Chancen und Herausforderungen agiler Vorgehensweisen

Wann agile Vorgehensweisen und leichtgewichtige Dokumente an ihre Grenzen kommen

Seit Jahren wächst der Hype um agile Vorgehensweisen, wobei sich der Hype in den vergangenen Jahren, zusammen mit den Themen Digitalisierung und Industrie 4.0 exponentiell gesteigert hat. Fast täglich erscheinen neue Artikel, White-Paper, Management-Präsentationen oder gar ganze Bücher, die Agilität als eine Art Wunderwaffe predigen. Agile Vorgehensweisen sollen helfen, der stetig steigenden Komplexität und dem Bedarf einer immer kürzer werdenden Time-To-Market gerecht zu werden. Aber ist es tatsächlich der Fall, dass mit agilen Vorgehensweisen nun – mehr als 30 Jahre nach Brooks Aussage: „there is no silver bullet in software engineering“ – endlich ein Allheilmittel gefunden wurde, um Software mit besserer Qualität in kürzerer Zeit zu liefern?

[den vollständigen Artikel finden Sie im Objektspektrum Online-Themenspezial Requirements Engineering]

Data Lake, Datenschutz und die Cloud

 

Data Lake in der Cloud

Ein wichtiges Thema, dass fast jedes Unternehmen „umtreibt“ ist die Frage, ob man mit seinen IT-Systemen wie etwa einem Data Lake in die Cloud gehen soll. Der Betrieb von Anwendungen in der Cloud bietet nämlich zahlreiche Vorteile, die in vielen Fällen das Entwickeln und auch die Betriebsführung derselben einfacher und billiger machen können. Auf der anderen Seite gibt es aber Nachteile, welche sorgfältig gegen die Vorteile abgewogen werden müssen. Dazu gehört unter anderem, eine genaue Vorstellung zu entwickeln, wie man mit einem geeigneten Vorgehen den eher negativ bewerteten Aspekten gegensteuern kann, ohne die eigentlichen Vorteile zu verlieren.  Zu diesen gehören:

  • Die Cloud bietet standardisierte Produkte und eine möglichst einfache Automatisierung aller Arbeitsschritte
  • „Pay per Use“ oder „Pay as you go“: Klare Preismodelle, d.h. die Kosten sind vorhersagbar. Das hängt natürlich davon ab, ob man die Einsatzszenarien hinreichend genau kennt: Ein möglicher Kostentreiber kann Datentransfer von und in die Cloud sein. Klar bedeutet hierbei auch nicht, dass sich die Kosten einfach berechnen lassen, denn es gibt typischerweise viele Faktoren und Unbekannte, die die Kosten am Ende bestimmen… Und: „Cloud“ ist nicht unbedingt in allen Fällen billiger!
  • Verläßliche und bei Bedarf hochverfügbare und einfach skalierbare Umgebungen, ohne eine eigene Infrastruktur dafür betreiben zu müssen

Dem gegenüber stehen auch Nachteile, wie:

  • Höhere Abhängigkeit im Vergleich mit „On-Premise“ Lösungen, da die Infrastruktur nicht mehr in meiner eigenen Hand liegt und gegebenenfalls auch proprietäre Lösungen des Cloud Providers in Frage kommen
  • Das Thema Dateneigentümerschaft ist problematisch, denn der Cloud Provider hat ja notwendigerweise auch die Daten
  • Datenschutzthemen allgemein werden vor dem Hintergrund der Cloud kritisch gesehen

Erhalten der Vorteile, minimieren der Nachteile..

