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.
Die wirkliche Weisheit, die aus der Reflexion, dem Dialog und der großherzigen Begegnung zwischen Personen hervorgeht, erlangt man nicht mit einer bloßen Anhäufung von Daten, die sättigend und benebelnd in einer Art geistiger Umweltverschmutzung endet.
Papst Franziskus (2015, IV, Sec 47).
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Data Mining ist ein Containerbegriff (Kofferwort) für eine Reihe von unterschiedlichen Verfahren der Datenverarbeitung wie das Auffinden von Anomalien, Faktorenanalyse, Clusterbildung, Mustererkennung, Regressionsanalyse, Datenaggregation, Visualisierung etc.; vgl. Palace (1996); Lehrbücher z. B. Witten et al. (2011).
- 2.
Siehe Techopedia (2015).
- 3.
Basierend auf dem MapReduce-Verfahren, das von Google 2004 eingeführt wurde. Hadoop ist ein in Java geschriebenes Programm, das die auf die verschiedenen Rechner verteilte Anwendung dieses Verfahrens managt.
- 4.
Analysemethoden wie Monte Carlo Methode, Exponentielle Glättung, Kalman-Filter und andere waren in der Mathematik schon bekannt, bevor die Rechnerkapazitäten heutiger Tage deren extensive und schnelle Anwendung erlaubten.
- 5.
Reconstructability Analysis benutzt sowohl mengentheoretische Modellbildung wie auch informationstheoretische Modellierung der Häufigkeitsverteilungen aller vorkommenden Systemzustände. Es ist möglich, Strukturen zwischen Variablen unterschiedlicher Kategorien, Dimensionen und Auflösungen zu finden. Für einen Überblick siehe Zwick (2004), einer der ersten Beiträge stammt von Klir (1976); siehe auch Klir (1985). Anwendungen finden sich z. B. in Klir et al. (1988).
- 6.
Peter Schaar, zit. in Rauner (2006), S. 38.
- 7.
Jede Menge sinnloser, eher erheiternder Korrelationen aus öffentlich zugänglichen Daten stellte z. B. Vigen (2015) zusammen. Manche dieser „Korrelationen“ lassen sich durch intermittierende Variablen „wegerklären“, andere wiederum nicht.
- 8.
Vgl. *um & HP (2015).
- 9.
Big-Data-Methoden umfassen Data Mining (siehe Anmerkung 4) und bisher durchaus schon bekannte Verfahren der Datenanalysen und Statistik, die algorithmisch nun so aufbereitet werden, dass ihre Programmierungen auf große, zusammengeführte (merged) Datenmengen und zahlreiche Variablen zugeschnitten sind.
- 10.
So sagt die ISO Technische Daten-Definition (2015, Sektion 2121272) Data is a „reinterpretable representation of information in a formalized manner, suitable for communication, interpretation, or processing… Data can be processed by humans or by automatic means“. Diese Definition ist insofern passend, da Daten an sich noch keine Information sind, sondern erst durch ihre Interpretation resp. Verarbeitung zur Information werden können, welche dann zu Wissen werden kann, sofern sie verstanden wird.
- 11.
Im Falle von Fragebögen verlangt das Bundesdatenschutzgesetz (BDSG) und die Datenschutzverordnung (DSGVO), dass die befragten Personen mit der Weitergabe ihrer (meist anonymisierten Daten) einverstanden sind. Daten, die sich aufgrund von Experimenten und Tests ergeben, „gehören“ nach landläufiger Meinung in der Regel dem entsprechenden Institut oder Unternehmen. Rechtlich spricht man eher davon, dass diese Institutionen Inhaber der Rechte an Daten sind.
- 12.
Besitzer von Daten sind diejenigen, die mittelbar oder unmittelbar tatsächliche Gewalt über die Daten ausüben, also auch verarbeiten und damit auswerten können. Es ist also entscheidend, wer über den Datenträger (Diskette, Speicher etc.), das Passwort, die Zugangsberechtigung etc. wie lange verfügt. Dies könnte man als technische Herrschaft über die Daten bezeichnen.
- 13.
Vgl. Eckert (2017).
- 14.
Richtig übersetzt: Denn auch die Wissenschaft selbst ist Macht. Damit meint Bacon die Wissenschaft, die eine besonderer Art und Weise der Erzeugung von Wissen ist, nicht das Wissen im platonischen Sinne. Vgl. Bacon (1597/1864), S. 79.
- 15.
- 16.
- 17.
