Crédito: CC0 Dominio público
El uso de tecnologías móviles para recopilar y analizar la información de ubicación de las personas ha generado cantidades masivas de datos de ubicación de los consumidores, lo que ha dado lugar a un elaborado sistema multimillonario en el que los consumidores pueden compartir información personal a cambio de beneficios económicos. Sin embargo, los riesgos de privacidad superan.
En un nuevo estudio, los investigadores utilizaron el aprendizaje automático para crear y probar un marco que cuantifica las amenazas de privacidad personalizadas; realiza ofuscación personalizada de datos; y tiene en cuenta diferentes tipos de riesgo, utilidad y compensaciones aceptables entre riesgo y utilidad. El marco superó los modelos anteriores al reducir en gran medida los riesgos de privacidad del consumidor y al mismo tiempo mantener la utilidad del anunciante.
El estudio fue realizado por investigadores de la Universidad Carnegie Mellon (CMU), la Universidad de Virginia y la Universidad de Nueva York. esta publicado en Investigación de sistemas de información.
“Se prevé que el mercado global solo para análisis de ubicación alcance los 25 500 millones de dólares para 2027”, señala Beibei Li, profesora asociada de informática y gestión en Heinz College CMU, coautora del estudio. “A medida que las industrias liberan cada vez más el poder de los grandes datos de ubicación, nuestro estudio ofrece un marco muy necesario para equilibrar los riesgos para la privacidad y la usabilidad de los datos, y para mantener un ecosistema de ubicación multimillonario seguro y autónomo”.
Los servicios de ubicación de teléfonos inteligentes (por ejemplo, navegación, viajes compartidos, servicios de entrega de alimentos) generan diariamente enormes cantidades de datos de ubicación móvil. Dichos datos rastrean el comportamiento del consumidor (dónde comen y compran, qué productos compran) para permitir la aplicación de valor comercial (por ejemplo, recomendaciones de restaurantes, publicidad basada en la ubicación, investigación de mercado). Los anunciantes que acceden a los datos de ubicación a través de agregadores de datos pueden predecir la próxima ubicación de los consumidores con un 25 % de precisión y la próxima acción y hora con un 26 % de precisión.
Sin embargo, existen riesgos significativos para los consumidores al compartir datos de ubicación, que incluyen información personal como nombres y domicilios. Algunos anunciantes pueden usar estos datos con fines maliciosos, generalmente para obtener ganancias a corto plazo. Por lo tanto, los agregadores de datos necesitan marcos personalizados y flexibles para equilibrar diferentes tipos de riesgo y utilidad para diferentes tipos de consumidores y anunciantes.
En este estudio, los investigadores desarrollaron una plataforma basada en aprendizaje automático que cuantifica los riesgos de privacidad del consumidor individual, cuantifica la utilidad del anunciante y ofrece un esquema de ofuscación personalizado y flexible. El programa omite un subconjunto de ubicaciones visitadas por el consumidor en función de su parámetro de omisión personalizado, acorde con el nivel de riesgo de la persona; también tiene en cuenta diferentes tipos y diferentes niveles aceptables de riesgo y utilidad.
Para probar su marco, los investigadores se asociaron con un agregador de datos líder que integra datos de ubicación de más de 400 aplicaciones móviles ampliamente utilizadas (por ejemplo, noticias, clima, mapas, estado físico) de una cuarta parte de la población de EE. UU. que cumple con las leyes de privacidad. Los datos recopilados durante cinco semanas, de septiembre a octubre de 2018, son representativos de la población de EE. UU. y la muestra analizada cubre la principal área metropolitana de EE. UU. Los investigadores validaron el marco en millones de trayectorias (dónde y cuándo se mueven los consumidores) generadas por 40 000 consumidores en una importante área metropolitana de EE. UU.
Según los autores, el marco del estudio tiene en cuenta las diferentes características de los datos de ubicación a nivel individual y supera muchos métodos comparativos de investigaciones recientes.
Los autores argumentan que al usar el marco propuesto, un agregador de datos puede mitigar efectivamente la posible intrusión en la privacidad del consumidor al realizar una ofuscación de datos personalizada sin sacrificar la utilidad de los datos ofuscados para el anunciante. El agregador también puede cumplir con los requisitos personalizados y variados tanto de los consumidores como de los anunciantes al considerar de manera flexible múltiples riesgos y tipos de utilidad, así como también una amplia gama de niveles aceptables de riesgo específico, utilidad y compensación riesgo-utilidad.
“El marketing basado en la ubicación se está convirtiendo rápidamente en el lugar principal para planificar y dirigir las campañas de marketing a los consumidores, mejorando las estrategias de marketing tanto tradicionales como digitales”, explica Meghanath Macha, estudiante de posgrado de Heinz College en CMU que dirigió el estudio. “Nuestro marco llena un vacío crítico y ofrece una herramienta importante para las prácticas conscientes de la privacidad en aplicaciones y servicios basados en la ubicación de Big Data, logrando un equilibrio entre los riesgos de privacidad y la utilidad de los datos”.
Entre las limitaciones del estudio, los autores señalan que los datos que utilizan no contienen información sobre la demografía de los consumidores individuales, lo que permitiría una mejor comprensión de los problemas de privacidad. Además, su marco propuesto solo consideró compartir los datos del anunciante una vez; no consideró escenarios más complejos con múltiples amenazas o usos, o lo que sucede cuando un anunciante combina múltiples lotes o fuentes de datos comunes.
Más información:
Meghanath Macha et al., Privacidad personalizada en trayectorias de consumidores móviles, Investigación de sistemas de información (2023). DOI: 10.1287/isre.2023.1227