Dem Problem „höhere Abhängigkeit“ läßt sich relativ leicht gegensteuern. Im Grunde genommen muss ich nur dafür sorgen, dass Standardprodukte zum Einsatz kommen, welche problemlos auch in der Cloud eines anderen Providers laufen könnten, wie hier skizziert:

  • Aufbau des Data Lakes in „leeren“ virtuellen Umgebungen mit einer Standard Linux Distribution als Betriebssystem
  • Einsatz einer standardisierten Big Data Distribution wie beispielsweise Hortonworks und, soweit möglich, Vermeidung irgendwelcher herstellerspezifischer Komponenten
  • Generell Einsatz von Open Source Hadoop Tools und Big Data Komponenten
  • Verwendung von Architekturstandards und –patterns
  • Einsatz gängiger Programmiersprachen und Protokolle
  • Vermeiden des Einsatzes von Cloud Provider spezifischen Lösungen

Ein schwierigeres Thema ist das des Datenschutzes und der eng damit verbundenen Problematik der Dateneigentümerschaft. Hier besteht ja das Grundproblem schon darin, dass die Daten nicht „bei mir“ sondern „irgendwo“ in der Cloud liegen. Das heißt natürlich, sie liegen in der Infrastruktur des Cloud Providers. Dieser hat damit potentiell auch Vollzugriff auf die Daten, wobei nicht zwischen sensiblen und (relativ) unsensiblen Daten unterschieden wird. Genau hier kommt auch gleich der Datenschutz ins Spiel – ohne nachgewiesenen Schutz dürfen sensible Daten typischerweise gar nicht das Unternehmen verlassen. Manchmal heißt „gar nicht“ auch im absoluten Sinne, dass es unmöglich ist, die Daten außerhalb bestimmter zugelassener „Bereiche“ innerhalb des Unternehmens zu speichern. In diesem Falle ist Cloud leider keine Lösung. Wenn es darum geht, dass Daten nur in Cloudcentern einer bestimmte Region physikalisch gespeichert werden oder gar ein Land nicht verlassen dürfen, dann ist die Antwort größerer Cloud Provider meist das Angebot, Daten auch physikalisch nur in Cloud-Rechenzentren einer bestimmten Region (Europa) oder eines Landes (z.B. Deutschland / Frankfurt) zu speichern. Oftmals ist das verbunden mit rechtlichen Konstrukten die unterbinden, dass Dritte Zugriff auf die Daten verlangen dürfen.

Eine Stufe „tiefergelegt“

Neben diesen allgemeinen Maßnahmen gibt es zahlreiche weitere, die tiefer gehen. Im folgenden eine Auswahl anhand von konkreter Praxiserfahrung in Data Lake Projekten:

  • Verschlüsselung der Root Partition aller „Server“ Instanzen und aller weiteren Partitionen (falls vorhanden), ganz besonders auch der Bereiche, in denen meine Daten gespeichert werden
  • Verschlüsselung aller Daten vor Upload in den Data Lake in der Cloud, Entschlüsselung erst nach Download aus der Cloud
  • Sichere Protokolle
  • Zugriffe über Edge Server / Bastion Server
  • Nur die benötigten Services und Ports zwischen konkreten Endpunkten freischalten
  • Feingranulares Berechtigungskonzept
  • Mandantenbasierte Architektur und Sandboxing
  • Klardaten speichern nur wo explizit hierfür eine Rechtsgrundlage existiert
  • Pseudonymisierung und Anonymisierung aller anderen Daten
  • Feingranulares Löschkonzept von Beginn an vorsehen

Und, und , und … Hier ließen sich sicher noch weitere Dinge aufzählen. Doch ich denke, dass das, was ich hier skizziert habe schon mal einen gewissen Überblick zu möglichen Lösungsszenarien gibt. Wenn ich alle diese Dinge beachte (es dürfen auch gerne mehr sein), dann habe ich tatsächlich eine Chance, einen sicheren Data Lake in der Cloud aufzubauen. Einen Data Lake, der den Anforderungen aus Compliance und Datenschutz wirklich genügt.