Dies setzt zunächst voraus, dass man durch die Messeinrichtung oder Erhebungsmethode Muster im Signalangebot des Prozesses erkennen kann. Dies kann man durch die Einführung von vorab definierten Schwellwerten, Intervallen und sogenannten Masken (raum-zeitlich definierte Ausschnitten, „durch“ die man die Daten „anschaut“) erreichen. Dies gilt ganz allgemein, ob es sich um eine physikalische Messung, eine Videobeobachtung, ein Abgreifen von Maschinenzuständen oder eine soziologische oder psychologische Erfassung (Fragbogen, Interview etc.) handelt. Für die Naturwissenschaften siehe z. B. Tal (2015); in der Soziologie und den Standards der empirischen Sozialforschung siehe z. B. Neumann (2005).
- 18.
- 19.
Programm und Algorithmus werden oftmals gleichgesetzt. Das ist nicht ganz richtig: Man kann ein und denselben Algorithmus, z. B. den Gaußschen Algorithmus zur Lösung von n linearen Gleichungen auf verschieden Weise und in verschiedenen Programmiersprachen programmieren. Der Algorithmus ist das mathematisch bestimmte Verfahren, das dann ein Programm auf einer konkreten Maschine realisiert.
- 20.
Zum Beispiel formatiert, entsprechend einer Maske oder codiert durch einen endlichen Zeichensatz oder als Chart.
- 21.
Vgl. Kant, Immanuel: Kritik der Reinen Vernunft, A50/B74 ff. In: Kant (1956), S. 94 ff.
- 22.
Man unterscheidet im deutschen Recht zwischen Eigentum und Besitz: Besitzer ist derjenige, der über eine Sache tatsächlich verfügen kann, der Begriff bezeichnet ein Faktum. Eigentum an einer Sache ist hingegen ein Recht. Demnach können Signale von einem Prozess durch viele Menschen beobachtet werden und diese Aufzeichnungen können deshalb bei berechtigter Aufzeichnung von vielen besessen werden. Wenn diese Signale durch eine Anstrengung (Arbeit) des Besitzers zu Daten werden, gehen diese Daten in das Eigentum des Bearbeiters über. Durch die Bearbeitung erwirbt er Rechte als Inhaber solcher Daten. Der Eigentümer hat gewisse Rechte an Daten wie Vervielfältigung (Kopie), Verkauf, Vermietung, Gebrauchsleihe, Verpfändung, etc., Veränderung und Vernichtung der Daten, Recht, über den Zugang zu seinen digitalen Daten zu bestimmen und das Recht, über die Nutzung der digitalen Daten zu bestimmen (Datenanalyse).
- 23.
Dieser Begriff wurde durch das Bundesverfassungsgericht in seinem Urteil (sog. Volkszählungsurteil) vom 15. Dezember 1983. Aktenzeichen 1 BvR209, 269, 362, 420, 440, 484/83, eingeführt.
- 24.
Siehe Lehrbücher der Kommunikationstheorie, z. B. Mortensen (2008).
- 25.
Der Kinderbuchautor Janosch drückt diese Unterscheidung (Träger der Information, Verstehen der Information, Wissen) für die Briefausträger so aus: „Ihr dürft die Briefe nicht aufmachen, ihr dürft sie nicht lesen und dürft niemanden weitererzählen, was darin steht.“
- 26.
- 27.
Der Text ist zugänglich unter: http://eur-lex.europa.eu/eli/reg/2016/679/oj.
- 28.
Nach Otthein Herzogs Einschätzung, präsentiert vor der Deutschen Akademie für Technikwissenschaften (acatech), Themennetzwerk Informations- und Kommunikationstechnologie, Berlin, 11. November 2014. Nach dem Skandal der Datenweitergabe von Facebook-Daten an Cambridge Analytica werden im April 2018 auch in USA die ersten Stimmen laut, dass Europa in der Regulierung weiter sei als die USA und hier Nachholbedarf bestünde.
- 29.
In Bezug auf den 3rd Sino-German iCity Workshop „Smart Cities and Big Data“, 29.–30. Oktober 2014, Wuhan, China.
- 30.
Siehe Kornwachs (2015).
- 31.
Generell siehe Kühnreich (2014).
- 32.
Siehe Kühnreich (2017).
- 33.
- 34.
Siehe Grzanna (2015).
- 35.
- 36.
Mayer-Schönberger und Cukier (2013).
- 37.
