Effekte kontextueller Datenspezifität auf Bonitätsprognosen für Verbraucher

Více o knize

Die rasante Entwicklung und die damit verbundenen Kostensenkungen bei Speicher- und Verarbeitungskapazitäten haben das „Big Data“-Paradigma gefördert, bei dem große Datenmengen gespeichert und analysiert werden, um betriebswirtschaftlich relevante Informationen zu generieren. Besonders bei der Speicherung personenbezogener Daten, wie Bonitätsprognosen, stellt sich die Frage nach dem ökonomischen Nutzen im Verhältnis zu regulatorischen und ethischen Aspekten. Während die deutsche und europäische Gesetzgebung für die Datennutzung vorwiegend auf statistische Korrelationen setzt, fehlt vielen Verbrauchern das Verständnis für die mathematisch-statistischen Modelle, die ihre Bonitätsprognosen bestimmen. Dieses Informationsdefizit beeinflusst die politische Debatte und die Stabilität von Institutionen. Die Arbeit zielt darauf ab, dieses Defizit zu verringern und den Mehrwert verschiedener Bonitätsdatentypen anhand eines Datensatzes mit etwa 1,6 Milliarden Beobachtungen zu ermitteln. Eine qualitative Typologie von Bonitätsdaten wird entwickelt, die diese Daten nach „kontextueller Spezifität“ differenziert. Kontextuell spezifisch bedeutet, dass ein erkennbarer Zusammenhang zwischen Bonitätsdaten und Kreditverhalten besteht. Die zentrale Frage ist, ob Bonitätsdaten mit höherer Spezifität Vorteile gegenüber weniger spezifischen Daten bieten, was mikro- und makroökonomische Implikationen hat. Zudem werden ethische Aspekte der Bonitätsdate