 

Data Lake und Datenschutz: Alles schwimmt in eigenen Bahnen

Sandboxing und logische Trennung von Bereichen

Ein Begriff, der in Diskussionen zur Architektur von Hadoop-basierten Data Lakes immer wieder fällt, ist „Sandboxing“. Damit ist gemeint, dass es für bestimmte Zwecke nützlich, für manche sogar notwendig ist, vom „eigentlichen“ Data Lake getrennte Bereiche zu haben. Diese können auch außerhalb der Data Lake Infrastruktur liegen. Ein Beispiel hierfür sind analytische Sandboxes, die maßgeschneiderte Umgebungen und Daten nur für Data Scientists bereitstellen. In solchen Umgebungen können verschiedene Methoden und Verfahren entwickelt und erprobt werden, ohne die große „Allgemeinheit“ der Data Lake User zu stören. Da solche Sandboxes typischerweise kleine Varianten derselben Hadoop Distribution sind, ist es in der Regel sehr einfach, später die Ergebnisse in den großen Data Lake zu übertragen. „Klein“ bedeutet hierbei, dass die Anzahl der Worker Nodes und damit auch des Speicherplatzes gegenüber dem eigentlichen Data Lake kleiner ausfallen. Es kann sogar Sinn machen, einen Single Node Cluster aufzusetzen, beispielsweise um bestimmte Funktionalitäten initial auszuprobieren.

Was natürlich auch in Hinblick auf Kosten und gemeinsame Verwendung von Ressourcen oftmals angestrebt wird, ist die Realisierung von „Sandboxes“ in der eigentlichen Data Lake Infrastruktur als alternative Variante. Neben der Notwendigkeit, für alle Benutzerkreise ein passendes Ressourcenmanagement zu entwickeln – hier ist YARN eine wichtige Komponente zur Steuerung – muss man auch Daten und Zugriffsbereiche separieren. Oder anders gesagt: Hier ist nicht nur aus Gründen des Datenschutzes ein passendes Sicherheits- und Zugriffskonzept zu entwickeln – in der Regel gibt es User, die nur auf bestimmte Daten in bestimmten „Sandboxes“ zugreifen dürfen! Jeder Benutzerkreis schwimmt also in seinen eigenen Bahnen.

 

 

 

 

Das läuft darauf hinaus, dass man abgegrenzte Bereiche einrichtet, auf die der eigentliche Data Lake keinen Zugriff hat, sondern nur ein bestimmter Kreis von Usern und / oder Mandanten. Ein typisches Beispiel sind spezielle Klardatenbereiche, die nur dann zulässig sind, wenn man nachweisen kann, dass nur berechtigte Personen mit diesen Daten etwas „machen dürfen“. Das Managen und Nutzen dieser Daten obliegt dann auch ausschließlich diesem Personenkreis. Genauso aber können das auch anonymisierte oder pseudonymisierte Bereiche sein, für die ähnliches gilt. Was also generell gefordert wird ist eine Mandantenfähigkeit des Data Lakes, also die Möglichkeit klar abgegrenzte Bereiche einzurichten

  • mit feingranularer Zugriffsteuerung
  • mit der Möglichkeit einer passenden Ressourcensteuerung

Es ist natürlich innerhalb eines großen Data Lakes viel schwieriger das alles einzurichten, zu steuern und zu administrieren. Deshalb muss immer auch eine Abwägung vorgenommen werden, ob es vielleicht einfacher ist, mit separaten Umgebungen zu arbeiten. Hier sind die Bereiche auch „physisch“ getrennt. Eine Forderung, die von Seiten des Datenschutzes oftmals erhoben wird. Aber nehmen wir mal an, wir könnten mit „logisch“ getrennten Bereichen im Data Lake arbeiten. Wie kann man das erreichen?

Mandantenfähigkeit

Typische Hadoop Distributionen wie z.B. Hortonworks enthalten Mittel für solche Zwecke. Das sind Services und Tools, die die Trennung von Mandanten unterstützen. Wichtig ist dabei, dass eine zentrale Security und Governance Infrastruktur eine Klammer um das Ganze bilden kann.