In der Informatik und den Computerwissenschaften wird der Begriff „Ontologie“ dazu verwendet, alle Objekte, Eigenschaften und Relationen in einem Modell (z. B. zur Simulation) oder auch in einem Datenbanksystem bezüglich eines Gegenstandsbereichs zusammenzufassen. Der Begriff ist eng verwandt mit dem linguistischen Begriff Universe of Discourse oder dem Semantic Universe, welches das verwendete Vokabular, dessen Bedeutung und die bestehenden syntaktischen und semantischen Beziehungen zusammenfasst. Diese Bedeutung von „Ontologie“ sollte nicht mit dem Begriff der Ontologie in der Philosophie verwechselt werden, wo der Begriff sich auf die Lehre vom Sein, Seienden, den Dingen und den Modalitäten der Existenz von Entitäten bezieht.
- 38.
Dies kann in den Naturwissenschaften entweder durch Tabellen, Graphen, Differenz- oder Differenzialgleichungen, Gruppen oder Symmetrien dargestellt werden. Rekursive Gleichungen eröffnen darüber hinaus ein weites Feld, um Algorithmen rekursiv zu definieren und Modelle zu berechnen, die nicht mehr analytisch dargestellt werden können.
- 39.
- 40.
Am provokativsten siehe Anderson (2008).
- 41.
Siehe Barthelborth (2016).
- 42.
Eine eher ironisch gemeinte Sammlung von Scheinkorrelationen findet sich in Stolz, Block (2012).
- 43.
Um begriffliche Missverständnisse zu vermeiden: Auch ein Satz von Parametern eines Funktionensystems, z. B. Polynome, mit denen man einen Datensatz wiedergeben kann (z. B. im Rahmen der Methode der Kleinsten Fehlerquadrate) wird in der Literatur Modell genannt. Zur Unterscheidung wird hier von datenbasierten Modellen oder gefitteten Modellen im Gegensatz zu hypotesengeleiteten Modellen gesprochen.
- 44.
Der Titel seines Artikels in der Zeitschrift WIRED scheint programmatisch gemeint zu sein: “The End of Theory: The Data Deluge Makes the Scientific Method Obsolete”. Vgl. Anderson (2008). Die folgenden Ausführungen gehen kritisch auf diesen Artikel ein.
- 45.
- 46.
Siehe Mattern (2008).
- 47.
“… forces us to view data mathematically first and establish a context for it later”. Vgl. Anderson (2008).
- 48.
Man kann jedoch zeigen, dass man unter bestimmten Umständen immer „etwas“ finden kann. Denn wenn man mit Statistik in einer eher explorativen Weise vorgeht, gleichsam von Frage zu Frage, dann erweist sich die Fehlerwahrscheinlichkeit als kumulativ. Wenn diese methodische Bedingung nicht berücksichtigt wird, ist es immer ein Leichtes, „Effekte“ zu finden. Vgl. Kornwachs (2018), S. 82. Genau dies geschieht vergleichsweise oft, wenn man Daten unkritisch „merged“.
- 49.
Siehe Pietsch, Wernecke (2017).
- 50.
- 51.
Vgl. Anderson (2008). Übers. vom Verf.
- 52.
Vgl. Anderson (2008). Übers. Vom Verf.
- 53.
Siehe Kant: Kritik der Reinen Vernunft. B75, A 51. In: Kant (1956), S. 95.
- 54.
Vgl. Techopedia (2015). Übers. vom Verf.
- 55.
- 56.
Die deutschen Automobilfirmen sind bisher noch nicht der Trusted Computing Group (TCG) beigetreten, einer Vereinigung aller führender ICT Firmen und Fahrzeughersteller. Die TCG versucht Sicherheitsstandards für computerisierte oder auch automatisierte Fahrzeuge zu entwickeln; vgl. Schulzki-Hadouti (2015).
- 57.
- 58.
Nach Stähler (2001).
- 59.
Nach Schallmo (2013).
- 60.
Man spricht auch von Geschäftsmodellinnovationen, vgl. Schallmo (2013).
- 61.
Vgl. Kornwachs (2018).
- 62.
Literatur
*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.
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/.
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).
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.
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.
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.
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.
Eckert, M. (2017). Daten als Wirtschaftsgut – Wem gehören digitale Daten? www.mme.ch.
Gaycken, S. L. S. (2010). Technisches Wissen – Denken im Dienste des Handelns. Münster: LIT.
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.
Grzanna, M. (02. Juli 2015). Der Orwell’sche Bürger. Technology Review. http://www.heise.de/tr/artikel/Der-Orwell-sche-Buerger-2663947.html.
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.
