---
type: paper
slug: sungbae-lim-2018-big-data-personal-information
title: Consumer Valuation of Personal Information in the Age of Big Data
authors:
  - '[[sesil-lim]]'
  - '[[jongroul-woo]]'
  - '[[jongsulee]]'
  - '[[sung-yoon-huh]]'
year: 2018
venue: '[[journal-of-the-association-for-information-science-and-technology]]'
volume: '69'
issue: '1'
pages: 60-71
doi: 10.1002/asi.23915
categories:
  - '[[ict-policy]]'
  - '[[information-privacy]]'
methods:
  - '[[discrete-choice-experiment]]'
  - '[[binary-logit]]'
  - '[[latent-class-model]]'
themes:
  - '[[personal-information]]'
  - '[[big-data]]'
  - '[[privacy-concerns]]'
  - '[[willingness-to-accept]]'
aliases:
  - sesil-lim-2018-big-data-personal-information
last_updated: '2026-05-17T21:30:00+09:00'
---
# Consumer Valuation of Personal Information in the Age of Big Data

*[[sesil-lim]], [[jongroul-woo]], [[jongsulee]], [[sung-yoon-huh]] (2018)* · [[journal-of-the-association-for-information-science-and-technology]] 69(1):60–71 · [DOI ↗](https://doi.org/10.1002/asi.23915)

> Big data 환경에서 한국 소비자 500 명이 6 유형 개인정보 (basic / purchase·payment / medical / Internet 검색 / SNS posts / location) 의 유출에 대해 *얼마의 보상 (KRW 10 만 / 50 만 / 100 만)* 을 받아들이는가를 [[discrete-choice-experiment]] (16 alternative, fractional factorial) 로 측정. binary logit 평균 WTA — basic info **KRW 392,335** > purchase·payment 329,396 > location 304,407 > medical 292,343 > Internet search 229,300 > SNS posts 218,565. [[latent-class-model]] 로 2 class 식별 — Class 1 (47.39%, 프라이버시 중시·유출 경험자) 의 WTA 는 basic KRW 666,586 으로 Class 2 (52.61%, 184,541) 의 3.6 배. 2014 한국 카드사 정보유출 법원 결정 KRW 10 만 보상은 acceptance rate 17.16% (Class 1 1.05%) — *심각하게 부족* 정량 입증.

- **RQ**: Big data 환경에서 소비자는 정보 유형별로 얼마나 다른 가치를 부여하는가? privacy 중시도 + 유출 경험 heterogeneity 가 WTA 에 어떻게 작용하는가? 한국 법원의 카드사 정보유출 보상 (KRW 10 만) 은 충분한가?
- **방법론**: [[discrete-choice-experiment]] (192 → 16 fractional factorial), [[binary-logit]] (Model 1), [[latent-class-model]] (Model 2, EM via Stata `lclogit`)
- **데이터**: 한국 7 대도시 face-to-face 설문 (2014-05-30 시작, 3 주). N=500 (남 49.4%, 여 50.6%, 평균 가구소득 KRW 426 만). 97.2% 가 *개인정보 보호 중요* 응답, 65.8% 가 *이전 유출 경험* 보고
- **주요 발견**: (i) WTA 순위 — basic 392 > purchase 329 > location 304 > medical 292 > search 229 > SNS 219 (단위 KRW 천). 보상금 RI 33.75% 로 dominant. (ii) Class 1 (47.39%, privacy 중시·유출경험자) basic KRW 666,586, medical 620,824 (2 위로 점프) vs Class 2 (52.61%) basic 184,541, medical 34,868 (최저). (iii) Scenario 1 (basic+purchase+medical 유출) 50% acceptance 보상 = KRW 850 천 (전체 평균) vs Scenario 2 (search+SNS+location) = KRW 760 천. (iv) 2014 한국 카드사 유출 법원 KRW 10 만 보상 acceptance = **17.16%** (Class 1: 1.05%, Class 2: 31.67%). (v) 의료/금융 부문 정보유출 50% acceptance 보상 = Class 1 KRW 1.29M / 1.28M (거의 동일), Class 2 250K / 320K. (vi) Naver (full registration) 유저 vs Facebook (email-only) 유저 보상 격차 ~2 배 — *식별 가능성 = 가치의 핵심 driver*
- **시사점**: (a) 한국 법원의 KRW 10 만 보상은 *공공 신뢰 훼손* 수준 — 상향 필요. (b) 의료부문은 금융부문과 동일한 *징벌적 손해배상* 법체계 필요. (c) 비식별화 가이드라인 의 *재식별 위험* 통제 강화. (d) IT 서비스 회원가입은 1–2 개 식별정보만 의무화