Im Fall von Hortonworks ist hierbei Apache Ranger eine wesentliche Komponente. Über Ranger lassen sich User, Gruppen / Rollen und deren Berechtigungen feingranular in den folgenden wichtigen Hadoop Komponenten verwalten:

  • Apache Hadoop HDFS
  • Apache Hive
  • Apache HBase
  • Apache Solr
  • Apache Storm
  • Apache Knox
  • Apache Kafka
  • Apache Nifi
  • Apache YARN

Mandanten sind hierbei Gruppen / Rollen und deren Berechtigungen. Grundsätzlich sind das zunächst die Berechtigungen zu schreiben, zu lesen, Daten zu löschen, Objekte anzulegen und zu löschen. Aber es geht auch noch spezieller: In Hive lässt sich beispielsweise der Zugriff auf Tabellen und Views, bestimmte Spalten und sogar eine „row-level“ Security in den Daten selbst realisieren. Das heißt es lässt sich eine Filterung der Daten abhängig vom Security Kontext über eine implizite „where-clause“ des SQL (HiveQL) Statements erreichen. Genauso lassen sich im Hadoop Filesystem HDFS Bereiche (Folder) nur für Mandanten einrichten, dasselbe gilt für Kafka Topics, also die Kafka Messages Bereiche, die nur für bestimmte Mandanten gedacht sind. Ranger wiederum nutzt die nativen Security Mechanismen der einzelnen Komponenten via Plug-Ins.

Und „Sandboxes“?

Sandboxes sind dann einfach die jeweils für bestimmte Nutzergruppen und / oder Mandanten zugänglichen Bereiche wie Hive und HBase Tabellen, bestimmte Directories im HDFS, bestimmte Kafka Topics und auch Solr Collections, beziehungsweise in Hive auch Views und noch tiefergehende Berechtigungen wie „Row-level Security“, die an einer „Mandanten-ID“ in der jeweiligen Tabelle festgemacht werden kann. Wichtig ist eigentlich nur, dass man allen anderen Usern / Gruppen / Rollen, die auch Zugriff auf den Data Lake haben, den Zugriff auf die solchermaßen geschützten Ressourcen entzieht. Für Klardaten bietet sich zusätzlich auch die Verwendung von „Encryption Zones“ im HDFS an, d.h. nur ein Mandant mit dem entsprechenden Schlüssel kann die Daten in Klarform abgreifen, alle anderen bleiben hier außen vor, selbst wenn sie unberechtigterweise sich Zugriff auf die Daten verschaffen können. Das generelle Verschlüsseln von Daten jenseits der speziellen Anforderungen der Anonymisierung und Pseudonymisierung ist besonders für den Cloud Betrieb relevant. Dazu demnächst mehr.

Data Lake und Datenschutz: Anonymisierung und Pseudonymisierung

Datenschutz im Data Lake wird zu „Muss“… Wie geht man vor?

Mit der Einführung der europäischen Datenschutz-Grundverordnung (EU-DSGVO) hat sich auch das Vorgehen beim Aufbau von Data Lakes gewandelt. Datenschutzaspekte spielen eine sehr viel größere Rolle als vorher. Themen wie Anonymisierung und Pseudonymisierung von Daten und ganzen Datenbereichen sind zu einem Muss geworden und erzwingen ein sehr durchdachtes Vorgehen. Warum ist das aber gerade beim Aufbau von Data Lakes so kritisch? Sind denn Anonymisierung und Pseudonymisierung von Daten etwas Neues? Eigentlich nein, aber im Kontext von Data Lakes in gewisser Weise schon: Der ursprüngliche Focus von solchen Systemen lag in der Vergangenheit auf dem Managen von enorm vielen heterogenen Daten. Das heißt, man kümmerte sich in der Regel zunächst um das Bereitstellen dieser Daten für Analysen und operative Zwecke in unverschlüsselter Form, was auch die Umsetzung analytischer Use Cases mit diesen Daten mit eingeschlossen hat. Warum man das gemacht hat, liegt eigentlich auch auf der Hand: Man spart sich Komplexität und kann mit Klardaten auch sehr viel einfacher umgehen, da sich Analysen und analytische Anwendungen sehr einfach mit ihnen realisieren realisieren lassen. In solchen Systemen hat man in der Regel keine große Anforderungen in Sachen Datensicherheit und Governance realisieren zu müssen geschweige denn realisiert, da Ziel und Zweck eines Data Lakes von anderen Faktoren bestimmt wurde. Dieses Bild ändert sich allerdings sehr stark in letzter Zeit.

