Data Act: Mehr Datenzugang für die Forschung – aber noch lange keine fertige Analyse
In diesem Beitrag
Was der Data Act wirklich verspricht
Der Data Act klingt für empirische Forschung wie eine echte Verheißung: Endlich mehr Zugang zu echten Gerätedaten aus Wearables, Smart-Home-Systemen, Fahrzeugen oder vernetzten Maschinen. Daten, die bislang bei Herstellern und Diensteanbietern verschwanden, sollen nun für Nutzerinnen und Nutzer zugänglich werden.
Seit dem 12. September 2025 gilt der verbindliche Data Act unionsweit. Artikel 4 der Verordnung verpflichtet Dateninhaber, Nutzerinnen und Nutzern verfügbare Daten sowie relevante Metadaten zugänglich zu machen. Die Bereitstellung soll unverzüglich, in gleicher Qualität wie beim Dateninhaber, sicher, kostenlos und in einem strukturierten, gängigen und maschinenlesbaren Format erfolgen. Artikel 5 regelt zusätzlich die Weitergabe dieser Daten an Dritte auf Wunsch der Nutzerin oder des Nutzers.
Soweit die gute Nachricht. Doch das Gesetz enthält eine entscheidende Einschränkung: Der Zugriff bezieht sich ausschließlich auf „readily available data“, also auf Daten, die der Dateninhaber rechtmäßig ohne unverhältnismäßigen Aufwand erhalten kann. Eine Pflicht, neue Daten zu erfassen oder technisch nicht vorgesehene Daten zu speichern, besteht nicht.
Der Data Act gilt seit dem 12. September 2025. Ab dem 12. September 2026 wird zusätzlich „Access by Design“ für neue vernetzte Produkte und verbundene Dienste verpflichtend. Nutzerinnen und Nutzer sollen Daten dann unmittelbar einsehen, verarbeiten und an Dritte weitergeben lassen können, etwa über Wearables, Smart-Home-Geräte oder Fahrzeuge.
Der Data Act öffnet die erste Tür. Die weiteren Schritte erfordern eigenständige methodische, rechtliche und technische Planung.
Deutschland zieht nach: Bundestag und Bundesnetzagentur
Das Thema ist nicht mehr abstrakt. Am 26. März 2026 hat der Bundestag das Data-Act-Durchführungsgesetz verabschiedet und damit nationale Verfahrens-, Zuständigkeits- und Sanktionsregelungen geschaffen.
Die Bundesnetzagentur wird als zentrale Anlaufstelle für Durchführung, Aufsicht und Durchsetzung benannt. Sie soll Beschwerden bearbeiten, abgelehnte Datenzugangsgesuche an die EU-Kommission melden, Streitbeilegungsstellen zulassen und ausdrücklich die Weitergabe von Daten an Forschungseinrichtungen fördern.
Dass Zwangsgelder von bis zu 500.000 Euro vorgesehen sind, zeigt: Der Gesetzgeber meint es ernst. Die deutsche Umsetzung macht den Data Act im DACH-Raum operativ. Studierende und Forschende können sich also grundsätzlich auf konkrete Rechtswege stützen, wenn Datenzugang verweigert wird.
Zugang ist nicht Nutzbarkeit: Der eigentliche Engpass
Hier liegt der Denkfehler, der in der Diskussion um den Data Act am häufigsten auftaucht: Zugang wird mit Nutzbarkeit gleichgesetzt. Ein maschinenlesbarer Export aus einem Wearable oder einem Smart-Home-System ist noch kein forschungsfertiger Datensatz.
Was zwischen Export und Auswertung steht
Gerätedaten kommen oft ohne ausreichende Variablendokumentation, mit unklaren Zeitstempeln, in proprietären Formaten oder mit Messkonsistenzproblemen, die sich erst bei der Datenbereinigung zeigen. Wer schon mit SPSS, R, Stata oder Python gearbeitet hat, weiß: Ein schlecht strukturierter Datensatz kostet mehr Zeit als die eigentliche Analyse.
Der Data Act verpflichtet zur Lieferung relevanter Metadaten. Aber „relevant“ ist interpretationsbedürftig, und was ein Hersteller als ausreichend betrachtet, muss für eine wissenschaftliche Auswertung noch lange nicht ausreichen.
Fehlende Variablenbeschreibungen, uneinheitliche Messintervalle, Geräteversionswechsel innerhalb eines Datensatzes, unklare Einheiten und systematische Ausfälle bei bestimmten Nutzungsmustern sind häufige Probleme. Diese Fragen lassen sich nicht durch den Datenzugang allein lösen, sondern erfordern Datenbereinigung, Plausibilitätsprüfung und dokumentierte Entscheidungen im Methodenteil.
Der Engpass verschiebt sich
Der Data Act macht empirische Forschung nicht automatisch einfacher. Er macht sie potenziell datenreicher und damit methodisch anspruchsvoller.
