Dataprofilering

Dataprofilering er prosessen med å lage beskrivelser eller vurderinger av enkeltpersoner eller grupper basert på data fra ulike kilder. Profilene kan inneholde demografiske trekk, atferd, preferanser og forventede fremtidige handlinger. Dataprofilering brukes for å segmentere kunder, skreddersy tilbud og innhold, og i noe grad for beslutninger innen kreditt, ansettelse eller offentlig forvaltning. Profilering kan være deskriptiv og prediktiv: deskriptiv beskriver hvilke trekk noen har, mens prediktiv estimerer sannsynlighet for en handling.

Datakilder inkluderer transaksjoner, nettadferd, sosiale medier, offentlige registre og sensor- eller enhetsdata. Metoder omfatter datavasking, statistisk modellering, maskinlæring, klynging og scoring som gir attributter eller poeng som beskriver eller forutsier atferd.

Kritikk og risiko inkluderer personverninntrenging, diskriminering, feilklassifisering og potensielt urettmessig påvirkning av beslutninger. Tiltak inkluderer å sikre representativitet, begrense innsamling til formålet, innhente samtykke eller bruke legitim interesse i samsvar med regelverk, gi innsyn og retting, og sikre menneskelig vurdering i beslutninger med betydelig virkning.

Lovgivning og etikk er sentralt. Mange jurisdiksjoner har personvernlover som regulerer hvordan opplysninger behandles og hvilke rettigheter den registrerte har. Effektiv dataprofilering krever god data governance, konsekvensanalyser (DPIA), tydelighet om formål, gjennomsiktighet og ansvarlighet, samt prinsipper som personvern ved design og dataminimering.