Advertisement

Daten – Interessen – Ontologien – oder wie Geschäftsmodelle die Wissenschaft verbiegen

Chapter
  • 1.5k Downloads
Part of the Anthropologie – Technikphilosophie – Gesellschaft book series (ATG)

Zusammenfassung

Die neuen technischen Möglichkeiten der Big-Data-Methodik erlauben es, unerwartete Strukturen und Beziehungen in Datensätzen zu finden, die aus unterschiedlichsten Zusammenhängen und Bereichen stammen können. Dies wird nicht nur aus forschungstaktischen Gründen getan, sondern um gegebenenfalls monetarisierbare Zusammenhänge zu finden, um neue Geschäftsmodelle finden zu können. Das Ergebnis einer Daten-Analyse durch die Methoden der Big-Data-Technologien kann nicht angemessen interpretiert werden, wenn die Forschungsfrage, d. h. die Frage, wonach man eigentlich sucht, nicht vorher gestellt worden ist. Deshalb braucht man ein Modell, das den untersuchten Prozess oder Gegenstandsbereich vorläufig hypothetisch erklärt, d. h. eine Kausal-Vermutung. Ein Modell, das kausale Erklärungen erlaubt, ist allemal besser als ein Modell, das nur Extrapolationen liefert. Es besteht die Tendenz, die wissenschaftliche Methodik durch bloße numerische Prozeduren zu ersetzen. Treiber dieser Entwicklung sind Geschäftsmodelle, die darauf abzielen, eine multifunktionale Verwendung von einmal erhobenen Daten in unterschiedlichsten Kontexten, sprich Ontologien, vermarkten zu können.

