Hybride, datenschutzfreundliche Empfehlungssysteme – Mehr als nützlich

Empfehlungssysteme sind der Schlüssel für Konsumenten und Produzenten, um in einer zunehmend unübersichtlichen Menge von Inhalten noch die „Nadel im Heuhaufen“ zu finden. Aber welche Kriterien sollten bei der Entwicklung und Bewertung von Empfehlungssystemen angelegt werden? Welche Daten müssen dafür zur Verfügung stehen? Ein entscheidender Erfolgsfaktor beim Einsatz von Empfehlungssystemen wird sein, das Vertrauen der Nutzer zu gewinnen. Zu diesem Zweck können und sollten existierende Werkzeuge zum Schutz der Privatsphäre eingesetzt werden.

Recommendation systems are key for both consumers and producers in order to “find the needle in the haystack” of an ever-growing amount of content. Which criteria, however, should be applied for the assessment and development of such systems? Which data are necessary to drive them? A crucial factor will be to ensure the trust of users, and for this purpose, existing tools for privacy protection can and should be used.

Einführung
Die Menge an produzierten und vertriebenen Medieninhalten wächst in einem unglaublichen Tempo. Deshalb stellen sich Broadcaster ebenso wie andere Anbieter zwangsläufig die Frage, wie sie Informationen so aufbereiten und zur Verfügung stellen können, dass sich Konsumenten in einem zunehmend unüberschaubaren Angebot noch zurechtfinden.

Empfehlungssysteme können in diesem Zusammenhang insbesondere bei der Distribution von Inhalten wertvolle Dienste leisten, sie können aber auch bei der Katalogauswahl und Produktion nutzbringend verwendet werden. Zugleich können entsprechende Dienste zur Erfolgsmessung verschiedener Key Performance Indicators (KPIs) eingesetzt werden. Für einen erfolgreichen Einsatz sind jedoch einige Aspekte zu beachten. Vor allem Datenschutz und Sicherheit stellen besondere Herausforderungen dar. Rechtliche Vorgaben und Gesetze werden in diesem Zusammenhang oft kontrovers diskutiert und die Anforderungen bezüglich Datenschutz beziehungsweise Sicherheit und bezüglich Empfehlungsfunktionalitäten als unversöhnliche Gegensätze betrachtet. Diese Sichtweise ist aus zwei Gründen zumindest teilweise in Frage zu stellen:

1. Empfehlungssysteme können in vielen Anwendungsfällen nur dann erfolgreich sein, wenn sie auf eine Kombination von Metadaten und mehr oder weniger umfangreichem Feedback sowie Informationen von Nutzern zurückgreifen können. Wenn Nutzer diese Informationen über sich selbst aber als wertvoll beziehungsweise vertraulich einstufen, werden sie diese nur zur Verfügung stellen, wenn sie großes Vertrauen in den oder die Anbieter haben. Diese Herausforderung stellt sich ganz unabhängig von rechtlichen Vorgaben.

2. Sogenannte Privacy Enhancement Technologies (PET) können eingesetzt werden, um potenzielle Konflikte in Bezug auf Datenschutz und Sicherheit zu mildern oder gar aufzulösen.

Im Folgenden soll vor diesem Hintergrund beschrieben werden, welche grundsätzlichen Verfahren und Erfolgskriterien es für Empfehlungssysteme gibt und warum die Kombination von Metadaten und Nutzerfeedback/Nutzungsinformationen so wichtig ist. Weiterhin wird erläutert, welche PET für datenschutzfreundliche Empfehlungssysteme eingesetzt werden können und warum Themen wie Datenschutz, Sicherheit und ethisch-gesellschaftliche Aspekte nicht nur als Herausforderungen, sondern auch als Chance für neue Verwertungsmöglichkeiten betrachtet werden sollten.

-----

4 Seiten