Eine daraus folgende Anforderung, mit dem man also sehr viel stärker als früher konfrontiert ist, ist die Forderung nach Pseudonymisierung und, noch stärker, Anonymisierung der Daten oder zumindest von Datenbereichen im Data Lake. Daten, die keinen direkten zeitlichen und operativen Zweckbezug mehr haben, können nicht einfach mehr klar abgelegt werden. Es reicht auch nicht, einfach die Datenträger zu verschlüsseln. Die Daten selbst müssen in einem solchen Fall in der Regel anonymisiert oder mindestens pseudonymisiert werden. Was verbirgt sich aber hinter diesen Begriffen?

Anonymisierung, Pseudonymisierung und Analytik

Kurz gesagt bedeutet Pseudonymisierung, dass ich die Daten bei Bedarf noch auf einen Ursprung (Person, Kunde, Mitarbeiter,…) zurückführen kann, zumindest theoretisch. Bei der Anonymisierung ist das nicht mehr möglich. Eine gute Gegenüberstellung findet sich hier: Anonymisisierung und Pseudonymisierung

Für die Durchführbarkeit von Analysen ist natürlich wichtig, dass bei diesen Vorgehensweisen nicht die Beziehungen in den Daten verlorengehen. Das bedeutet, dass eine Person in einem für mich wichtigen Datenauswertungskontext immer das gleiche Pseudonym bekommt. Ist dieses nicht mehr auf die Person rückführbar – was allerdings in der Regel sehr schwer nachweisbar ist – ist die Person sogar anonymisiert. Es wird typischerweise auch gefordert, dass der Schlüssel

  • nach einem bekannten sicheren Verfahren erzeugt wird
  • nur in eine Richtung funktioniert, das kann man organisatorisch „sicherstellen“, indem der Schlüssel „weggeworfen“ oder sicher verwahrt wird
  • der Schlüssel nicht im Data Lake selbst abgelegt werden darf, sondern eine sichere Stelle außerhalb benutzt wird

Aber die Schwachstelle des Ganzen ist oben schon angedeutet: Ein Nachweis zu führen, dass solchermaßen anonymisierte Daten tatsächlich anonym sind in dem Sinn, dass unter keinen Umständen über sie ein Personenbezug hergestellt werden kann, kann sich als unmöglich oder doch sehr schwierig herausstellen. Es gibt nämlich bekannte Situationen, in denen aus den Daten selbst ohne höheren Aufwand doch ein Personenbezug hergestellt werden kann. Ein typisches Beispiel sind Mitarbeiterdaten, die aufgrund ihres Arbeitsplatzes und ihrer Einordnung in die Organisationshierarchie des Unternehmen leicht identifizierbar sind. Oder Kundendaten, die alleine aufgrund der Tatsache, dass Adressgebiete nicht hinreichend groß gewählt wurden, auf einzelne Personen rückführbar sind – zumindest indirekt und unter Umständen unter Zuhilfenahme von „hinreichend schlauen“ Verfahren. Im ersten Fall der Mitarbeiterdaten ist das sogar besonders kritisch, da hier nicht nur die Interessen des Datenschutzes selbst, sondern auch des Betriebsrats und eventuell vorhandener Betriebsvereinbarungen berücksichtigt werden müssen. Ich glaube, diese Beispiele zeigen sehr gut, in welche Fallen man hier geraten kann.

Und was ist mit Klardaten?