Literatur

  1. *um & HP – The unbelievable Machine Company & Hewlett Packard. (2015). Hadoop2 – Big Data Projekte erfolgreich realisieren. White Paper, Berlin 2014. https://www.unbelievable-machine.com/hadoop2/downloads/um-hp-whitepaper2014.pdf.
  2. Anderson, C. (2008). The end of theory. The data deluge makes the scientific method obsolete. WIRED Magazine June 23rd. http://www.wired.com/2008/06/pb-theory/.
  3. Bacon, Francis, Meditationes Sacrae. (1864). In Spedding, J. v. (Hrsg.), The works of Francis Bacon, (Bd. 14, S. 79). London, New York: Longmans & Co. (Erstveröffentlichung 1597).Google Scholar
  4. Bartelborth, T. (2016). How strong is the confirmation of a hypothesis by significant data? Journal of General Philosophy Science, 47(2016), 277–291.  https://doi.org/10.1007/s10838-016-9341-0.CrossRefGoogle Scholar
  5. Boeing, N. (2015). Wie berechenbar ist der Mensch? Technology Review 03/2015. http://www.heise.de/tr/artikel/Wie-berechenbar-ist-der-Mensch-2599601.html.
  6. Botsman, R. (2017). Big data meets big brother as China moves to rate its citizens- The Chinese government plans to launch its Social Credit System in 2020. The aim? To judge the trustworthiness – or otherwise – of its 1.3 billion residents. http://www.wired.co.uk/article/chinese-government-social-credit-score-privacy-invasion Zugegriffen: 21. Okt. 2017.
  7. Buder Han, M. (2014). Vergleich der Unternehmensethik mittelständiger Familienunternehmen in Deutschland und China. Masch. Diss., Fakultät für Mathematik, Naturwissenschaften und Informatik der Brandenburgischen Technischen Universität Cottbus – Senftenberg, 10. 04. 2014.Google Scholar
  8. Eckert, M. (2017). Daten als Wirtschaftsgut – Wem gehören digitale Daten? www.mme.ch.
  9. Gaycken, S. L. S. (2010). Technisches Wissen – Denken im Dienste des Handelns. Münster: LIT.Google Scholar
  10. Glaser, P. (2017). Die Verwandlung der Utopie in Waffenideologie. NZZ Online vom 27.12.2017. https://www.nzz.ch/meinung/die-verwandlung-der-utopie-in-waffentechnologie-ld.1339796. Druckversion: NZZ vom 27.12.2017, S. 8.
  11. Grzanna, M. (02. Juli 2015). Der Orwell’sche Bürger. Technology Review. http://www.heise.de/tr/artikel/Der-Orwell-sche-Buerger-2663947.html.
  12. Gumbrecht, H.-U. (12. Marz 2014). Das Denken muss nun auch den Daten folgen. Frankfurter Allgemeine Zeitung, Feuilleton. http://www.faz.net/aktuell/feuilleton/geisteswissenschaften/neue-serie-das-digitale-denken-das-denken-muss-nun-auch-den-daten-folgen-12840532.html.
  13. Hofstetter, Y. (2014). Sie wissen alles – Wie intelligente Maschinen in unser Leben eindringen und warum wir für unsere Freiheit kämpfen müssen. Gütersloh: Bertelsmann.Google Scholar
  14. ISO/IEC (2015). Information technology – Vocabulary. https://www.iso.org/obp/ui/#iso:std:iso-iec:2382:ed-1:v1:en.
  15. Kant, I. (1956). Kritik der Reinen Vernunft. Hamburg: Meiner.Google Scholar
  16. Keller, U., & Kluge, S. (1999). Vom Einzelfall zum Typus – Fallvergleich und Fallkontrastierung in der qualitativen Sozialforschung. Opladen: Leske + Budrich.CrossRefGoogle Scholar
  17. Klir, G. J. (1976). Identification of generative structures in empirical data. International Journal of General Systems, 3, 89–104.CrossRefGoogle Scholar
  18. Klir, G. J. (1985). The architecture of systems problem solving. New York: Plenum.CrossRefGoogle Scholar
  19. Klir, G. J., Pitarelli, M., Mariano, M., & Kornwachs, K. (1988). The potentiality of reconstructability analysis for production research. International Journal for Production Research, 26, 629–645.CrossRefGoogle Scholar
  20. Kornwachs, K. (1999). Von der Information zum Wissen? In D. Ganten, et al. (Hrsg.), Gene, Neurone, Qubits & Co. Unsere Welten der Information/Forschung-Technik-Mensch. Verhandlungen der Gesellschaft Deutscher Naturforscher und Ärzte, 120. Versammlung, Berlin, 19.–22. September 1998 (S. 35–44). Stuttgart: Hirzel.Google Scholar
  21. Kornwachs, K. (2001). Data - Information - Knowledge - A Trial for Technological Enlightenment. In G. Banse, C. J. Langenbach, & P. Machleidt (Hrsg.), Toward the information society – The case of central and eastern European countries. Wissenschaftsethik und Technikfolgenbeurteilung (Bd. 9, S. 109–123). Heidelberg: Springer.Google Scholar
  22. Kornwachs, K. (2012). Strukturen technologischen Wissens. Analytische Studien zu einer Wissenschaftstheorie der Technik. Berlin: Edition Sigma. Baden-Baden: Nomos.CrossRefGoogle Scholar
  23. Kornwachs, K. (2015). Short reports and impressions on the 3rd Sino-German i-City Workshop, Oct 29–30, 2014, Wuhan, China; submitted to the National Academy of Science and Engineering (acatech), Berlin, March 2015.Google Scholar
  24. Kornwachs, K. (2016). Our Thinking – Must it be aligned to the given data? In M. Ott, W. Pietsch, & J. Wernecke (Hrsg.), Berechenbarkeit der Welt? Philosophie und Wissenschaft in der komplexen Welt von Big Data. Festschrift für Klaus Mainzer (S. 107–128). Wiesbaden: Springer VS.Google Scholar
  25. Kornwachs, K. (2018). Arbeit 4.0 – People Analytics – Führungsinformationssysteme: Soziologische, psychologische, wissenschaftsphilosophisch –ethische Überlegungen zum Einsatz von Big Data in Personalmanagement und Personalführung. Gutachten für die Universität Münster, Vergabenummer 2017_59_BS. Büro für Kultur und Technik, Argenbühl-Eglofs, 28. Februar 2018.Google Scholar
