Big Data, Data Analytics und Industrie 4.0 Herausforderungen für die Wettbewerbspolitik

Transkript

1 Big Data, Data Analytics und Industrie 4.0 Herausforderungen für die Wettbewerbspolitik Ulrich Schwalbe Universität Hohenheim und NERA 04. November 2016 Hamburger Tagung zur Digitalen Ökonomie Interdisziplinärer Workshop: Big Data, Datenschutz und Wettbewerb U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

2 Gliederung Ökonomische Eigenschaften von Big Data Wettbewerbsprobleme durch Big Data? Datenanalyse und maschinelles Lernen Industrie 4.0 und das Internet der Dinge Fazit U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

3 Einleitung In der Wirtschaftswissenschaft: Kein Konsens über die Auswirkungen von Big Data auf den Wettbewerb. Einerseits: Große Datenmengen führen zu erheblicher Marktmacht, zu marktbeherrschenden Positionen, die aufgrund von direkten undindirekten Netzeffekten nicht angreifbar sind. Diese marktbeherrschenden Positionen könnten missbräuchlich ausgenutzt werden. Andererseits: Big Data begründen keine Marktmacht geschaffen, lediglich in Einzelfällen und in spezifischen Bereichen wie der Fusionskontrolle, können Probleme auftreten. Wenn es Probleme gibt, dann ist das Wettbewerbsrecht nicht das richtige Instrument, um diese Probleme zu lösen. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

4 Positive Wirkungen von Big Data Positive Wirkungen von Big Data: 1 Durch präzisere Daten über die Nutzer und ihr Verhalten, ihre Bedürfnisse und Präferenzen kann die Qualität der angebotenen Produkte und Dienstleistungen verbessert werden. 2 Dies führt auch zu mehr Innovationen. 3 Durch die Einnahmen aufgrund zielgerichteter Werbung können zahlreiche Leistungen kostenlos bereitgestellt werden. 4 Positive Aspekte auch z.b. im Gesundheitswesen verbesserte Diagnostik, Früherkennung von Epidemien etc. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

5 Ökonomische Eigenschaften von Big Data I Daten sind nichtausschließbar und nichtrivalisierend Das Sammeln der Daten durch ein Unternehmen hindert ein anderes nicht daran, die gleichen Daten zu sammeln (Nichtausschließbarkeit). Die gleichen Daten können von mehreren Unternehmen erhoben und auch wiederholt genutzt werden (Nichtrivalität). Viele Verbraucher nutzen mehrere Plattformen, denen sie ihre Daten zur Verfügung stellen (multi-homing). Vergleiche von Daten mit herkömmlichen Inputfaktoren (Öl) sind daher irreführend - eher mit Sonnenstrahlen vergleichbar (Nuys (2016)). Daten stellen daher auch keine wesentliche Einrichtung (essential facility) dar weder handelt es sich um eine Infrastruktureinrichtung, noch ist die Eigenschaft der Wesentlichkeit erfüllt. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

6 Ökonomische Eigenschaften von Big Data II Daten sind weitverbreitet, preiswert und einfach zu beschaffen Daten werden von den Nutzern permanent erzeugt durch Nutzung von Internet und Smartphone generieren sie ständig Informationen über ihre Bedürfnisse, Präferenzen und Gewohnheiten. Daten können einfach gesammelt werden, erforderliche Hardware zur Speicherung ist preiswert und entsprechende Software steht zur Verfügung. Auch Offline-Unternehmen (z.b. Supermärkte) sammeln Daten über ihre Kunden. Zahlreiche Quellen: Cookies (werden von fast allen Online-Unternehmen verwendet), Datenhändler wie Acxiom oder Datalogix, Auswertung von Social Media Daten etc. Es werden beständig neue Datenquellen erschlossen (Internet of Things: Fernseher, Autos, Wearables). Wichtig: Unterscheidung zwischen dem Sammeln und Speichern von Daten einerseits und ihrer Auswertung und Nutzung. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

