Deze bijdrage betoogt dat het mededingings- en gegevensbeschermingstoezicht beter op elkaar afgestemd moeten worden om consumentenbelangen in datagedreven markten te waarborgen. De nasleep van de Facebook/WhatsApp-concentratie laat zien dat het toezicht op digitale markten te wensen overlaat, ondanks de vele handhavingsacties in verschillende lidstaten. Vanuit het perspectief van het mededingingsrecht worden aanbevelingen voor een meer samenhangend toezicht op misbruik van economische machtspositie en concentraties gedaan, zowel inhoudelijk bij de toepassing van concepten als institutioneel bij het uitoefenen van bevoegdheden door de betreffende toezichthouders. Geconcludeerd wordt dat er ruimte is voor synergieën maar dat er ook sprake kan zijn van spanning tussen de twee rechtsgebieden.

Het gebruik van data levert belangrijke voordelen voor ondernemingen en consumenten. Het roept echter ook de maatschappelijke vraag op of verzameling en gebruik van data kunnen leiden tot marktmacht (‘datamacht’). Het risico daarop wordt bepaald door: (1) het belang van data als input, (2) de beschikbaarheid en repliceerbaarheid van data, (3) het belang van schaal- en netwerkeffecten en (4) de concurrentiesituatie op de markt waarvoor data een input vormen. Het mededingingstoezicht beschikt over de instrumenten om in specifieke situaties het ontstaan van datamacht als gevolg van concentraties te voorkomen en misbruik van datamacht te beëindigen of te bestraffen. Tot nu toe hebben die situaties zich in de praktijk nog weinig voorgedaan.

In dit artikel gaan wij in op de vraag hoe een mededingingsautoriteit datagedreven technieken kan inzetten om effectiever te worden. Machine learning is in de laatste jaren enorm populair geworden, levert vaak snel goede resultaten op en vormt de basis voor succes van vele e-commerce-bedrijven die (bijna) dagelijks machine learning-algoritmes toepassen om de optimale prijzen te bepalen van al hun producten, gegeven historische transacties die concurrenten aanbieden en gelet op de omvang van de eigen voorraad. Machine learning is echter alleen geschikt voor specifieke vraagstukken. Het verschil tussen causaliteit en voorspelkracht speelt daarbij een belangrijke rol. Vaak past een ‘ouderwetse’ statistische analyse beter bij de onderzoeksvraag over oorzaak en gevolg. Voorbeelden van nuttige toepassingen van machine learning-technieken zijn voorspellingsmodellen en verkennende data-analyse, die op nieuwe inzichten kan wijzen of bepaalde gebeurtenissen kan signaleren. Wij bespreken een simpel algoritme toegepast op detectie van veranderingen in prijsdata en laten zien hoe dit tijdrovende handmatige analyses kan vervangen. Een mededingingsautoriteit kan soortgelijke algoritmes als een belangrijke en noodzakelijke aanvulling gebruiken op de ‘ouderwetse’ maar eveneens nuttige statistische analyses voor o.a. opsporing van kartels. De methode is flexibel qua inzet in verschillende markten en toepassingen van diverse aannames over het gedrag van ondernemingen.

Toezichthouders hebben te maken met een steeds grotere stroom aan data. Dit vraagt om toenemende discipline in de verwerking ervan. Uit de principes van goed toezicht volgen niet-functionele eisen – als traceerbaarheid, uitwisselbaarheid en betrouwbaarheid – waaraan de gegevensverwerking moet voldoen. Voor het realiseren hiervan is een datavoorzieningsfunctie nodig, vergelijkbaar met andere bedrijfsfuncties als Finance en HR. Binnen DNB is het datakwadrantenmodel gebruikt om deze realisatie vorm te geven. Het model is een begripsvormend kader, dat de gegevensverwerking vanuit twee perspectieven beschouwt: de aanbod- en vraagzijde van gegevens en een opportunistische versus een systematische manier van werken. Op basis van het model zijn keuzes gemaakt ten aanzien van de technische voortbrenging van data, inrichting van de organisatie, besturing en benodigde kennis en competenties.

Big data en, breder, data science, belooft veel voor toezicht. Om de beloften waar te maken moeten de nieuwe methoden en technieken wel worden toegepast in een inspectieorganisatie. Veel literatuur gaat over de beloften en bedreigingen van data science, weinig over de implementatie in organisaties. Deze bijdrage exploreert een aspect van dit onderwerp, namelijk de relatie tussen de nieuwe data scientist en de inspecteur. Beide vertegenwoordigen verschillende, en soms strijdige, essentiële kennisbronnen voor risicogebaseerd toezicht. Hoe kan er synergie tussen deze kennisbronnen worden bereikt? Deze bijdrage omschrijft deze uitdaging en verkent een drietal oplossingsrichtingen.