Sammelbegriff für technische Verfahren zur Erfassung, Speicherung und Analyse vielfältiger und sehr großer digitaler Datenmengen. Verweist außerdem auf utopische sowie dystopische Rhetoriken zur Auswertung großer Datensätze.

Dieser Artikel verweist auf folgende weitere Beiträge:

Algorithmisches Denken (Medienbildung), Algorithmus (Medienwissenschaft), Critical (Big) Data Literacy (Medienbildung), Data Literacy (Medienbildung), Daten (Medienwissenschaft), Datenschutz (Rechtswissenschaft), Datensouveränität, Informationelle Selbstbestimmung (Rechtswissenschaft), Mediale Kontrolle (Medienwissenschaft), Netzwerk (Medienwissenschaft), Personenbezogene Daten (Rechtswissenschaft), Transparenz (Rechtswissenschaft)

Was bezeichnet dieser Begriff?

Bei Big Data handelt es sich um einen Sammelbegriff, der ein breites Feld an methodischen sowie technologischen Verfahren umfasst, deren Zweck in der Erfassung, Speicherung und Analyse von Daten liegt. Emmanuel Isitor und Clare Stanier bezeichnen Big Data als "umbrella term"^[1], der sich nicht auf eine einzelne Theorie oder Technologie bezieht, sondern auch den technologischen Wandel in seiner Umgebung berücksichtigt. Der Deutsche Ethikrat legte 2017 folgende Arbeitsdefinition zugrunde: „Big Data ist der Umgang mit großen Datenmengen, der darauf abzielt, Muster zu erkennen und daraus neue Einsichten zu gewinnen, und der hierzu angesichts der Fülle und Vielfalt der Daten sowie der Geschwindigkeit, mit der sie erfasst, analysiert und neu verknüpft werden, innovative, kontinuierlich weiterentwickelte informationstechnologische Ansätze nutzt.”^[2]

Die Erfassung von Big Data setzt digitale Massen-Speichermedien und Algorithmen voraus, deren Funktion darin besteht, Datensätze zu sammeln, zu verwahren, zu erweitern, zu vergleichen und zu analysieren. Zu dieser Kategorie zählen ebenso die Phänomene des Data-Mining sowie Data-Farming. Die Metaphorik von Data-Mining leitet sich nach Florian Püschel aus einem "quasi-materielle[n] Verständnis von Daten"^[3] ab. Daten seien demnach als Rohstoff zu betrachten, der innerhalb der Welt erfasst und mithilfe von entsprechenden Technologien abgebaut werden könne. Data-Farming knüpfe hingegen an die Vorstellung an, dass Daten erst durch die Erfassung von (Inter-)Aktion und Handlung generiert werden.^[4] Die metaphorische 'Ernte' ergebe sich demzufolge aus dem Erstellen, Erfassen und Sammeln von Daten. Aus der Zusammenstellung von Big Data-Beständen ergibt sich deren Auswertung, um konkrete Muster zu erkennen und Entscheidungsprozesse zu leiten. Dieses Vorgehen wird unter dem Begriff der sogenannten Big Data Analytics zusammengefasst.

Nach Mayer-Schönberger geht es bei Big Data „nicht um die absolute Zahl an Daten”, sondern um die Vorgehensweise, relativ zum Phänomen bzw. zur Frage, die beantwortet werden soll, „deutlich mehr Daten” zu sammeln und auszuwerten^[5]. Die Möglichkeit, aus gesammelten Datenmassen bislang unerkannte Muster und statistische Korrelationen als Antworten zu erzeugen, führte zu einer Diskussion über das Verhältnis zwischen datengetriebener und theoriegeleiteter Erkenntnisgewinnung, die im Ergebnis eher zu einem komplementären Verhältnis führte: Die Arbeit an der Theorie gilt als nicht beendet und kann nicht einfach ersetzt werden durch automatisch erzeugte Korrelationen^[6], sondern wird bereichert durch algorithmengestützte Suche nach Mustern, die dann theoriegeleitet weiterbearbeitet werden können^[7]. Dabei findet Big Data Analytics unter neuen epistemischen Rahmenbedingungen statt: “In automatisierten Prozessen kann somit Wissen generiert werden, welches dem Menschen grundsätzlich nicht mehr zugänglich ist".^[8] Dieses im Ergebnis unzugängliche, generierte Wissen stellt eine besondere Herausforderung für die Verständlichkeit und Nachvollziehbarkeit datenanalysierender Prozesse, und damit für die Förderung von Critical (Big) Data Literacy dar.