![Figure 2. Scenario 1 (basic+purchase+medical 유출) 에 따른 보상금 (KRW 20 만~200 만) 변화별 acceptance rate. Class 1 (privacy 중시) 의 50% 도달 보상은 KRW 1.9M, Class 2 (일반) 는 KRW 400K. 두 class 의 격차 5 배가 본 paper 의 정책 메시지 — *one-size compensation* 의 부적절성.](/papers/201801_LimS_Consumer_valuation_of_personal_information_in_the_age_of_big_data/fig2.jpeg)

## 요약

Big data 가 가치 창출의 핵심 자산이 되면서 소비자 *informational self-determination* 의 보호와 데이터 활용 간 긴장이 심화됐다. EU GDPR (2016 채택, 2018 시행), 한국 개인정보보호위원회 (2012) 등이 법체계로 대응 중이지만 *서로 다른 유형의 개인정보를 동등 취급* 하는 한계가 있다. 기존 연구 (Bauer-Korunovska-Spiekermann 2012; Personal Information Protection Commission 2013; Kim-Yeo 2010 등) 는 (a) WTP 의 protective 측면만 다루거나 (b) 정보 유형 미세분 또는 (c) e-commerce/SNS 한정 — big data 시대의 *다양한 정보 유형별 monetary value* 의 정량 측정이 빈자리. 본 paper 는 한국 (인터넷 보급률 99.2%, 스마트폰 85%, ICT Development Index 1 위) 의 500 명 [[discrete-choice-experiment]] 로 이 빈자리를 채운다.

방법론은 6 유형 개인정보 (basic / purchase·payment / medical / Internet search / SNS posts / location) × 2 level (유출 / 비유출) × 3 보상금 (KRW 10 만 / 50 만 / 100 만) 의 fractional factorial design — 192 가능 → 16 alternative 로 축약. Adams (1963, 1965) equity theory frame — *consumer 가 input (개인정보) 와 output (보상) 의 ratio 가 fair 한지* 판단. Model 1 은 binary logit (Train 2009) 으로 average preference, Model 2 는 [[latent-class-model]] (Greene-Hensher 2003) 로 2 class heterogeneity. class 확률은 *프라이버시 중요도* (5-Likert) + *유출 경험* (binary) 로 specification — 인구통계 변수는 유의하지 않음.

핵심 발견은 셋. 첫째, *information type 별 강한 ranking* — Model 1 평균 WTA: basic KRW 392,335 (개인 식별 가능성 핵심) > purchase·payment 329,396 (직접적 금전 피해) > location 304,407 > medical 292,343 > Internet search 229,300 > SNS posts 218,565. 한국 소비자가 SNS posts 를 가장 낮게 평가한 것은 *Boston Consulting Group 2012* 의 유럽 결과 (SNS posts 가 purchase·location 보다 높음) 와 정반대 — 국가 차이가 분명하다. 둘째, *latent class 의 극단적 격차* — Class 1 (47.39%) 의 basic info WTA 가 KRW 666,586, medical 620,824 (Class 1 에서는 medical 이 2 위로 점프) vs Class 2 (52.61%) basic 184,541, medical 34,868. 같은 정보 유출에도 응답자의 *privacy 중요도 인식 + 과거 유출 경험* 에 따라 3–18× 격차. 셋째, *정책 implication* — 2014 KB·NH·Lotte 카드 0.65 million 명 정보유출에 대해 2017 년 법원은 KRW 10 만 보상 결정 — 본 paper 의 simulation 으로 평균 acceptance 17.16% (Class 1 단 1.05%) 로 *심각히 부족*. 의료·금융 sector 의 50% acceptance 보상은 Class 1 에서 KRW 128–129 만으로 거의 동일하지만 법적 보호 수준 (금융=징벌적 손해배상 / 의료=가이드라인만) 은 격차 — 본 paper 는 *의료 부문도 금융 수준의 법적 보호 필요* 라고 권고. 한계 — (i) 6 유형으로 제한, (ii) lump-sum 보상 가정, (iii) stated preference 의 hypothetical bias.

## 핵심 결과

**Model 1 (binary logit, N=500)**

| Information type | β | RI (%) | WTA (KRW) |
|---|---:|---:|---:|
| **A. Basic** | −0.671\*\*\* | 14.71 | **392,335** |
| B. Purchase·payment | −0.563\*\*\* | 12.35 | 329,396 |
| C. Medical | −0.500\*\*\* | 10.96 | 292,343 |
| D. Internet search | −0.392\*\*\* | 8.60 | 229,300 |
| E. SNS posts | −0.374\*\*\* | 8.20 | 218,565 |
| F. Location | −0.520\*\*\* | 11.42 | 304,407 |
| G. **Compensation** | +0.0171\*\*\* | **33.75** | — |

\*\*\* p<0.01. compensation 의 RI 가 dominant 임이 *price-sensitivity* 의 명백한 evidence.