7 Ökonomische Eigenschaften von Big Data III Verschiedene Plattformen benötigen unterschiedliche Daten Stärkere Differenzierung von Online-Plattformen z.b. viele alternative vertikale Suchmaschienen, Reiseportale, spezialisierte Online-Händler, Partnerbörsen, Preisvergleichsplattformen etc. Diese benötigen zum Teil sehr unterschiedliche Daten, derenwertfür verschiedene Geschäftsfelder stark variieren kann. Neue Unternehmen können bislang unbesetzte Nischen erschließen, in der etablierte Unternehmen nicht über die erforderlichen Daten verfügen. Die Tatsache, dass manche Unternehmen über große Datenbestände verfügen, hindert andere Unternehmen nicht daran, ebenfalls erfolgreich zu sein. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

8 Ökonomische Eigenschaften von Big Data IV Der Wert von Daten verfällt sehr schnell, ihr Grenzerlös nimmt stark ab Alte Daten haben einen deutlich geringeren Wert als aktuelle. Bei häufig vorkommenden Anfragen (head queries), z.b. Bundesliga, Grippesymptome, Schwangerschaft, ist der Nutzen zusätzlicher Anfragen schon bei wenigen Anfragen nahe null. Bei seltenen Anfragen (tail queries), z.b. Fragen mit mehreren Begriffen, nach spezifischen Produkten, Modellnummern, Anfragen mit Schreibfehlern etc. könnten etablierte Unternehmen einen Vorteil haben. Aber: Viele Anfragen (ca. 15%) sind selbst für Google neu. Für relevante Suchergebnisse auf tail queries sind vor allem eine gute Programmierung und die Nutzung weiterer Datenquellen erforderlich. Wettbewerber müssen nicht den gleichen Datenbestand akkumulieren wie etablierte Unternehmen, sondern vor allem müssen sie relevante und aktuelle Daten beschaffen. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

9 Ökonomische Eigenschaften von Big Data V Daten allein reichen nicht aus Ein großer Datenbestand reicht nicht, um geschäftlich erfolgreich zu sein. Wesentlich: 1 die Fähigkeiten und Instrumente, die vorhandenen Daten auszuwerten oft entscheidet die Qualität des für maschinelles Lernen eingesetzten Algorithmus über die Güte der Ergebnisse; 2 den Schritt von bloßen Korrelationen zu nutzbaren Kausalbeziehungen zu machen; 3 hierzu ist eine Big Data Strategie als Kombination organisatorischer, IT-technischer und analytischer Fähigkeiten erforderlich, um die Daten erfolgreich zu nutzen; 4 eine gute Geschäftsidee dannkönnen auch neue Unternehmen sehr schnell erfolgreich werden (Uber, Airbnb, Tinder, Snapchat etc.) Kein eindimensionaler Zusammenhang zwischen Datenmenge, der Qualität des Angebots und dem Geschäftserfolg. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

10 Wettbewerb und Big Data Vermeintliche Wettbewerbsprobleme durch Big Data 1 Verringerte Qualität von Gütern und Dienstleistungen und weniger Innovationen. 2 Schaffung unangreifbarer marktbeherrschender Positionen aufgrund von Skalen und Netzeffekten sowie von Marktzutrittsschranken (Big Data als wesentliche Einrichtung). 3 Dadurch auch missbräuchliches Verhalten, z.b. Preisdiskriminierung. 4 Wettbewerbsprobleme aufgrund datengetriebener Fusionen Qualitätsverringerung in Form geringeren Datenschutzes. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

11 Vermeintliche Wettbewerbsprobleme aufgrund von Big Data II Verringerte Qualität und Innovation I Argument: Kleinere Firmen können nicht die gleiche Qualität anbieten wie große Unternehmen mit großen Datenbeständen. Bei Suchmaschinen: Mehr Anfragen, bessere Ergebnisse, zielgerichtetere Werbung, mehr Einnahmen, höhere Qualität. Kleinere Firmen können nicht mithalten der Abstand zwischen den Firmen vergrößert sich. Große Firmen könnten die Qualität der Suchergebnisse dann sogar etwas verringern. Außerdem ermöglichen die besseren Daten großen Firmen, Trends und Moden schneller zu erkennen und darauf zu reagieren. Kleinere Firmen, die nicht den Zugang zu diesen Daten haben, werden dadurch entmutigt, Investitionen zu tätigen. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

