High-Quality Web Information Provisioning and Quality-Based Data Pricing

Informationen können als Produktionsfaktor in der aufkeimenden Informationsgesellschaft gesehen werden. Insbesondere das Web hat zu einer Informationsflut geführt, die es ungleich schwieriger macht, kontext-bezogen Informationen in hinreichender Qualität zu finden. Zwar liefern aktuelle Suchmaschinen meist zufriedenstellende Ergebnisse, allerdings existieren domänenspezifische Informationenbedürfnisse, die integrierte Informationen aus vielen, im steten Wandel befindlichen Quellen benötigen, in denen Standardsuchmaschinen nicht ausreichen. Der erste Teil der Arbeit beschäftigt sich damit, einen domänenspezifischen Suchdienst bereitzustellen, der auf Integration und Kuratierung, also menschlicher Zusammenstellung und Qualitätssicherung, fußt. Hierbei ist zu erwähnen, dass der Suchdienst Selbstaktualisierung sowie Offline-Funktionalitäten bietet, um Nutzer zu befähigen, immer aktuelle themenspezifische Informationen bei sich zu tragen, weshalb der Ansatz Web in your Pocket (WiPo) heißt. Nach der Prozess- und Implementierungsbeschreibung werden vier WiPo Use Cases (Search and Rescue, Gesundheitswesen, Tourismus und Agrarunternehmen) diskutiert. Der erste Case - stellvertretend für alle weiteren - wurde einem initialen Experteninterview unterzogen, das die Anwendbarkeit von WiPo in diesem Bereich nahelegt. Das Thema Informations- und Datenqualität fortführend erforscht der zweite Teil der Arbeit Datenmarktplätze, da zurzeit noch wenig Klarheit herrscht, welchen Wert Daten haben und welche vor allem Preismodelle sinnvoll angewandt werden können. Konkret wird ein Preismodell für Daten erarbeitet, das unterschiedliche Zahlungsbereitschaften abschöpft, dabei Datenqualität berücksichtigt und somit kundenindividuelle Datenprodukte ermöglicht. Hierzu wird die Preisstrategie Versioning in Kombination mit Name Your Own Price als besonders vielversprechend herausgearbeitet. Das vorgestellte Preismodell erzeugt zunächst verschiedene Qualitätsversionen eines Datensatzes (mit entsprechenden Kosten) basierend auf dem zu erwartenden Nutzen. Kunden können ihre Präferenzen für verschiede Qualitätskategorien und einen Bid-Price angeben. Sodann wird der Nutzen für den Kunden - in Anbetracht seiner Präferenz und Preisrestriktion - maximiert. Dieses Maximierungsproblem kann als Multiple Choice Knapsack Problem (MCKP) aufgefasst werden. Allerdings ist das MCKP NP-hart, also nach heutigem Wissensstand für beliebige Eingabewerte nur in exponentieller Zeit algorithmisch zu lösen. Deshalb stellt die Arbeit Approximationsschemata bereit und argumentiert, dass die meisten preisbezogenen MCKP klein genug sind, um mit heutiger Hardware sogar optimal gelöst zu werden. Beide Ansätze stellen Neuheiten auf ihrem Gebiet dar. Gerade der zweite Teil der Arbeit stellt einen besonderen Beitrag im Forschungsfeld Datenmarkplätze dar, weil er erstmalig ein Preismodell für Daten bereitstellt, das Kunden hinsichtlich ihrer Zahlungsbereitschaft diskriminiert und zugleich dem Kunden ein individuell auf seine Qualitätspräferenzen zugeschnittenes Daten-Produkt liefert.