**Model 2 (latent class, 2 classes, Class 1 = 47.39%)**

| Type | Class 1 WTA (KRW) | Class 2 WTA (KRW) | 격차 |
|---|---:|---:|---:|
| A. Basic | **666,586** | 184,541 | 3.6× |
| B. Purchase | 616,310 | 103,802 | 5.9× |
| C. Medical | **620,824** | 34,868 | 17.8× |
| D. Search | 358,964 | 39,903 | 9.0× |
| E. SNS | 377,321 | 70,040 | 5.4× |
| F. Location | 437,329 | 131,593 | 3.3× |

Class 1 membership = privacy 중요도 (β=0.43\*\*) + 유출 경험 (β=0.44\*\*). 인구통계는 무유의.

**정책 시뮬레이션 (보상 KRW 10 만, 카드사 유출, Table 6 base)**

> 2014 카드사 0.65M 명 유출 → 2017 법원 결정 KRW 10 만 보상.
> 본 paper simulation: 평균 acceptance **17.16%**, Class 1 **1.05%**, Class 2 31.67% — *공공 신뢰 훼손 수준*.
> 50% acceptance 보상 = Class 1 KRW 1.28M (금융) / 1.29M (의료), Class 2 320K / 250K.

## 방법론 노트

[[latent-class-model]] 은 consumer heterogeneity 를 *unobserved class membership* 의 prior probability $H_{iq}$ 와 class-specific utility coefficients $\beta_q$ 로 분해한다. utility:

$$
U_{ij} = \sum_{k=1}^{K} \beta_{qk} X_{jk} + \varepsilon_{ij}
$$

class 확률은 *observable* class-determinant $z_i$ (본 paper: privacy 중요도 + 유출 경험) 의 로짓:

$$
H_{iq} = \frac{\exp(z_i' \theta_q)}{\sum_{q=1}^{Q} \exp(z_i' \theta_q)}
$$

joint likelihood:

$$
P_i = \sum_{q=1}^{Q} H_{iq} \prod_{j=1}^{16} P_{ij|q}, \quad P_{ij|q} = \frac{e^{\beta_q' X_j}}{1 + e^{\beta_q' X_j}}
$$

EM 알고리즘 (Stata `lclogit`, Pacifico-Yoo 2013) 으로 maximization. WTA 는 binary logit MWTP 와 동일 — $\beta_k / \beta_{\text{compensation}}$. Identification 은 (i) 16 fractional factorial 의 attribute 직교성, (ii) 3 bid level variation, (iii) class membership 의 observable instrument 가 인구통계가 아닌 *behavioral attitude*. 한계 — (i) Q=2 의 fixed 가정 (BIC 비교만), (ii) hypothetical bias.

## 연구 계보

본 paper 는 [[jongsulee]] 의 *2 기 (2005~)* 라인의 *ICT/digital rights* 응용. predecessor 는 (a) Adams (1963, 1965) equity theory 의 information privacy 응용, (b) Personal Information Protection Commission (2013) 의 *7-type 한국 개인정보 분류*, (c) Bauer-Korunovska-Spiekermann (2012) 의 Facebook WTP 측정, (d) Kim-Yeo (2010), Kwon-Lee-Kim-Jun (2012) 의 한국 CVM 기반 정보유출 보상 추정. 본 paper 는 이를 [[discrete-choice-experiment]] 로 전환하면서 *6 유형 비교 + latent class heterogeneity + big data scenario* 라는 세 axis 를 동시 도입.

[[jongsulee]] 그룹 내 sibling 으로 [[sung-yoon-huh-2014-rfs-choice-experiment]] (RFS attribute별 MWTP), [[sung-yoon-huh-2015-rps-rfs-rho-cvm]] (RPS/RFS/RHO 통합 CVM) 의 *공공정책 stated-preference 정량화* 라인이 *에너지 정책 → 데이터 권리* 로 확장된 작품. 공저자 [[jongroul-woo]] 의 MIT IDSS 소속이 *international comparison* 가능성 시사. 후속 sibling [[sungbae-lim-2019-renewable-heat-obligation]] 에서 [[sungbae-lim]] (= Sesil Lim) 박사 라인이 RHO 단독으로 확장.

## See also

- [[discrete-choice-experiment]]
- [[binary-logit]]
- [[latent-class-model]]
- [[willingness-to-accept]]
- [[personal-information]]
- [[big-data]]
- [[privacy-concerns]]
- [[sesil-lim]]
- [[jongsulee]]
- [[sung-yoon-huh]]
- [[jongroul-woo]]
- [[sung-yoon-huh-2014-rfs-choice-experiment]]
- [[sung-yoon-huh-2015-rps-rfs-rho-cvm]]