Schon längst basieren die datengetriebenen digitalen Dienste von Unternehmen auf der Sammlung von persönlichen Daten und deren Verarbeitung durch selbstlernende Algorithmen. Mithilfe von maschinellem Lernen können Unternehmen personalisierte Dienstleistungen anbieten, die auf die Bedürfnisse der Nutzer zugeschnitten sind. Aufgrund der intensiven Sammlung persönlicher Daten durch Unternehmen haben die Nutzer das Gefühl, die Kontrolle über ihre eigenen persönlichen Daten zu verlieren. Zusätzlich haben sie hohe Datenschutzbedenken bezüglich des Umgangs mit ihren Daten durch Unternehmen. Prominente Datenlecks wie der Cambridge-Analytica-Skandal verstärken diese Privatsphäre Bedenken. Infolgedessen sind Nutzer digitaler Dienstleistungen zunehmend zurückhaltend bei der Weitergabe ihrer persönlichen Daten, was ein Risiko für die datengetriebenen digitalen Dienste darstellen kann. Eine geringere Datenmenge könnte die Leistung der selbstlernenden Algorithmen beeinträchtigen und somit die Qualität der datengetriebenen digitalen Dienste mindern. Daher ist es das Ziel dieser Dissertation, das Dilemma zwischen dem Schutz der Privatsphäre der Nutzer und der Verbesserung der Wertschöpfungsprozesse durch selbstlernende Algorithmen herzustellen. Die zentrale Forschungsfrage dieser Dissertation lautet daher, wie Unternehmen das Dilemma zwischen dem Schutz der Privatsphäre des Einzelnen und die Verbesserung datengetriebenen digitalen Dienste entschärfen können. Diese Dissertation betrachtet die Fragestellung aus drei verschiedenen Perspektiven: Aus der technologischen, individuellen und organisatorischen Perspektive. In den letzten Jahrzehnten haben sich Technologien zum Schutz der Privatsphäre entwickelt (Privacy-enhancing technologies). Diese Informations- und Kommunikationstechnologien schützen die Privatsphäre von Individuen entweder durch die Löschung oder Minimierung personenbezogener Daten oder indem unnötige oder unerwünschte Verarbeitung personenbezogener Daten verhindert wird, während gleichzeitig die Funktionalitäten der Informationssysteme erhalten bleiben. Trotz der weit fortgeschrittenen Implementierung dieser Technologien zum Schutz der Privatsphäre werden diese nur selten in datengetriebenen digitalen Diensten eingesetzt. Daher bietet diese Dissertation einen Überblick über die Gründe, warum diese Technologien zum Schutz der Privatsphäre von Unternehmen nur zögerlich eingesetzt werden. Insbesondere werden die Barrieren aufgezeigt, die auftreten, wenn diese Technologien in datengetriebene digitale Dienste integriert werden. Somit wird durch diese Dissertation deutlich, dass eine rein technologische Lösung nicht ausreicht, um die Forschungsfrage vollständig zu beantworten. Dies ist der Ausgangspunkt meiner Dissertation, um weitere Lösungen für das zuvor angesprochene Dilemmas zu finden. Da die Datenschutzbedenken insbesondere von den Nutzern datengetriebener digitaler Dienste ausgehen, wird in dieser Dissertation als weitere Perspektive der Fokus auf die Individuen gelegt. Diese Perspektive zielt darauf ab, zu untersuchen, wie Unternehmen datengetriebene digitale Dienste gestalten sollten, um die Privatsphäre Bedenken der Nutzer zu mildern. Um dieses Ziel zu erreichen, stützt sich die Dissertation auf Theorien aus der Privatsphäreforschung, wobei der Fokus auf der Kontrolle der Individuen über ihre persönlichen Informationen und dem Vertrauen in datengetriebene digitale Dienste liegen. Im Wesentlichen werden Designprinzipien entwickelt, die erforderlich sind, um datengetriebene digitale Dienste zu gestalten, die es Einzelpersonen ermöglichen, die Kontrolle über ihre persönlichen Daten zurückzugewinnen. Darüber hinaus werden in dieser Dissertation weiterhin Designprinzipien entwickelt, die das Vertrauen der Nutzer in datengetriebene digitale Dienste stärken, insbesondere in solche, die auf maschinellem Lernen basieren. Als dritte Perspektive werden Organisationen einbezogen und insbesondere untersucht, wie maschinelles Lernen in die Wertschöpfungsprozesse der Unternehmen integriert werden kann, so dass datengetriebene digitale Dienste aufgebaut werden können. Im Mittelpunkt dieser Untersuchung steht die Identifizierung der Faktoren, die entweder die Integration von maschinellem Lernen in die Wertschöpfungsprozesse der Unternehmen unterstützen oder erschweren. Obwohl in vorangegangener Literatur bereits viele Faktoren für die Adoption von Innovationen untersucht wurden, ist eine erneute Betrachtung wichtig, da sich die Charakteristika von maschinellem Lernen stark von anderen Technologien unterscheiden. Beispielsweise werden große Mengen an (personenbezogenen) Daten verarbeitet, aus denen Empfehlungen für Individuen abgeleitet werden können. Die Fähigkeit des maschinellen Lernens, versteckte Muster aufzudecken, kann dazu führen, dass versehentlich sensible personenbezogene Daten offengelegt werden, was wiederum zu verstärkten Datenschutzbedenken führen kann. Zudem baut diese Dissertation auf früherer Forschungen auf, die Unterschiede bei der Akzeptanz von Innovationen in verschiedenen Kulturen aufzeigen, und untersucht, welche unterschiedlichen Faktoren in verschiedenen Kulturen für die Adoption von maschinellem Lernen für datengetriebenen digitalen Diensten wichtig sind. Dabei wendet diese Dissertation das „Organizational Readiness Concept for Artificial Intelligence“ innerhalb der kulturellen Forschung an, um tiefere Einblicke in diese Schnittstelle zu gewinnen. Zusammenfassend stellt diese Dissertation drei wichtige Perspektiven vor, die darauf abzielen, das Dilemma zwischen dem Schutz der Privatsphäre von Individuen und der Nutzung von maschinellem Lernen zur Wertschöpfung in Organisationen aufzulösen. Sie beschäftigt sich mit Datenschutz-Technologien, priorisiert nutzerzentrierte Ansätze und der strategischen Gestaltung von Wertschöpfungsprozessen. Diese Dissertation hebt hervor, dass die Berücksichtigung mehrerer Perspektiven erforderlich ist, um das Dilemma auflösen zu können. Dies soll weitere Forschung dazu motivieren, eine Multilevel-Theorie zu entwickeln. Ziel dieser Theorie ist es, eine umfassende Betrachtungsweise zu ermöglichen, um das Dilemma zwischen dem Schutz der Privatsphäre von Individuen und der Gestaltung von Wertschöpfungsprozessen zu finden.