Das betrifft besonders Studierende, die wenig Erfahrung mit der Datenaufbereitung haben. Wer bei der Hypothesenprüfung oder bei der Methodenwahl unsicher ist, wird durch komplexe Gerätedaten nicht entlastet, sondern vor neue Fragen gestellt: Welche Variablen sind tatsächlich vorhanden? Wie vollständig sind die Daten? Sind Zeitreihen konsistent? Welche Granularität erlaubt welche Analysen? Was gilt als Missingness und wie soll damit umgegangen werden?
| Dimension | Datenzugang (Data Act) | Forschungsnutzbarkeit (empirische Anforderung) |
|---|---|---|
| Rechtsgrundlage | Nutzungsrecht durch Art. 4/5 Data Act | Zusätzlich DSGVO-Rechtsgrundlage für personenbezogene Daten |
| Format | Maschinenlesbar, strukturiert, gängig | Analysesoftware-kompatibel, bereinigt, dokumentiert |
| Metadaten | Relevante Metadaten laut Verordnung | Vollständige Variablendokumentation, Einheiten, Messlogik |
| Vollständigkeit | „Readily available data“ | Geprüfte Missingness, Stichprobenlogik, Repräsentativität |
| Datenschutz | Nicht ersetzt durch Data Act | Anonymisierung, Pseudonymisierung, Schutzmaßnahmen nötig |
Datenschutz bleibt Pflicht: Was der EDPB klarstellt
Ein zweites, oft unterschätztes Problem betrifft den Datenschutz. Viele Gerätedaten aus Wearables, Smart-Home-Systemen oder Fahrzeugen sind personenbezogen oder zumindest personenbeziehbar. Der Data Act regelt den Zugang zu diesen Daten, ersetzt aber keine datenschutzrechtliche Rechtsgrundlage.
EDPB-Leitlinien für Forschungszwecke
Der Europäische Datenschutzausschuss hat in seinen EDPB-Forschungsleitlinien vom April 2026 klargestellt: Nur tatsächlich wissenschaftliche Forschung kann besondere Regeln der DSGVO für sich beanspruchen. Jede Verarbeitung personenbezogener Daten muss rechtmäßig sein. Transparenz, Verantwortlichkeit und angemessene Schutzmaßnahmen bleiben eigenständige Anforderungen, unabhängig davon, ob ein Datenzugangsrecht besteht.
Die Leitlinien betonen außerdem, dass anonymisierte Daten oder, wenn Anonymisierung nicht möglich ist, pseudonymisierte Daten bevorzugt werden sollen, soweit der Forschungszweck dadurch erreichbar bleibt. Für Studierende bedeutet das: Ein technisch verfügbarer Datensatz ist nicht automatisch rechtlich verwendbar.
In der Praxis zeigt sich allerdings, dass dieser Schritt häufig unterschätzt wird. Die Frage, ob Gerätedaten tatsächlich anonym sind oder ob eine Reidentifikation möglich bleibt, lässt sich nicht durch einfaches Löschen von Namen lösen. Gerade bei Zeitreihendaten mit hoher Granularität ist das eine methodisch und rechtlich ernste Frage.
Gerätedaten aus Wearables, Apps oder vernetzten Produkten können personenbeziehbar sein, auch ohne Namen oder E-Mail-Adressen. Prüfen Sie vor Beginn Ihrer Arbeit, ob eine datenschutzrechtliche Rechtsgrundlage vorliegt, ob Anonymisierung oder Pseudonymisierung möglich und ausreichend ist, und ob Ihre Hochschule oder Ihr Betreuer eine Einschätzung zur Verarbeitungszulässigkeit erwartet.
Was das für Ihre empirische Arbeit konkret bedeutet
Der Data Act verändert die Bedingungen empirischer Forschung real. Datenzugänge, die früher nur großen Unternehmen oder gut vernetzten Instituten offenstanden, werden schrittweise zugänglicher. Das ist ein echter Fortschritt.
Aber: Wer diese neuen Möglichkeiten in einer Abschlussarbeit oder einem Forschungsprojekt nutzen möchte, sollte früher und sorgfältiger planen als bei klassischen Fragebogenstudien oder Sekundärdaten aus bekannten Datenbanken. Der Engpass liegt nicht mehr hauptsächlich bei der Datenbeschaffung, sondern bei der methodischen, technischen und rechtlichen Übersetzung des Downloads in einen belastbaren Forschungsdatensatz.
Vor dem Start klären
Checkliste: Gerätedaten in empirischen Arbeiten
- Datenzugang und Nutzungsrecht vorab klären (Data Act Art. 4/5)
- Personenbezug der Daten prüfen und Datenschutz-Rechtsgrundlage sichern
- Anonymisierung oder Pseudonymisierung prüfen und dokumentieren
- Exportformat und technische Schnittstellen testen
- Metadaten und Variablendokumentation sichern
- Datenqualität, Vollständigkeit und Plausibilität prüfen
- Zeitstempel, Messintervalle und Geräteversionen nachvollziehen
- Analyseplan an Granularität und Messlogik der Daten anpassen
- Grenzen der Datenquelle im Methodenteil transparent dokumentieren
Kein Grund zur Überforderung, aber kein Grund zur Unterschätzung
Gerätedaten sind keine einfachere Alternative zu klassischen Methoden. Sie sind eine andere Art von Datenquelle, mit spezifischen Stärken und spezifischen Anforderungen. Wer diese Anforderungen von Anfang an mitdenkt, kann daraus methodisch belastbare und wissenschaftlich interessante Arbeiten entwickeln.
Wer hingegen erwartet, dass ein maschinenlesbarer Export direkt in SPSS oder R ausgewertet werden kann, wird spätestens bei der Datenbereinigung auf Probleme stoßen, die wertvolle Zeit kosten.
Der Data Act kann den Zugang zu Daten erleichtern. Wissenschaftliche Qualität entsteht aber erst dort, wo aus zugänglichen Daten nachvollziehbare, rechtlich saubere und methodisch belastbare Analysen werden.
Wenn Sie unsicher sind, ob Ihre geplante Datenquelle methodisch und rechtlich tragfähig ist, oder wenn Sie Unterstützung bei der Datenaufbereitung, Analysestrategie und Dokumentation benötigen, ist genau das der Punkt, an dem eine fundierte methodische Begleitung den Unterschied macht.
Empirische Forschung
Datenzugang
Datenschutz
Datenqualität
Abschlussarbeit