Des Weiteren werden soziale, kulturelle, wirtschaftliche sowie akademische Phänomene mit Big Data verknüpft. Demnach beschränken sich die Wirkungsfelder von Big Data nicht auf technologische Aspekte. Laut danah boyd und Kate Crawford herrscht im gesellschaftlichen Diskurs um Big Data eine "utopische sowie dystopische Rhetorik", die aus einer Interaktion zwischen Technologie, Analyse und Mythologie hervorgeht.^[9] Neben der technologischen Leistungssteigerung von Computern und dem Sammeln, Analysieren, Verlinken und Vergleichen von Datensätzen werden analytische sowie mythologisierende Vorgänge fokussiert. Als Ergebnis der Analyse werden Datensätze gedeutet, um allgemeine Aussagen über die Wirtschaft, Gesellschaft, Technik sowie das Rechtssystem zu treffen. Die Mythologie ergebe sich aus der Vorstellung, dass sich aus größeren Datensätzen Formen höherer Intelligenz herleiten lassen. Die Autorinnen definieren Big Data entsprechend als soziotechnisches Phänomen, dessen konkrete Wirkungen oftmals von den Prinzipien der Hoffnung oder Furcht überdeckt werden.

Woher kommt der Begriff?

Jonathan Stuart Ward und Adam Baker vergleichen einige der sehr verschiedenen Definitionsversuche, um im Anschluss eine zusammenhängende Begriffsbestimmung von Big Data vorzunehmen^[10], die jeweils auf der Vorgeschichte des positivistischen Datenbegriffs überhaupt aufbauen.

Durch die Verwendung des Begriffs im wirtschaftlichen Kontext, unter anderem durch den Computerwissenschaftler John Mashey, fand Big Data zunehmend Einzug in den akademischen Diskurs. Die Computerwissenschaftler Sholom M. Weiss und Nitin Indurkhya sowie der Statistiker Francis X. Diebold legten dabei in den 1990er Jahren den Grundstein für eine akademische Begriffsrezeption.^[11]

Seit dem Ende des 20. Jahrhunderts werden Entscheidungsprozesse immer stärker durch systematische Analyseverfahren und damit verbundene data warehouses unterstützt. Mithilfe komplexer Algorithmen werden Daten erhoben, aggregiert und verdichtet sowie einer Analyse zugänglich gemacht.^[12] Auf diese Weise werden Mitteilung und Verstehen entkoppelt und führen neben einem Überschuss an Beobachtungsmöglichkeiten auch zu einem Vertrauensproblem. Im Zeitalter der elektronischen Datenverarbeitung lässt sich dieses nicht mehr personalisieren beziehungsweise sozial einholen.^[13]

Der gesellschaftliche Diskurs rund um Big Data bewegt sich zwischen einem utopischen Versprechen von Allwissenheit und einem dystopischen Zukunftsentwurf eines sozialkybernetischen Albtraums.^[14] Diskursiv ist Big Data eng mit dem Begriff des Big Brother verbunden. Dieser findet seinen Ursprung in George Orwells Roman 1984 aus dem Jahr 1949. Darin wird die Angst vor einer totalen Kontrolle über Individuen verdeutlicht.^[15]

In der Bundesrepublik wurde der Begriff erstmalig im Kontext der Volkszählung 1983 diskutiert.^[16] Seitdem sind digitale Daten besonders im massenmedialen Diskurs eng mit Phänomenen wie Überwachung, mediale Kontrolle und Datenschutz verbunden: Man fürchtet eine "Kontrollgesellschaft zweiter Ordnung" beziehungsweise eine "lückenlose Archivierung jeglicher Lebensäußerungen."^[17]

Wonach muss ich fragen?