12 Vermeintliche Wettbewerbsprobleme aufgrund von Big Data III Verringerte Qualität und Innovation II Gegenposition: Gibt es hierfür empirische Evidenz? Viele Internetunternehmen (z.b. Suchmaschinen) zweiseitige Märkte. Auch die andere Seite des Marktes, die Anzeigenkunden sind zu berücksichtigen. Um effizient zu operieren, muss eine Plattform einen Ausgleich zwischen der Qualität der Suche einerseits und den Interessen der Anzeigenkunden andererseits anstreben. Die bessere Vorhersage von Trends ist aber auch wettbewerbsfördernd, weil sie den Marktführer zu entsprechenden Investitionen veranlasst. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

13 Vermeintliche Wettbewerbsprobleme aufgrund von Big Data IV Netzwerkeffekte und Marktzutrittsschranken I Argument: Big Data können eine Marktzutrittsschranke bilden. Big Data führen zu Rückkopplungseffekten: den Nutzer-Rückkopplungseffekt: Mehr Nutzer, mehr Suchanfragen, bessere Suchergebnisse, mehr Nutzer etc. den Monetisierungs-Rückkopplungseffekt: Mehr Nutzer, mehr Nutzerdaten, zielgenauere Werbung, höhere Einnahmen, bessere Qualität, mehr Nutzer etc. Hinzu kommen (direkte und indirekte) Netzwerkeffekte. Diese führen zu einem winner takes all Markt und bilde eine Marktzutrittsschranke. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

14 Vermeintliche Wettbewerbsprobleme aufgrund von Big Data V Netzwerkeffekte und Marktzutrittsschranken II Gegenposition: Unternehmen können anfangs auch ohne große Mengen an Nutzerdaten erfolgreich sein. Erforderliche Daten können aus anderen Quellen beschafft werden. Grenznutzen zusätzlicher Daten nimmt stark ab keine großen Skaleneffekte. Anzeigenkunden: Viele Unternehmen schalten Anzeigen auf verschiedenen Plattformen (Multi-homing), da Fixkosten für Werbung gering. Zahlungsmodus pay-per-click: auf großen Plattformen bessere Konversionsraten, aber auch höhere Preise - bei kleineren Plattformen geringere Konversionsraten, aber niedrigere Preise. Viele Anzeigen auf einer Seite verringern die Qualität des Angebots, begrenzter Platz und Wettbewerb führt zu Überfüllung. Anzeigen auf kleineren Plattformen mit weniger Überfüllung können profitabler sein. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

15 Vermeintliche Wettbewerbsprobleme aufgrund von Big Data VI Netzwerkeffekte und Marktzutrittsschranken III Netzwerkeffekte sind nicht besonders stark oft sind sie nur einseitig. Mehr Nutzer sind für Anzeigenkunden positiv, gilt aber umgekehrt nur begrenzt. Daher auch kein Nutzer Lock-in. Anders bei sozialen Medien, in denen direkte Netzwerkeffekte stark sein können. Aber auch hier: differenzierte Plattformen mit spezialisierten Angeboten. Wichtig hier: Datenportabilität (vgl. neue EU-Datenschutz-Grundverordnung) Nutzer werden daher zu besseren Angeboten wechseln und die Anzeigenkunden werden folgen. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

16 Vermeintliche Wettbewerbsprobleme aufgrund von Big Data VII Preisdiskriminierung Big Data kann zu einer Verstärkung einer personalisierten Preissetzung führen. Risiko-basierte Preissetzung (Versicherungen) kann Probleme adverser Selektion oder Moral hazard adressieren - dies wirkt tendenziell wohlfahrtserhöhend. Bei Konsumgütern könnte dies dazu führen, dass einige Konsumenten mehr zahlen als ohne Big Data. Aber: Verbesserte Preisinformationen durch Online-Preisvergleiche Und: Viele Konsumenten zahlen einen geringeren Preis als ohne Daten. Dies könnte insgesamt zu einer effizienteren Allokation führen. Bisher war ein Seniorenrabatt ja auch kein Wettbewerbsproblem. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

17 Vermeintliche Wettbewerbsprobleme aufgrund von Big Data VIII Datengetriebene Fusionen wettbewerbliche Wirkungen I Führt ein Zusammenschluss dazu, dass der Wettbewerb bezüglich der Nicht-Preis-Komponente Datenschutz verringert wird? Definition eines eigenständigen Datenmarktes, umdatenmachtzu ermitteln. Probleme: Marktanteile wären selbst für Google oder Facebook sehr gering kein Unternehmen kontrolliert auch nur einen kleinen Anteil aller Daten. Außerdem: Nichtrivalität und Nichtausschließbarkeit. Durch das Internet der Dinge steigt die verfügbare Datenmenge exponentiell an. Daten werden von den Unternehmen nicht ge- oder verkauft es gibt keine Kunden, keine Austauschbeziehungen, keine Substitution hypothetischer Monopolistentest nicht anwendbar. Andere Situation läge bei einem Zusammenschluss von Datenhändlern vor! U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