Klardaten dürfen nur dann im Data Lake gespeichert und verwendet werden, wenn eine Erlaubnis dazu vorliegt. Es ist also bei der Verarbeitung und Speicherung solcher Daten immer auch eine Prüfung  der „Permissions“ zu diesen Daten vorzunehmen. Die Daten müssen auch unverzüglich  bei berechtigtem Entzug der „Permissions“ gelöscht werden können. Ein solcher Widerruf oder genereller Einspruch gegen die Datenspeicherung kann beispielsweise durch einen Kundenauftrag veranlasst sein. Jetzt ist aber allein die Aufgabe, diese „Permissions“ in korrekter Weise zu verwalten eine keinesfalls triviale Aufgabe, mit der die zum Management eines Data Lakes Berechtigten in der Regel ein Problem haben. Eine mögliche Abhilfe kann hier sein, dass zwar die grundlegenden Infrastruktur zum Speichern dieser Daten seitens des Data Lakes bereitgestellt und verwaltet wird (das „System an sich“), die Benutzung von solchermaßen kritischen Bereichen aber in die Hand dafür speziell Berechtigter gelegt wird. Diese müssen dann auch zwingend die Berechtigung nachweisen – denn die Verantwortung für diese Daten liegt jetzt komplett in deren Hand! Ein Zugriff von dem normalen (und in der Regel anonymisierten) Data Lake in diese Daten ist nicht möglich und wird normalerweise technisch unterbunden. Die Datenhaltung inklusive dem Laden und Verarbeiten der Daten und das Löschen wird von den dazu Berechtigten ausgeführt und hat mit der eigentlichen Betriebsführung des Data Lakes dann „nichts zu tun“. Das erfordert natürlich ein ausgeklügeltes Sicherheits- und Mandantenkonzept. Hierauf werde ich demnächst ein Licht werfen.

 

 

 

 

 

 

Data Lake und Datenschutz: Eine schwierige Beziehung

Focus von Hadoop-basierten Systemen

Nachdem der Focus von Hadoop-basierten Big Data Systemen in der Vergangenheit im Wesentlichen auf dem Managen und Bereitstellen von Daten für Analysen und operative Zwecke gelegen hat, ohne große Anforderungen in Sachen Datensicherheit und Governance realisieren zu müssen, ändert sich dieses Bild stark in letzter Zeit. Mit dem Bekanntwerden der europäischen Datenschutz Grundverordnung https://dsgvo-gesetz.de/, welche zusammen mit einer Erneuerung des Bundesdatenschutzgesetzes ab Ende Mai 2018 zwingend angewendet werden muss und einen grundlegenden Paradigmenwechsel darstellt, wurde vielen Organisationen und Unternehmen deutlich, dass bisher eingeschlagene Wege und ein gewisser „sorgloser“ Umgang mit Daten in der Datenverarbeitung in Zukunft nicht mehr gangbar sind. Die europäische Datenschutzgrundverordnung soll jedem ein Recht einräumen, über seine Daten grundsätzlich selbst zu bestimmen. In diesem Zusammenhang sind auch traditionell so verstandene vom Kunden selbst eingeräumte Rechte an seinen Daten mit Hilfe von pauschalen Formulierungen nicht mehr tragbar. Die Rechte müssen stattdessen zukünftig sehr feingranular behandelt werden. Was heißt das? Technisch bedeutet das, dass auf Kundenanforderung  die von ihm gesammelten Daten zugänglich gemacht und von diesem beanstandete Daten schnell aus den Systemen gelöscht werden müssen, siehe dazu auch https://www.datenschutzbeauftragter-info.de/eu-datenschutzgrundverordnung-das-sind-die-neuerungen/. Besonders heikel sind die bei Verstößen gegen die Verordnung möglicherweise zu zahlenden Bußgelder. Diese können bis zu 4 Prozent der Jahresumsätze eines Unternehmens betragen! Klar, dass hier Handlungsbedarf besteht.

Personenbezogene Daten sind schwierige Daten…

Zu personenbezogenen Daten und dem gewünschten (geforderten!) Umgang mit diesen kann man dazu in Datenschutz-Handbüchern in etwa folgendes lesen:

Personenbezogene Daten sollen jederzeit gelöscht werden können, soweit nicht gesetzliche oder vertragliche Aufbewahrungspflichten entgegenstehen. Dasselbe gilt, wenn Grund zu der Annahme besteht, dass durch eine Löschung schutzwürdige Interessen des Betroffenen beeinträchtigt würden. In diesen Fällen wird typischerweise gefordert, dass an die Stelle einer Löschung eine Sperrung tritt.

