آیا با همرسانی داده‌ها، حفظ حریم خصوصی شدنی است؟ (بخش دوم)

در جُستار پیشین، به مبحث حفاظت از داده‌ها و مسئله‌ی حریم شخصی پرداختیم. و اینکه آیا حفاظت از داده‌ها در صورت همرسانی آن‌ها شدنی است یا نه؟ اکنون در ادامه می‌خواهیم به واکاوی روش‌های مؤثر آن بپردازیم. نقش داده‌های ترکیبی در حفاظت حریم شخصی در بیشتر کشورها، شرکت‌هایی دولتی که اطلاعات حساسی را جمع‌آوری می‌کنند، طبق قانون موظف‌اند داده‌ها را به‌صورت عمومی همرسانی کنند. این شرکت‌ها داده‌های اصلی پردازش را می‌کرده و به داده‌های محافظت‌شده تبدیل و سپس منتشر می‌کنند. در این رویکرد، متغیرهای حساس داده‌ها به صورت سیستمی و با یکی از روش‌های ذیل هم‌وزن می‌شوند. (با همان مثال خرده‌فروش‌ها پیش می‌رویم که می‌خواهند داده‌های فروش هفتگی را همرسانی کنند): اضافه کردن نویز تصادفی: مشاهدات را در دهک‌های مبتنی بر فروش گروه‌بندی می‌کنند و یک رقم تصادفی به هر دهک اضافه می‌شود. گرد کردن: فروش را به نزدیک‌ترین رقم صدگان گرد می‌کنند. کدگذاری مقیاس بزرگ: تمام مواردی که ارزش‌شان از یک حدی (مثلاً ۱۰۰) بیشتر است، برابر ۱۰۰ در نظر گرفته می‌شوند. تعویض: مشاهدات را به چندین گروه تقسیم و داده‌های فروش گروه‌های مختلف را با هم عوض می‌کنند. تجمیع: در این مرحله مجموع فروش هفتگی و میانگین قیمت‌ها و پروموشن‌ها را به تمام فروشگاه‌های موجود در یک بازار نسبت می‌دهند. ایجاد داده‌های مصنوعی: فروش را با استفاده از توزیع احتمالی شبیه‌سازی می‌کنند. سازمان‌های بزرگ غالباً از این روندها استفاده می‌کنند. این روندها «اختلال در داده‌ه» نامیده می‌شوند. سازوکارشان به این گونه است که اطلاعات سودمند و مؤثر را در میان داده‌های اصلی ایمن و محفوظ نگه می‌دارند و درعین‌حال، احتمال نقض حریم خصوصی را کم می‌کنند. داده‌های اصلی در فضای دسترسی امن نگه‌داشته می‌شوند، مگر اینکه زمانی حذف برخی از آن‌ها ضروری باشد. به اعتقاد کارشناسان، اگ شرکت‌ها بخواهند شیوه‌های محاقظت از داده‌هایشان را استحکام ببخشند، باید نیم‌نگاهی هم به رویکردهای بالا داشته باشند. استفاده از مدل‌های آماری، یکی از راه‌های تبدیل داده‌های اصلی بازاریابی به داده‌های ترکیبی است. انگاره‌ی اصلی مدل‌های آماری در وحله‌ی اول فرض کردن اهداف بازاریابی در یک پروسه‌ی هم‌گذاری است و پس از آن اعمال داده‌های کاهشی و افزایشی بر روی آن است. البته، داده‌های مربوط به اهداف بازاریابی باید از قبل جمع‌آوری شده باشند. مثلاً فرمی رایج از داده‌ها را در نظر بگیرید. نه هر داده‌ای، داده‌هایی که به طور وسیع استفاده می‌شوند: داده‌های فروش نقطه‌ای خرده‌فروشی‌ها. عموماً شرکت‌های تحقیقات بازار، این داده‌ها را از فروشگاه‌ها جمع‌آوری می‌کنند. سپس با روش تجمیع، کلیه‌ی داده‌ها را ترکیب می‌کنند تا هیچ فروشگاه خاصی را به‌طور مجزا نشود شناسایی کرد. این داده‌ها را عمدتاً شرکت‌های بزرگ بسته‌بندی محصولات مصرفی خریداری می‌کنند. مدیران برندها نیز به کمک همین داده‌ها عملکرد برند و پارامترهای بازاریابی را ارزیابی می‌کنند. پارامترهایی نظیر کشش از لحاظ قیمت و مؤلفه‌های ارتقای تبلیغات. اما رویکرد تجمیع ممکن است باعث انحراف پارامترهایی شود که مبنای تصمیم‌‌های مهم مدیران هستند (مانند تعیین بودجه‌ی تبلیغات تجاری). در اینجا، کمک گرفتن از یک مدل آماری که داده‌های اصلی را به داده‌های مصنوعی یا ترکیبی تبدیل کند، یکی از روش‌های محافظت از هویت فروشگاه‌ها است. تحقیقات ثابت کرده است که این روش، داده‌های صحیح‌تر و مستندتری را به مدیران می‌دهد.

کما این که هویت فروشگاه‌ها را نیز محفوظ نگه می‌دارد. مخلص کلام، کسب‌وکارها در صورتی امکان بهره‌مندی از مزایای فوق‌العاده‌ی بازاریابی داده‌محور را خواهند داشت که راهکاری برای غلبه بر خطرهای آن را بیابند. خطرهایی که در صدرشان جلوگیری از افشای ناخواسته‌ی اطلاعات است. رویکردهای حال حاضر قادر به مهار تمام‌وکمال ریسک نشت اطلاعات نیستند. نه واپایش سطح دسترسی و نه حذف اطلاعات شخصی که احتمال شناسایی شدن دارن، نمی‌تواند این ریسک‌ها را مهار کند. روش تجمیع نیز رویکردی‌ست که کیفیت اطلاعات را به‌شدت پایین می‌آورد. در میان پیشنهادهای کنونی کارشناسان، بهترین پیشنهاد این‌چنین است: شرکت‌ها با کمک مدل‌های آماری، داده‌های اصلی را به داده‌های ترکیبی تبدیل کنند. این راهکار دو نقطه‌ی قوت دارد؛ ۱. این‌گونه هم تصمیمات بازاریابی بر اساس معتبری انجام می‌شود، ۲. امنیت داده‌ها محفوظ می‌ماند.