Big Data und Arbeitnehmerdatenschutz - DGB

Big Data und Arbeitnehmerdatenschutz

Prof. Dr.-Ing. Heinz-Peter Höller

Zur Person

• Diplom-Informatiker

• Professur für Rechnernetze und Telekommunikation

• Vernetzung als Teil der Digitalen Transformation

• Technische Aspekte des Arbeitnehmerdatenschutz

17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 2

Hrsg. Peter Wedde

Gliederung

1. Digitale Transformatoren

2. Big Data – im Betrieb

3. People Analytics – Den Einzelnen im Blick

4. Mining the Enterprise Social Graph – Das soziale Netzwerk

Belegschaft im Blick (Vermessung)

5. Wirkungen auf den Arbeitnehmerdatenschutz 17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 3

1. Digitale Transformatoren

Internet of Things

Internet der Dinge

EDV + Miniaturisierung + Durchdringung

• Miniaturisierung

• Durchdringung


+ Einbettung

• Eingebettete Systeme:

– Hardwareelemente aus Sensoren und Aktoren ergänzt um künstliche Intelligenz/ Software

– In größere Systeme einbetten


+ Vernetzung


Internet of Things


Das Internet der Dinge [ … ] bezeichnet die Vision einer globalen Infrastruktur der Informationsgesellschaften, die es ermöglicht, physische und virtuelle Gegenstände miteinander zu vernetzen und sie durch Informations- und Kommunikationstechniken zusammenarbeiten zu lassen. Wikipedia

Industrie 4.0


In der Industrie 4.0 verzahnt sich die Produktion mit modernster Informations- und Kommunikationstechnik. Technische Grundlage hierfür sind intelligente, digital vernetzte Systeme, mit deren Hilfe eine weitestgehend selbstorganisierte Produktion möglich wird: Menschen, Maschinen, Anlagen, Logistik und Produkte kommunizieren und kooperieren in der Industrie 4.0 direkt miteinander.

Plattform Industrie 4.0


2. Big Data - im Betrieb

Datenmassen

Biga Data – (eigentlich) ein Problem der Informatik

• Velocity – Geschwindigkeit

• Variety – Vielfalt

• Volume - Menge



Datenerfassung - damals

.. durch Datentypisten

Allgegenwärtige Datenerfassung und Datenproduktion

• Transaktionssysteme (ERP, CRM, HRM)

• Internet der Dinge/ Industrie 4.0

• Innerbetriebliche Informations- und Kommunikationssysteme

• Innerbetriebliche Soziale Netze

• Suchmaschinen

• Soziale Medien

• E-Shopping

• Selbstvermessung / Quantified Self


Menge – Unglaubliche Datenvolumen


Arbeitnehmerdaten

Personaldaten (Personalabteilung)

• Personalstammdaten

• Arbeitsplatzdaten: Stellenbeschreibung, Zeiterfassung, Arbeitskenntnisse und vorherige Anstellungen

• Leistungsdaten: Leistungsbeurteilungen, Verkaufszahlen, Beschwerden, Auszeichnungen und Beförderungen

• Entgeltdaten: Gehaltsentwicklungen, Boni, Dienstwagen, Altersvorsorge, Bausparen

• Fertigkeiten und Fähigkeiten: Abschlüsse, Weiterbildungen

• Befragungsdaten: Mitarbeiterzufriedenheit.


Arbeitnehmerdaten

• Kommunikation – E-Mails, Verkehrs- und Inhaltsdaten – Telefon, Verkehrsdaten – Messenger, Verkehrs- und Inhaltsdaten

• Kooperation/ Interne soziale Netze – Profile – Blogs, Microblogs, Kommentare, Likes – Arbeitsgegenstände, Dokumente

• Produktion – Maschinen – Sensoren

• Extern – soziale Netze – Web – demographische Daten, etc.


Umwandlung unstrukturierter Daten

• Text-Mining

– analysieren, verstehen, Stimmung erkennen – verschlagworten, strukturierte Daten

• Spracherkennung (Audio-Mining) – Sprache zu Text – dann Textmining

• Bilderkennung (Image-Mining) – Gesichter, Orte – verschlagworten, strukturierte Daten

• Video-Mining – Szenen, Gesten, Mimik – verschlagworten, strukturierte Daten



Data Mining Schürfen in Daten

Big Data Analysen

Wenn

all die vielen Daten – erzeugt,

– erfasst,

– umgewandelt und

– (als strukturierte Daten) gespeichert

sind, dann

können Sie analysiert werden. Das geschieht mit Methoden des Data Minings


Data-Mining-Methoden

Verwandt mit Begriffen: Analytics, Maschinelles Lernen, Prediction

Vorhersagen treffen (prädiktiv)

• Klassifikation: Wer wird (einen Vertrag) kündigen? Zahlt der den Kredit zurück? Wird ein Werkzeug brechen?