18 Vermeintliche Wettbewerbsprobleme aufgrund von Big Data IX Datengetriebene Fusionen wettbewerbliche Wirkungen II Datenschutz (privacy) als Qualitätsbestandteil eines Produktes Ist die Verfügung über große Datenmengen bereits eine Qualitätsverschlechterung? Hat ein Unternehmen nach einer Fusion die Möglichkeiten und den Anreiz, die Qualität seines Angebots in Form eines verringerten Datenschutzes einzusetzen? Probleme bei nichthorizontalen Fusionen: Fusion großer und diversifizierter Datenbestände könnte zu einer Verringerung des Wettbewerbs führen. Aufgreifkriterien auch anhand des Transaktionswertes. Auflagen: Lizensierter Zugang zu Datenbeständen falls dem keine datenschutzrechtlichen Regeln entgegenstehen. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

19 Vermeintliche Wettbewerbsprobleme aufgrund von Big Data X Datengetriebene Fusionen wettbewerbliche Wirkungen III Fusionen können durch Datenfusion zu Effizienzgewinnen in Form verbesserter Angebotsqualität (bessere Service, informativere Empfehlungen, mehr kostenlose Leistungen) führen. Möglichkeit einer späteren Übernahme könnte auch zu mehr Markteintritten und mehr Innovationen führen. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

20 Zwischenfazit Sammeln und Auswerten von Daten ist daher wichtiger Bestandteil des Wettbewerbsprozesses! Aufgrund der Eigenschaften von Big Data gibt es aus ökonomischer Sicht keine starken Vermutungen, dass dadurch erhebliche und neuartige Wettbewerbsprobleme begründet werden. Die bislang vorgelegten Schadenstheorien sind weder theoretisch noch empirisch überzeugend. Eventuelle Probleme, die aufgrund von Big Data entstehen können, sollten besser durch Verbraucher- bzw. Datenschutzregelungen adressiert werden. Allerdings könnten durch den verstärktem Einsatz künstlicher Intelligenz und der Erhöhung der Markttransparenz im Zusammenhang mit dem Internet der Dinge und der Industrie 4.0 Wettbewerbsprobleme entstehen. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

21 Datenanalyse und maschinelles Lernen Datenanalyse und maschinelles Lernen Methoden, mittels komplexer Modelle und Algorithmen große unstrukturierte Datenmengen auszuwerten mit dem Ziel, aufgrund historischer Beziehungen unterliegende Zusammenhänge, Muster und Trends in den Daten zu erkennen bzw. zu erlernen und Vorhersagen über künftige Entwicklungen zu treffen sowie Entscheidungen darauf zu basieren. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

22 Data Analytics und maschinelles Lernen II Mögliche Wettbewerbsbeschränkende Wirkungen Maschinelles Lernen in Verbindung mit algorithmischer Preissetzung könnte zu einem kollusiven Verhalten der Unternehmen beitragen. Autonome Algorithmen könnten als eines von mehreren Ergebnissen lernen, sich kollusiv zu verhalten und einen höheren Preis, z.b. den Monopolpreis verlangen. Kollusives Verhalten als Ergebnis maschinellen Lernens Wäre dies eine wettbewerbsbeschränkende Vereinbarung im Sinne von 19 GWB oder Art. 101 TFEU? Wettbewerbsrecht und künstliche Intelligenz? Explizite Vereinbarungen könnten mglw. bei der Programmierung der Algorithmen ausgeschlossen werden. Wäre modifizierte Definition von abgestimmten Verhaltensweisen, Vereinbarungen etc. sinnvoll oder sollten in den Algorithmen selbst entsprechende Regeln implementiert werden? Ethische Fragen (wie bei autonomem Fahren) aufwerfen: Kann sichergestellt werden, dass selbstlernende Algorithmen sich gesetzeskonform verhalten? U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