  26. Kornwachs, K., et al. (2013). Technikwissenschaften. Erkennen – Gestalten – Verantworten. In: acatech (Hrsg.), acatech IMPULS. Berlin: Springer. http://www.acatech.de/de/publikationen/impuls.html. In English: Technological Sciences. Discovery – Design – Responsibility (2014). http://www.acatech.de/de/publikationen/impuls/acatech-impuls/detail/artikel/technological-science-discovery-design-responsibility.html.
  27. Kühnreich, K. (2014). Die äußere Harmonisierung des inneren Aufstands – „Harmonische Gesellschaft“ und „Massenzwischenfälle“. Magisterarbeit Universität zu Köln, Philosophische Fakultät, Studiengang Politikwissenschaften vom 13. 08. 2014.Google Scholar
  28. Kühnreich, K. (2017). Chinas Social Credit System – Volle Kontrolle. Interview mit Angela Gruber. In Spiegel Online http://www.spiegel.de/netzwelt/netzpolitik/china-social-credit-system-ein-punktekonto-sie-alle-zu-kontrollieren-a-1185313.html.
  29. Lütge, G. (2014). Schnüffeln verboten – Facebook, Google, Apple: Ignorieren sie den Datenschutz? DIE ZEIT, 19, 22.Google Scholar
  30. Mainzer, K. (2014). Die Berechnung der Welt – Von der Weltformel zu Big Data. München: Beck.CrossRefGoogle Scholar
  31. Mattern, F. (Hrsg.). (2008). Wie arbeiten Suchmaschinen von Morgen? Acatech diskutiert. Stuttgart: Fraunhofer IRB.Google Scholar
  32. Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work and think. London: John Murray.Google Scholar
  33. Mortensen, C. D. (Hrsg.). (2008). Communication theory (2. Aufl.). New Brunswick: Transaction Publ.Google Scholar
  34. Nägele, R. M. (2017). Ein Verfahren zur technisch-induzierten Gestaltung von Geschäftsmodellen. Schriftenreihe zu Arbeitswissenschaft und Technologiemanagement. Stuttgart: Fraunhofer.Google Scholar
  35. Neumann, W. L. (2005). Social research methods: Qualitative and quantitative approaches. Boston: Allyn & Bacon.Google Scholar
  36. Norvig, P. (2008). All we want are the facts, ma’m. In: http://norvig.com/fact-check.html.
  37. Obama, B. (2014). Remarks on the administration’s review of signals intelligence from January 17, 2014. http://www.whitehouse.gov/the-pressoffice/2014/01/17/remarks-president-review-signals-intelligence.
  38. Palace, B. (1996). Data mining. Technology note prepared for management, 274A. Anderson Graduate School of Management at University of California, Los Angeles (UCLA) Spring 1996. http://www.anderson.ucla.edu/faculty/jason.frand/teacher/technologies/palace/datamining.htm.
  39. Papst Franziskus (2015). Encyclica „Laudato Si“ – Über die Sorge für das gemeinsame Haus. Rom: Libereria Editrice Vaticana vom 24. Mai 2015. http://w2.vatican.va/content/francesco/de/encyclicals/documents/papa-francesco_20150524_enciclica-laudato-si.html.
  40. Pietsch, W., & Wernecke, J. (2017). Zehn Thesen zu Big Data und Berechenbarkeit. In Wolfgang Pietsch, Jörg Wernecke, & Maximilian Ott (Hrsg.), Berechenbarkeit der Welt? Philosophie und Wissenschaft im Zeitalter von Big Data (S. 13–32). Wiesbaden: Springer VS.Google Scholar
  41. Podesta, J. et al. (2014). Big data: Seizing opportunities, preserving Values. Executive office of the President. White House: Washington. http://www.whitehouse.gov/sites/default/files/docs/big_data_privacy_report_may_1_2014.pdf.
  42. Poser, H. (2017). Homo creator – Technik als philosophische Herausforderung. Wiesbaden: Springer VS.Google Scholar
  43. Rappa, M. (2010). Business models on the web. http://digitalenterprise.org/models/models.html.
  44. Rauner, M. (2006). Die Merkels von nebenan. ZEIT Wissen, 4, 36–41.Google Scholar
  45. Reuter, M. (2017). Wired über Chinas Social Credit System: Big Data meets Big Brother. https://netzpolitik.org/2017/wired-ueber-chinas-social-credit-system-big-data-meets-big-brother/. Zugegriffen: 23. 10. 2017.
  46. Schallmo, D. (2013). Geschäftsmodell-Innovation. Grundlagen, bestehende Ansätze, methodisches Vorgehen und B2B-Geschäftsmodelle. Wiesbaden: Springer Gabler.Google Scholar
  47. Schulzki-Hadouti, Chr. (2015). Behauptete Sicherheiten. VDI Nachrichten, 29(30), 11.Google Scholar
  48. Stähler, P. (2001). Geschäftsmodelle in der digitalen Ökonomie. Eul: Köln.Google Scholar
  49. Stehr, N., & Adolf, M. (2015). Ist Wissen Macht? Erkenntnisse über Wissen. Velbrück: Weilerswist.Google Scholar
  50. Stolz, M., & Block, J. (2012). Deutschlandkarte – 102 neue Wahrheiten. München: Knaur.Google Scholar
  51. Tal, E. (2015). Measurement science. In Edward N. Zalta (Hrsg.), The stanford encyclopedia of philosophy (Summer Aufl.,). http://plato.stanford.edu/archives/sum2015/entries/measurement-science/.
  52. Techopedia. (2015). What is the difference between big data and data mining? http://www.techopedia.com/7/29678/technology-trends/what-is-the-difference-between-big-data-and-data-mining.
  53. Vigen, T. (2015). Spurious Correlations. Hachette Books. www.tylervigen.com/spurious-correlations.
  54. Wirtz, B. W. (2013). Business Model Management. Design, Instrumente, Erfolgsfaktoren von Geschäftsmodellen (3. Aufl.). Wiesbaden: Gabler.Google Scholar
  55. Witten, I. H., Frank, E., & Hall, M. A. (2011). Data mining: Practical machine learning tools and techniques (3. Aufl.). Burlington: Morgan Kaufmann.Google Scholar
  56. Yin, R. K. (2003). Case study research – Design and methods. Thousand Oaks: Sage.Google Scholar
  57. Zwick, M. (2004). An Overview of Reconstructability Analysis. Kybernetes, 33, 877–905.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020

Authors and Affiliations

  1. 1.ArgenbühlDeutschland

Personalised recommendations