Profilowanie, czyli zbieranie i przetwarzanie informacji o konsumencie uzyskiwanych na podstawie jego zachowań w sieci i w sklepach stacjonarnych jest obecnie powszechną praktyką. Dzięki takim danym oferta i reklama przesyłana zwrotnie do klienta może być mocno spersonalizowana. Niebezpieczeństwem jest jednak to, że bardzo łatwo zamknąć takiego konsumenta w tematycznej „bańce”, co zdarza się obecnie nagminnie.

Jeśli szukaliśmy na przykład informacji o lodówce, i jeszcze przy okazji odwodziliśmy przy okazji stacjonarny sklep AGD, możemy być pewni, że przez najbliższy miesiąc lub dwa będziemy zasypywani informacjami i promocjami dotyczącymi tego typu sprzętu.

Zobacz również:

• Sztuczna inteligencja od Apple wymagać może nowych procesorów

Praktyka profilowania

Wychwycone, śledzone i zebrane różnymi metodami oraz narzędziami dane o kliencie, a także zgromadzone informacje na temat jego zachowań w sieci, w tym takie, jakie pytania zadaje w przeglądarce, czym dzieli się ze znajomymi na portalach społecznościowych, czy wreszcie dane geolokalizacyjne ze smartfona (nie będziemy tu szerzej omawiać w jaki sposób technicznie zbiera się tego typu informacje), same w sobie są zawsze fragmentaryczne i nieuporządkowane. Tak więc nie mają dla firm żadnej istotnej wartości.

Jak to się zatem dzieje, że te nieustrukturyzowane dane stają źródłem i podstawą biznesowej działalności wielu przedsiębiorstw? Przyjrzyjmy się mechanizmowi przetwarzania tych danych.

Nieuporządkowane informacje zebrane o kliencie trafiają do tzw. platform popytu (Demand Side Platform). Są to dostępne w chmurze platformy lub oprogramowanie korzystające z analizy typu Big Data, które zaprogramowano w taki sposób, aby znaleźć użytkowników o określonych zachowaniach w sieci lub z określonego segmentu rynkowego.

Często do tego celu wykorzystuje się otwartą platformę programistyczną Apache Hadoop oraz własne, autorskie systemy analizy danych, przygotowane pod potrzeby konkretnej firmy. Na rynku dostępne są pakiety w opensource’owym języku programowania R, które umożliwiają radzenie sobie z przetwarzaniem ogromnych zbiorów danych oraz ich analizą. Wymienić tu można m.in. RHadoop czy SparkR.

Sam algorytm Big Data nie jest w stanie sprofilować typów zachowań konsumenckich pod konkretne oczekiwania firmy – tym zajmują się agencje marketingowe lub wyspecjalizowane firmy: brokerzy danych. Działalność tych ostatnich polega na zdobywaniu, korelowaniu i analizowaniu dużej ilości danych osobowych, tworzeniu na ich podstawie profilów użytkownika dla setek tysięcy, a nawet setek milionów osób.

Firmy te tak przygotowane profile odsprzedają innym podmiotom, które wykorzystują je najczęściej do celów marketingowych.

Chodzi o znalezienie dla swojego klienta osób, która charakteryzują się zestawem odpowiednio zdefiniowanych cech istotnych do dokonania zakupu danego typu produktu. Do tego dodawane są cechy i zachowania charakteryzujące takie osoby, które jeszcze reklamowego produktu nie kupiły, ale mogą to zrobić w przyszłości.

Taki hipotetyczny profil klienta nazywany jest w marketingowym żargonie look-alike i pod niego brokerzy danych sprzedają profile ze swoich baz. Wszystko to odbywa się w czasie rzeczywistym i klient teoretycznie powinien oglądać tę reklamę, która jest najbardziej w danej chwili zainteresowany – pomijamy tu aspekt giełd, licytacji i rywalizowania reklamodawców o możliwość wyświetlenia swojej reklamy potencjalnemu klientowi np. na portalu społecznościowym, która to rywalizacja często zaprzecza idei profilowania i w efekcie klient dostaje reklamę bez związku z jego zainteresowaniami czy wyszukiwaniami.

O tym, jak duży jest to rynek, świadczą setki działających na nim brokerów danych. Często są to firmy z wieloletnią tradycją, choć przeciętnemu użytkownikowi takie nazwy jak np. Acxiom, Exactis, Experian, Epsilon, CoreLogic, Datalogix, Intelius, Nielsen, PeekYou czy Recorded Future – najwięksi gracze z tej branży – niewiele mówią.