23 Industrie 4.0 Beschreibung der Industrie Verstärkter Einsatz von Computern, von Automatisierung und Datenaustausch in Unternehmen. Ziel sind intelligente Fabriken, mit großer Anpassungsfähigkeit, effizientem Ressourceneinsatz und Industriedesign sowie der Integration von Kunden und Geschäftspartnern in den Wertschöpfungsprozess. Technologische Basis: Cyber-physikalische Systeme die sowohl miteinander als auch mit den beteiligten Menschen in Echtzeit kommunizieren undkooperieren. Diese Leistungen werden sowohl innerhalb eines Unternehmens bereitgestellt und als auch von anderen Akteuren der Wertschöpfungskette genutzt. Welche spezifischen Faktoren gibt es in der Industrie 4.0, die nicht auch in der heutigen Industrie vorhanden sind? Das Internet der Dinge Einsatz von Big Data -auchmaschinengeneriertedatenalsessentieller Bestandteil. Machinelles Lernen -AlgorithmischePreissetzung Welche Auswirkungen könnten diese Aspekte auf den Wettbewerb in der Industrie 4.0 haben? U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

24 Das Internet der Dinge Effizienzen Was ist das Internet der Dinge (Internet of Things IoT)? Netz physischer Objekte (Haushalts)Geräte, Fahrzeuge, Gebäude, Maschinen und andere Dinge mit Elektronik, Software, Sensoren und Netzanbindung ausgestattet. Daten können gesammelt und ausgetauscht werden. IoT generiert große Datenmengen von vernetzten Konsumgütern und durch Kommunikation zwischen Maschienen (M2M) innerhalb einer Firma aber auch zwischen Unternehmen im gleichen Wertschöpfungsnetzwerk, u.u. auch im gleichen Markt. Effizienz innerhalb einer smart factory auch auch eines intelligenten supply networks wird erhöht (weniger ungenutzte Kapazitäten, höhere Nutzungsgrade, bessere Lagerhaltung, bessere Wartung und Qualtitätskontrolle) Erhöhte Effizienz: Kosteneinsparungen, Qualitätsverbesserungen, niedrigere Preise und höhere Konsumentenwohlfahrt. Kleinere Losgrößen, kundenspezifische Produkte mit besserer Berücksichtigung der Anforderungen und Präferenzen. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

25 Industrie Wettbewerbsprobleme Verstärkter Informationsaustausch zwischen Wettbewerbern führen (vor allem in Produktionsnetzwerken) entwder direkt oder durch gemeinsam genutzte Datendrehscheibe (cloud computing). Individualisierte und aktuelle Informationen über Wettbewerber durch das Teilen von IoT-Daten werden ermöglicht (z.b. über Technologiem Kostenstrukturen, Kundengruppen, Preissetzung etc. Verringerte Unsicherheit über die Wettbewerber, höhere Markttransparenz und einfachere Aufdeckung einer Abweichung von einem kollusiven Gleichgewicht Höhere Wahrscheinlichkeit kollusiven Verhaltens. höhere Preise und geringere Konsumentenwohlfahrt. Kontrolle des Informationsaustauschs zwischen Wettbewerbern. Aber: Trade off zwischen höherer statischer und dynamischer Effizienz und dem Risiko koordinierten Verhaltens. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

26 Fazit Weder theoretisch noch empirisch ist erkennbar, dass Big Data zu erheblichen Wettbewerbsproblemen führen, die nicht mit den zur Verfügung stehenden Instrumenten des Wettbewerbsrechts gelöst werden könnten. Bestenfalls in der Fusionskontrolle könne eine Anpassung der Aufgreifkriterien (Wert der Transaktion) erforderlich sein. Probleme bezüglich des Verbraucher- oder Datenschutzes sollten mit anderen Instrumenten gelöst werden als mit dem Wettbewerbsrecht. Aber: mögliche Wettbewerbsprobleme aufgrund maschinellen Lernens, algorithmischer Preissetzung und Informationsaustauschs zwischen Wettbewerbern durch das IoT und in der Industrie 4.0. U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27

27 Vielen Dank für Ihre Aufmerksamkeit! Prof. Dr. Ulrich Schwalbe Lehrstuhl für Mikroökonomie insbesondere Industrieökonomie Insitut für Volkswirtschaftslehre Universität Hohenheim U. Schwalbe (Universität Hohenheim und NERA) Big Data, Data Analytics und Industrie November / 27