• Welche neuen Möglichkeiten ergeben sich durch Big Data? Wie werden Daten dadurch aussagekräftiger und vorhersagekräftiger als zuvor? Lässt sich noch absehen, welche Schlussfolgerungen aus Daten gezogen werden können?
• Wie werden Daten erhoben? Kann ich über meine personenbezogenen Daten und deren Verwendung bestimmen? Wie wirkt sich das auf meine Datensouveränität aus?
• Welche Personen und Instanzen kontrollieren Big Data-Verfahren?
• Wie verändert Big Data soziale Beziehungen?
• Utopie: Können wir mit Hilfe von Big Data eine bessere Welt schaffen? Können wir Probleme wie Krankheiten, Epidemien, Terrorismus und Klimawandel mit Hilfe von Big Data bekämpfen - und sollte ich deshalb etwa meine medizinischen Daten offenlegen?^[18]
• Dystopie: Schafft Big Data Überwachung und Einschränkungen in der persönlichen Freiheit/Privatsphäre?^[19]
• Welche Daten werden gemessen und warum genau diese und nicht andere? Sind sie für die Fragestellungen aussagekräftig, die sie bearbeiten sollen?^[20]
• Wer interpretiert die Daten und wie werden sie interpretiert?^[21]
• Wie definiere ich Daten? Wo ziehe ich die Grenze? Welche (Nicht-)Handlungen werte ich als Daten aus und welche nicht? Wann generiere ich Daten?^[22]

Datenkritische Praxis nach Dander^[23]

• "In welcher Weise bringen Daten Subjektivitäten hervor? An welchen Stellen werden diese wahrnehmbar, wo bleiben sie unsichtbar?"
• "Wo und wie interferieren Daten mit alltäglichem Handeln und lebensweltlichen Zusammenhängen? Welche Daten produzieren einzelne Personen und welche Daten werden über sie generiert? Lassen sich Rezeptionssituationen von ‚rohen‘ oder ‚raffinierten‘ Daten/-sätzen entdecken und wie gestalten sich diese - Situationen wie auch Daten?"
• "Welche Problemlagen, abstrakte oder konkrete Handlungsentscheidungen und Machteffekte lassen sich in Bezug auf Daten identifizieren, und wie sind diese zu bewerten? Welche sinnvollen und letztlich guten – in aller Unbestimmtheit des Wortes – Konsequenzen können daraus für individuelle Handlungen abgeleitet werden?"

Wann ist das wichtig?

Big Data ist in fast allen Bereichen unserer digitalen Gesellschaft allgegenwärtig. Durch die digitale Methode der Datensammlung werden neue Erkenntnisse gewonnen und angewendet, um Unternehmensziele zu erreichen und neue zukunftsweisende Entwicklungen zu erkennen (siehe auch Data Literacy). Die klassische Anwendung findet in den sozialen Netzwerken und bei Suchmaschinen statt. Sie nutzen die Datensammlung, um zielgerichtete Werbung schalten zu können. Andere Beispiele finden sich auch in den Bereichen der Politik, Wirtschaft und Wissenschaft, im Finanz- und Energiesektor und im Gesundheitswesen, aber auch im privaten Bereich. Der Diskurs wird häufig von einzelnen skandalisierten Fällen des politischen Umgangs mit Big Data geprägt. Dies umfasst beispielsweise die Aufdeckung massiver Überwachung der NSA im Jahr 2013^[24] und die gezielte Manipulation durch Verbreitung von Falschinformationen im Rahmen der US-amerikanischen Präsidentschaftswahl im Jahr 2016^[25]. Das zur Überwachung der Bürger_innen eingesetzte Social Credit System in der Volksrepublik China^[26] wird teils zur Projektionsfläche verschiedener utopischer und dystopischer Entwürfe und westlicher Aushandlungen.^[27]

Entsprechend werden mit Big Data-Verfahren Hoffnungen und Ängste verbunden. Zu den Hoffnungen zählen etwa die folgenden Beispiele:^[28]