Einteilungen vornehmen (prädiktiv)

• Assoziationsanalyse: Wer das kauft, kauft auch … (Warenkorb)

Strukturen oder Auffälligkeiten beschreiben (deskriptiv)

• Cluster-Analyse: Welche Kundengruppen kann ich unterscheiden?


Kategoriale und relationale Daten


Kategoriale Daten: Einzelangaben zu Arbeitnehmern (Datensätze) Relationale Daten: Angaben zu Arbeitnehmern in ihrer Vernetzung im sozialen Netz Betrieb

3. People Analytics

Kategoriale Daten – den Einzelnen im Blick

Klassifikation: Beispiel Kreditvergabe


• Aus Trainingsdaten lernen • An Testdaten testen • Mit Klassifikator klassifizieren

Quelle: Böhm, Uni Karlsruhe

Personalmanagement

– Wer wird das Unternehmen bald verlassen? • Abgleich Daten von Personal das bald darauf gekündigt hat. • XEROX-Erfahrungen mit Call-Center-Personal

– Wie hängen Anreise und Krankheitstage zusammen? – Wie wirken sich Ferien auf die Mitarbeitenden aus?„Der Vergleich der bezogenen Ferien mit

Verkaufszahlen, Zufriedenheit, verschickten Mails und bearbeiteten Dokumenten gibt Einblick in die Wirkung von Ferien. … auch die Verteilung der bezogenen Ferien über das Jahr [ist interessant]“ (Ferienpläne).

Welche Mitarbeitenden sind in welchen Themen Experten? Die abgerufenen Seiten auf Wikipedia zeigen, für welche Themen sich die Mitarbeitenden interessieren. Die von den Mitarbeitenden abgerufenen Seiten geben Einblick in thematische Netzwerke.

Wer könnte bald unter einem Burnout leiden? Die Daten der Vergangenheit zeigen, welche Auffälligkeiten im digitalen Mitarbeiterverhalten ein Burnout begünstigen. Dazu gehören insbesondere die Entwicklungen im Mailverhalten, den Social Media Aktivitäten sowie den abgerufenen Dokumenten.

Wie hängen Ausschreibung und Bewerbungen zusammen? Der Vergleich von verwendeten Kernworten in den Inseraten sowie den verwendeten Medien mit der Qualität und Quantität der eintreffenden Bewerbungen gibt Aufschluss über erfolgreiche Wege der Rekrutierung.


4. Mining the Enterprise Social Graph

Relationale Daten –

Das soziale Netzwerk Belegschaft im Blick

Microsoft Office365

• 120 Millionen geschäftliche Nutzer

• 28 Millionen private Nutzer


Quelle: Microsoft

Office365 – Der Graph

17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 27 Quelle Microsoft

Der Graph in der Mathematik


• Menge von Knoten und Kanten 𝐺 = (𝑉, 𝐸)

• gerichtet / ungerichtet

• bewertet/unbewertet

• Grad eines Knoten (z.B. G(E)=5)

• Brücke (F/J)

• Wege (E-F-J-L)

• Nachbar (i und K sind Nachbarn)

• zusammenhängend, vollständig, schlicht

Matrix

Analyse sozialer Netzwerke

• Teilgebiet der Soziologie

• Es geht um:

– Stellung von Individuen im Sozialen Netz

– Macht, Einfluss und Autonomie

– Teilgruppen, Clans und Cliquen

• Man verwendet Graphenalgorithmen


Innerbetriebliche Graphen


STELLUNG EINZELNER AKTEURE IM SOZIALEN NETZ


Zentralität - Bedeutung

Gradzentralität: Viele Kanten; Wichtig, weil er mit vielen in Kontakt steht;

in vielem „drinhängt“; aktive Player; „where the action is“.


𝑍𝐺(𝑛𝑖) =𝐺(𝑛𝑖)

(𝑔 − 1)

0,1

0,3 0,5


Dazwischenzentralität: Maß für Mittler; liegen auf dem Weg; werden

benötigt; auf seine Mitwirkung ist man angewiesen; wichtigstes Zentralitätsmaß.



Brücke/Gelenkpunkt:

– verbinden strukturelles Loch

– Austausch Informationen/Ressourcen

– gelten als Innovatoren, Modernisierer, Wanderer


Prestige - Ansehen

• Eingangsgradprestige: Viele eingehende Kanten; viele wenden sich an den Akteur; man sucht Unterstützung/Rat; Gradzentralität vs. Eingangsgradprestige: Viel Eingang, wenig Ausgang: Graue Eminenz; Viel Ausgang, wenig Eingang: kümmert sich, macht und tut, „gesellig“.

• Proximitätsprestige: Wen kann der Akteur erreichen? Wer erreicht den Akteur (Einflussbereich); Größe des Einflussbereichs und Nähe zu den anderen. Wege zu den anderen; ist den anderen nahe; braucht wenig Mittler; ist unabhängig.