Sztuczna Inteligencja tworzy profile

Obecnie do tworzenia profili potencjalnych klientów wykorzystuje się algorytmy sztucznej inteligencji. Przede wszystkim chodzi o uczenie maszynowe i głębokie uczenie sieci neuronowych. Obecnie nacisk kładzie się na to drugie, gdyż nie wymaga ono uporządkowanych, zetykietowanych danych. Jest to jedna z najważniejszych cech decydujących o sukcesie głębokiego uczenia w zastosowaniach marketingowych związanych z profilowaniem. W wypadku standardowego uczenia maszynowego potrzebna jest bowiem ingerencja człowieka, który często musi dysponować dużą wiedzą z danej dziedziny, a na to po prostu nie ma czasu.

Co więcej, działanie głębokich sieci neuronowych przypomina działanie ludzkiego mózgu przy rozwiązywaniu problemów. Dzięki temu otrzymuje się znacznie lepszą zbieżność z realnym zachowaniem klienta i uzyskiwane efekty przekazu reklamowego są znacznie lepsze.

Łatwiej znaleźć też identyfikatory klasyfikujące nieuporządkowane dane, które pozwalają stworzyć dobrze dopasowany profil.

Technologia głębokiego uczenia pozwala też algorytmom przetwarzającym zbiory Big Data z relatywnie prostych danych wejściowych, zebranych z ankiet, historii przeglądania stron czy informacji zgromadzonych przez pliki cookie w przeglądarce, znaleźć złożone, wysokopoziomowe informacje, które bardzo dobrze opisują zachowanie użytkownika w sieci czy w życiu codziennym, dla którego tworzony jest profil.

Skutki prawne

Tak zaawansowane profilowanie niesie ze sobą istotne skutki prawne. Analiza wymaga wzięcia pod uwagę Rozporządzenia o Ochronie Danych Osobowych, które obowiązuje we wszystkich krajach UE od 25 maja 2018 r. Po pierwsze, przy analitycznym przetwarzaniu w chmurze danych Big Data należy brać pod uwagę ochronę danych osobowych i przekazywanie ich poza granice Europejskiego Obszaru Gospodarczego.

Przekazywanie danych może następować tylko do krajów, które zapewniają odpowiedni stopień ochrony prywatności, co kompiluje tworzenie profili, jeśli nasze dane muszą trafić do krajów azjatyckich, takich jak np. Chiny.

Przekazywanie danych do krajów trzecich, które nie zapewniają odpowiedniego stopnia ochrony, jest ograniczone. W takich przypadkach przepływ danych może nastąpić wyłącznie w oparciu o konkretny instrument prawny dopuszczający taki przepływ, jak np. standardowe klauzule umowne, wiążące reguły korporacyjne, zatwierdzone kodeksy postępowania lub wyjątki uregulowane w RODO.

Oznacza to, że przepływy danych zebranych np. w sklepie internetowym powinny być zawsze dokładnie przeanalizowane w ramach weryfikowania poszczególnych podmiotów zaangażowanych w przetwarzanie naszych danych i tworzenie dla nas profili.

Co więcej, w RODO profilowanie zdefiniowane jest jako dowolna forma zautomatyzowanego przetwarzania danych osobowych, w tym informacji dotyczących zdrowia, sytuacji ekonomicznej, zainteresowań, zachowań czy lokalizacji, a więc standardowych informacji wykorzystywanych przy tworzeniu profili. Istotne jest też to, że RODO dzieli profilowanie na dwa typy.

Pierwszy związany jest z oceną prawdziwych informacji, pozyskanych na temat danego użytkownika np. w wyniku rejestracji konta. Drugi dotyczy profilowania związanego z tworzeniem nowych informacji o osobie, na podstawie uzyskanych wcześniej danych – a więc dokładnie tego, czym jest stworzony przez algorytmy sztucznej inteligencji profil.

Algorytmy przydzielają bowiem do profilu użytkownika konkretne cechy, których nie ujęto w formularzach rejestracyjnych czy w momencie wyrażania przez daną osobę zgody na przetwarzanie jej danych osobowych. RODO uwzględnia również dwie metody profilowania: wykonywane przez ludzi i zautomatyzowany bazujący na oprogramowaniu komputerowym.

Jeżeli profilowanie następuje w wyniku działania zautomatyzowanego, podmiot danych, czyli użytkownik ma prawo nie zgodzić się na proces przetwarzania danych oraz ich profilowania. Wiąże się to jednak z brakiem możliwości świadczenia przez serwis usługi. Dlatego należy koniecznie zadbać o to, aby klienci świadomie wyrażali zgodę, na to że ich dane mogą być wykorzystywane do profilowania.