• Bessere Auswertungen bei der Terrorismusbekämpfung und Kriminalistik
• Eine aktive und handlungsorientierte Form des Lernens mit und über Medien und Daten in der Medienpädagogik (Open Government Data, OGD)
• Zeitnahe Auswertung von Webstatistiken und Anpassung von Onlinewerbemaßnahmen
• Entdeckung von Unregelmäßigkeiten bei Finanztransaktionen (Fraud-Detection)
• Einführung und Optimierung einer intelligenten Energieverbrauchssteuerung (Smart Metering)
• Erkennen von Zusammenhängen in der medizinischen Diagnostik
• Geheimdienstliches Erstellen von Bewegungsprofilen mit Programmen wie Boundless Informant
• Datenzugriff und ‑analyse auf raumzeitliche Rasterdaten in Wissenschaft und Industrie, beispielsweise nach dem Open-Geospatial-Consortium-Standard Web Coverage Service
• Vorhersage von Epidemien
• Verbesserungen der Arbeitsbedingungen für Mitarbeiter, etwa die Reduzierung von Burnout Raten durch datenbasierte Change Projekte
• Auffinden von Fachkräften durch datengestützte Webanalysen
• Verarbeitung von Daten aus Wettersatelliten und anderen naturwissenschaftlich eingesetzten Sensoren

Kritiker_innen warnen davor, dass Big Data zur Überwachung und zum Eingriff in Persönlichkeitsrechte genutzt werden und dessen Verwendung zu Intransparenz führen kann. Gapski verweist hier auf die Wichtigkeit einer ethisch-moralischen sowie diskursiven Dimension, die neben Big Data Geltung behalten muss: „Nicht nur das Zählen, sondern auch das Erzählen, nicht nur das Messen, sondern auch das Ermessen, das angemessene Urteil und das rechte Maß sind von grundlegender Bedeutung für unser Verhältnis zur Welt und zum eigenen Selbst.“^[29]

Einige neue Paradigmen in der politischen Diskussion sind laut Horst Müller-Peters:^[30]

• freiwillige Datenethik statt strikte Regulierung der Unternehmen
• Open-Data und statistische Auswertung
• Datensicherheit (für Unternehmen und im privaten Bereich)
• Datensouveränität statt Datenschutz, Forderung nach Transparenz, Fairness, Neutralität und Vertrauen
• Daten als persönliches Eigentum

Wie wird der Begriff erfasst/festgestellt?

Zur näheren Beschreibung von Big Data werden oft die so genannten 'V-Begriffe' eingesetzt, die der IT-Wissenschaftler Doug Laney für das Management von Daten - zunächst allerdings ohne Verweis auf Big Data - vorgeschlagen hat.^[31] Demnach zeichne sich Big Data durch die Eigenschaften Volume, Velocity und Variety aus.^[32] Volume beschreibt die Menge der erfassten Datensätze, deren Bearbeitung durch externe Programme und Systeme simultan vorgenommen wird. Sabine Horvath betont darüber hinaus den unbegrenzten, vermeintlich infiniten Aspekt des Volumens, das "beliebig erweiterbar"^[33] sei. Velocity bezeichnet die Geschwindigkeit der Analyse von Daten in Echtzeit, aus der wiederum neue Datensätze generiert werden. Schließlich verweist Variety auf das unstrukturierte Wesen der Daten, die sich aus unterschiedlichen medialen Formaten (etwa aus Text-, Bild-, Audio-, Videoformaten und so weiter) zusammensetzen. Je nach Autor_in und Disziplin werden diese Charakteristika erweitert, ergänzt oder umgedeutet.

Welche Bildungsprojekte gibt es dazu?

• DataBasic vermittelt auf spielerische Weise Konzepte zum Umgang mit Daten. Die Seite ist in mehreren Sprachen aufrufbar. Erstellt wurde DataBasic durch das MIT Center for Civic Media und Engagement Lab: https://databasic.io/en/.
• Das Unternehmen DataKind initiiert Partnerschaften zwischen Wissenschaftler_innen, IT-Expert_innen und Unternehmen. Ziel ist es, interdisziplinäres Verständnis zu schaffen und mögliche Wirkungen von datengesteuerten Entscheidungen einzuschätzen: https://www.datakind.org/.
• Das Netzwerk School of Data bietet auf seiner Website Online- sowie Offline-Kurse zum Aufbau von Data-Literacy an. School of Data versucht, Wissenslücken im Umgang mit Big Data und Daten per se zu schließen: https://schoolofdata.org/.