• Rangprestige/PageRank: Wer von angesehenen Akteuren um Rat gefragt wird, ist selbst angesehen. Wer von Akteuren mit wenig Prestige angefragt wird, hat selbst wenig Prestige.


NETZWERKANALYTISCHE INTERPRETATIONEN


• Bedeutung, Nähe, Mittlerrolle, Außenseiter • Graue Eminenz, Aktivist, einflussreich vernetzt • Cliquen/Clans

– starke Bindungen im Inneren, oft gering vernetzt nach außen – großer Zusammenhalt – keine neuen Ideen, nicht innovativ, „schmoren“ im eigenen Saft

• Brücken/ Gelenkpunkte – Personen sind sehr wichtig, Zusammenhalt hängt an ihnen – Sie gelten als Wanderer zwischen den Welten – Über sie läuft alles, sie haben die besten Informationen – Man wendet sich an sie, um Neues zu erfahren

• Zentralität – Man geht von unumstrittener Führungsrolle aus, allseits anerkannt, wenig

Reibungsverluste

• Macht und Einfluss • Informationsfluss • Empfehlungen


ERSTE SOFTWAREPRODUKTE


Social Engagement Dashboard IBM


Quelle IBM


Evolution der Microsoft-Produkte (auf Basis Office Graph 365)

(Quelle Microsoft) Delve

Delve Analytics MyAnalytics

Delve Organisational Analytics

Neueste Entwicklung: Workplace Analytics


Quelle: Microsoft

Ziele von Workplace Analytics

(Ziele noch etwas disparat)

• Produktivität von Wissensarbeitern messen

• auf einer gesamtorganisatorischen Ebene (Belegschaft)

• alles in Echtzeit – Daten fallen ab (digital exhaust)

• Konzentration auf wesentliche Leistungsindikatoren (KPIs)


Workplace Analytics • top performer (sales)

– Kommunikationsdaten analysieren

– Verhaltensmatrix bestimmen (behavioral matrix)

– Erfolgsmuster identifizieren

– Mitarbeiter auf Erfolgsmuster verpflichten (Symantec) oder

– Erfolg aufgrund von Verhaltensmustern abschätzen


Beispiel: Top-Performer


Quelle: Microsoft

Manager Quality


Quelle Microsoft


Chantrelle Nielsen, Microsoft's director of research and strategy

"You can use Workplace Analytics to answer questions like what do the best people in this organization, the people who are most satisfied and most productive... What is the kind of pattern that they work in, and what kind of rhythm seems to be predicting that outcome of success or happiness.“ (ab 1:16’, 1:55’)

Quelle: Microsoft

https://prod-video-cms-rt-microsoft-com.akamaized.net/cms/api/am/videofiledata/RWbSAC-104?ver=d40e

Hinweise zum Arbeitnehmerdatenschutz

Arbeitnehmerdatenschutz / Leistungs- und Verhaltenskontrollen

Grundsätze / Instrumente

• Das personenbezogene Datum

• Die Erforderlichkeit

• Die Zweckbindung

• Die Transparenz


Biga Data – Data Mining

• Immer mehr Datenpunkte pro Person

• „zweckfreie Datensammlung“/ Vorratsdatenspeicherung

• Zukunft leitet sich aus Vergangenheit ab


Neues Miteinander von Mensch und Maschine

• Der Arbeitnehmer als Avatar

– Viele Daten über den Arbeitnehmer werden erforderlich sein oder für erforderlich gehalten werden.

– Viele Daten werden von der „Kooperationsmaschine“ erhoben werden. (Transparenz)

• In der Sphäre des Maschinellen können Entscheidungen vorbereitet, vorgeschlagen, gefällt und durchgesetzt. Der Mensch kann ermahnt, bestraft und übergangen werden.

• Der Wunsch nach Personalisierung impliziert, dass die Maschine uns immer besser kennt.


Steigende Bedeutung relationaler Daten

• LuV-Kontrolle stark an Datensatz/Tabelle (kategoriale Daten) orientiert.

• Datensätze werden immer länger. • Relationale Daten sind Daten über

Beziehungen. • Es bilden sich soziale Graphen. • Man kann

– Stellung einzelner – Stellung und Arbeitsweise von

Gruppen analysieren und vergleichen.


Fazit

Weißbuch Arbeiten 4.0 – Handlungsdruck Arbeitnehmerdatenschutz

• Auflösung geographisch definierter Speicherort

• Möglichkeit der Dauerüberwachung

• Durchleuchtung um zukünftiges Verhalten zu berechnen

Prozessuales Vorgehen !!!



Vielen Dank für Ihre Aufmerksamkeit

Big Data und Arbeitnehmerdatenschutz - DGB

Documents

Transcript of Big Data und Arbeitnehmerdatenschutz - DGB