Schweiz gut, die Demokratie und den Kapitalismus zu hinterfragen. Es braucht gesetzliche Rahmenbedingungen, aber es braucht auch eine grössere Selbstbestimmung des Individuums. Wenn wir von Datenschutz sprechen, sprechen wir immer davon, dass der Staat Regeln aufstellen muss, um Daten zu schützen. Das ist ein passives Modell. Ein demokratisch aktives Modell ist die digitale Selbstbestimmung. Es sollte nicht eine staatliche Genossenschaft geben, es sollte mehrere geben, wie es mehrere Banken gibt. Solange die Daten miteinander verlinkt sind, wie sie das im Finanzbereich über SWIFT auch sind, haben wir im Prinzip die Datenökonomie geschaffen. Das gibt der Bezeichnung Demokratie nicht nur ein politisches Gewicht, sondern auch eine ökonomische selbstbestimmte Kraft, die globale Auswirkungen hat. Es täte der Schweiz gut, hier eine Vorreiterrolle zu spielen.

Herzlichen Dank für das Gespräch.

PDF erstellen

Ähnliche Beiträge

Es wurden leider keine ähnlichen Beiträge gefunden.