Weiterführende Literatur

• Anderson, Chris. 2013. "Das Ende der Theorie. Die Datenschwemme macht wissenschaftliche Methoden obsolet." In Big Data. Das neue Versprechen der Allwissenheit, herausgegeben von Heinrich Geiselberger und Tobias Moorstedt, 124-130. Berlin: Suhrkamp.
• boyd, danah und Kate Crawford. 2013. "Big Data als kulturelles, technologisches und wissenschaftliches Phänomen. Sechs Provokationen". In Big Data. Das neue Versprechen der Allwissenheit, herausgegeben von Heinrich Geiselberger und Tobias Moorstedt, 187-218. Berlin: Suhrkamp.
• D’Ignazio, Catherine und Rahul Bhargava. 2015. "Approaches to Building Big Data Literacy". In Bloomberg Data for Good Exchange Conference. 28.09.2015. New York, USA.
• Gapski, Harald; Tekster, Thomas und Monika Elias. 2018. Bildung für und über Big Data. Gutachten im Rahmen von ABIDA. Marl: Grimme-Institut.
• Horvath, Sabine. 2013. "Aktueller Begriff – Big Data." Wissenschaftliche Dienste. Deutscher Bundestag 37 (13). https://www.bundestag.de/resource/blob/194790/c44371b1c740987a7f6fa74c06f518c8/Big_Data-data.pdf.
• Isitor, Emmanuel und Clare Stanier. 2016. "Defining Big Data." In BDAW 2016. Proceedings of the International Conference on Big Data and Advanced Wireless Technologies, herausgegeben von Djallel Eddine Boubiche, Hani Hamdan und Ahcéne Bounceur, 1-6. New York: ACM. https://doi.org/10.1145/3010089.3010090.
• Knorre, Susanne et al. 2020. Die Big-Data-Debatte. Chancen und Risiken der digital vernetzten Gesellschaft. Wiesbaden: Springer Gabler.
• Pietsch, Wolfgang und Jörg Wernecke. 2017. "Einführung: Zehn Thesen zu Big Data und Berechenbarkeit." In Berechenbarkeit der Welt? Philosophie und Wissenschaft im Zeitalter von Big Data, herausgegeben von Wolfgang Pietsch, Jörg Wernecke und Maximilian Ott, 13-36. Wiesbaden: Springer.
• Püschel, Florian. 2013. „Big Data und die Rückkehr des Positivismus. Zum gesellschaftlichen Umgang mit Daten.“ Mediale Kontrolle unter Beobachtung 3 (1). http://www.medialekontrolle.de/wp-content/uploads/2014/09/Pueschel-Florian-2014-03-01.pdf.
• Ritschel, Gregor und Thomas Müller. 2016. "Big Data als Theorieersatz?" Berliner Debatte Initial 27 (4): 4-11.
• Mayer-Schönberger, Viktor. 2015. "Was ist Big Data? Zur Beschleunigung des menschlichen Erkenntnisprozesses." Aus Politik und Zeitgeschichte 65 (11-12): 14-19.
• Varian, Hal R. 2014. "Beyond Big Data." Business Economics 49 (1): 27-31.
• Ward, Jonathan Stuart und Adam Baker. 2013. "Undefined By Data: A Survey of Big Data Definitions." University of St. Andrews (20. September). https://arxiv.org/abs/1309.5821.

Quellenverzeichnis

Die erste Version dieses Beitrags beruht auf studentischen Arbeiten im Rahmen des Projekts "Digitale Souveränität" am Institut für Medienrecht und Kommunikationsrecht und am Institut für Medienkultur und Theater der Universität zu Köln.

Zitiervorschlag: Glossar Digitale Souveränität. 2021. „Big Data (Medienwissenschaft).“ https://www.bigdataliteracy.net/glossar/. Zugegriffen am tt.mm.jjjj.