Hofstetter, Y. (2014). Sie wissen alles – Wie intelligente Maschinen in unser Leben eindringen und warum wir für unsere Freiheit kämpfen müssen. Gütersloh: Bertelsmann.
ISO/IEC (2015). Information technology – Vocabulary. https://www.iso.org/obp/ui/#iso:std:iso-iec:2382:ed-1:v1:en.
Kant, I. (1956). Kritik der Reinen Vernunft. Hamburg: Meiner.
Keller, U., & Kluge, S. (1999). Vom Einzelfall zum Typus – Fallvergleich und Fallkontrastierung in der qualitativen Sozialforschung. Opladen: Leske + Budrich.
Klir, G. J. (1976). Identification of generative structures in empirical data. International Journal of General Systems, 3, 89–104.
Klir, G. J. (1985). The architecture of systems problem solving. New York: Plenum.
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.
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.
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.
Kornwachs, K. (2012). Strukturen technologischen Wissens. Analytische Studien zu einer Wissenschaftstheorie der Technik. Berlin: Edition Sigma. Baden-Baden: Nomos.
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.
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.
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.
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.
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.
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.
Lütge, G. (2014). Schnüffeln verboten – Facebook, Google, Apple: Ignorieren sie den Datenschutz? DIE ZEIT, 19, 22.
Mainzer, K. (2014). Die Berechnung der Welt – Von der Weltformel zu Big Data. München: Beck.
Mattern, F. (Hrsg.). (2008). Wie arbeiten Suchmaschinen von Morgen? Acatech diskutiert. Stuttgart: Fraunhofer IRB.
Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work and think. London: John Murray.
Mortensen, C. D. (Hrsg.). (2008). Communication theory (2. Aufl.). New Brunswick: Transaction Publ.
Nägele, R. M. (2017). Ein Verfahren zur technisch-induzierten Gestaltung von Geschäftsmodellen. Schriftenreihe zu Arbeitswissenschaft und Technologiemanagement. Stuttgart: Fraunhofer.
Neumann, W. L. (2005). Social research methods: Qualitative and quantitative approaches. Boston: Allyn & Bacon.
Norvig, P. (2008). All we want are the facts, ma’m. In: http://norvig.com/fact-check.html.
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.
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.
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.
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.
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.
Poser, H. (2017). Homo creator – Technik als philosophische Herausforderung. Wiesbaden: Springer VS.
Rappa, M. (2010). Business models on the web. http://digitalenterprise.org/models/models.html.
Rauner, M. (2006). Die Merkels von nebenan. ZEIT Wissen, 4, 36–41.
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.
Schallmo, D. (2013). Geschäftsmodell-Innovation. Grundlagen, bestehende Ansätze, methodisches Vorgehen und B2B-Geschäftsmodelle. Wiesbaden: Springer Gabler.
Schulzki-Hadouti, Chr. (2015). Behauptete Sicherheiten. VDI Nachrichten, 29(30), 11.
Stähler, P. (2001). Geschäftsmodelle in der digitalen Ökonomie. Eul: Köln.
Stehr, N., & Adolf, M. (2015). Ist Wissen Macht? Erkenntnisse über Wissen. Velbrück: Weilerswist.
Stolz, M., & Block, J. (2012). Deutschlandkarte – 102 neue Wahrheiten. München: Knaur.
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/.
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.
Vigen, T. (2015). Spurious Correlations. Hachette Books. www.tylervigen.com/spurious-correlations.
Wirtz, B. W. (2013). Business Model Management. Design, Instrumente, Erfolgsfaktoren von Geschäftsmodellen (3. Aufl.). Wiesbaden: Gabler.
Witten, I. H., Frank, E., & Hall, M. A. (2011). Data mining: Practical machine learning tools and techniques (3. Aufl.). Burlington: Morgan Kaufmann.
Yin, R. K. (2003). Case study research – Design and methods. Thousand Oaks: Sage.
Zwick, M. (2004). An Overview of Reconstructability Analysis. Kybernetes, 33, 877–905.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Kornwachs, K. (2020). Daten – Interessen – Ontologien – oder wie Geschäftsmodelle die Wissenschaft verbiegen. In: Wiegerling, K., Nerurkar, M., Wadephul, C. (eds) Datafizierung und Big Data. Anthropologie – Technikphilosophie – Gesellschaft. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-27149-7_1
Download citation
DOI: https://doi.org/10.1007/978-3-658-27149-7_1
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-27148-0
Online ISBN: 978-3-658-27149-7
eBook Packages: Social Science and Law (German Language)