Diese Daten sind also in den folgenden Fällen zu löschen:

  • Ihre Speicherung ist per se unzulässig
  • Es handelt sich um „schwierige“ Daten über die rassische oder ethnische Herkunft, politische, religiöse oder philosophische Meinungen und Überzeugungen, sexuelle Vorlieben, Vorstrafen und ähnliche Dinge, wobei ihre Richtigkeit von der verantwortlichen Stelle nicht bewiesen werden kann. Aber: Der Beweis ist zu erbringen, sobald der Betroffene die Richtigkeit bestreitet.
  • Wenn sie für eigene Zwecke verarbeitet werden, sobald ihre Kenntnis für die Erfüllung des Zweckes der Speicherung nicht mehr erforderlich ist. Das trifft in der Regel für dispositive Systeme wie Data Lakes, Data Warehouses und Artverwandte zu.

Recht auf Vergessenwerden

Das sogenannte „Recht auf Vergessenwerden“ soll sicherstellen, dass digitale Informationen mit einem Personenbezug nicht dauerhaft zur Verfügung stehen. In der am 24. Mai 2016 in Kraft getretenen und ab dem 25. Mai 2018 in allen EU-Mitgliedstaaten unmittelbar geltenden Datenschutz-Grundverordnung wird das Recht auf Löschung in Art. 17 geregelt. Näheres dazu kann man in der deutschen Version des Artikels 17 der DSGVO nachlesen. Kurz zusammengefasst hat eine betroffene Person hat das Recht, zu verlangen, dass sie betreffende personenbezogene Daten unverzüglich gelöscht werde, wenn

  • die personenbezogenen Daten für die Zwecke, für die sie erhoben oder auf sonstige Weise verarbeitet wurden, nicht mehr notwendig sind
  • die betroffene Person ihre Einwilligung, auf die sich die Verarbeitung stützte, widerruft, und es sonst an einer anderweitigen Rechtsgrundlage für die Verarbeitung fehlt. Solche können zum Beispiel gesetzliche Aufbewahrungspflichten sein oder aber das Einfrieren der Daten zur Beweissicherung („Legal Hold“).

Was ist also zu tun? Prinzipiell muss ich beim Aufbau von Data Lakes (und natürlich auch von anderen Systemen) die Forderungen „Data protection by design“ und „Data protection by default“ beachten, sonst laufe ich in eine gefährliche Sackgasse. Sackgasse kann im Extremfall bedeuten, dass ich die ganze „illegale“ Datenhaltung forensisch löschen muss – ein Albtraum für alle Beteiligten. Damit das nicht passiert, ist von Anfang an sauber zu trennen zwischen Daten, die personenbeziehbar sind und klar vorliegen müssen und solche, die lediglich anonymisiert, eventuell auch pseudonymisiert gespeichert werden können. Diese „Datentöpfe“ müssen in der Regel mindestens logisch voneinander separiert gespeichert und geschützt werden – Stichwort logische „Sandboxes“. Hierzu ist ein Mandantenkonzept zu entwickeln und im Data Lake auch konsequent umzusetzen.

Klardaten…

Zu den klar vorliegenden Daten, aber auch bei anderweitig problematischen Daten, ist immer eine Prüfung  der vom Kunden gegebenen Einverständnisse zu diesen Daten vorzunehmen. Diese müssen auch ohne größeren Zeitverzug bei Entzug dieser gelöscht werden können. Das impliziert natürlich, dass man in geeigneter Weise jeden (!) Datensatz mit den dazu gegebenen Permissions verknüpfen können muss. Üblicherweise wird von Datenschutzseite auch eine maximale Aufbewahrungsdauer gefordert, falls der Data Lake in einem solchen Fall nur als bereitstellendes System dient. Ein Ausweg aus diesem Dilemma bietet der Ansatz, nicht  einen zentralen Data Lake zu bauen, sondern im Rahmen eines „Sandboxing“ auch physikalisch getrennte Umgebungen für verschiedene klar definierte Anwendungszwecke aufzubauen.

Das Bereitstellen der aktuellen Kunden-Permissions erfordert in der Regel ein separates System. Dies muss in der Regel in Lage sein, in nahezu Echtzeit die Permissions aktualisieren zu können. Üblicherweise stellt ein solches System über einen Service die Informationen zu den Berechtigungen bereit. Vorteil der Entkoppelung ist, dass man im Data Lake nicht mit Aufgabe konfrontiert ist, das operative Handling rund um die Kunden-Permissions zu implementieren – es recht in der Regel der Aufruf eines solchen Services bei Bedarf.

Implikationen für den Betrieb des Data Lakes

Was ist ein solcher Bedarf? Nun, im Grunde genommen alles, wo Daten, die im Data Lake gespeichert sind, verwendet werden beziehungsweise auch für den Fall, das regelmäßig Löschroutinen über den Bestand des Data Lakes laufen (müssen). Für Anwendungen, die operativen Charakter haben, sind Klardaten meist  notwendig. Die Verarbeitung ist in Regel durch den Zweckbezug gedeckt, wenn der zeitliche Rahmen auch dazu passt. Ein Beispiel: Um Verspätungen im öffentlichen Verkehr berechnen zu können und personalisierte Verspätungsmeldungen und Empfehlungen geben zu können, braucht man neben den Streckendaten, Fahrtdaten und weiteren nützlichen Informationen auch personenbezogene Daten. Diese werden für die Berechnung von Prognosen bereitgestellt und können auch verarbeitet werden, wenn dieses zeitnah erfolgt, also zeitnah zur tatsächlichen Reise oder Fahrt. Genauso können daraus abgeleitete Empfehlungen an den Kunden weitergegeben werden. Voraussetzung ist natürlich, dass der Kunde sein Einverständnis zum Empfang solcher Information gegeben hat. Die Daten selbst, sofern sie noch personenbeziehbar sind, müssen allerdings dann auch zeitnah wieder gelöscht werden.

Umgekehrt dürfen diese Informationen nicht ohne weiteres für andere analytische Zwecke verwendet werden, zumindest nicht, wenn hierbei noch ein Personenbezug herstellbar ist. Hier kommen jetzt verschiedene Möglichkeiten in Betracht, die die Situation trotzdem „retten“ können. Wichtige Stichwörter sind Pseudonymisierung und Anonymisierung und der Aufbau mindestens logisch streng getrennte Bereiche. Was dahinter steckt und wie man sich ein weiteres Vorgehen vorstellen kann? Dazu demnächst mehr.

Industrie 4.0: eine Chance für den Mittelstand

Das Schlagwort Industrie 4.0 hat durch die Cebit 2016 erneut an Dynamik gewonnen und ist momentan das Thema in den Medien, auf Veranstaltungen und bei Kongressen, an dem es kein Vorbeikommen gibt. Mit der Vision einer völlig neuen Art wirtschaftlicher Produktion, die durch eine durchgängige Digitalisierung und eine stärkere innerbetriebliche sowie überbetriebliche Vernetzung geprägt ist, setzen sich immer mehr Unternehmen auseinander. Weiterlesen

Warum IT-Projekte ohne Changemanagement scheitern

Wikipedia definiert „digitale Transformation“ als „langfristige Veränderung des Fundaments jedes Unternehmens in seiner Strategie, Struktur, Kultur und seinen Prozessen durch die Möglichkeiten und Potenziale digitaler Medien und des Internets.“ Doch was passiert, wenn man als Projektleiter genau solch ein Veränderungsprojekt in einem Unternehmen zu betreuen hat? Vor allem: Was passiert mit den Menschen? Der folgende Artikel soll das etwas näher beleuchten. Weiterlesen