Data discrimination (data censorship) là gì ?

Data discrimination (data censorship) là gì?

Data discrimination (data censorship) hay Phân biệt đối xử dữ liệu – còn được gọi là “phân biệt đối xử theo thuật toán” – đã được chứng minh là tồn tại, được định nghĩa là “sự thiên vị xảy ra khi các loại dữ liệu hoặc nguồn dữ liệu được xác định trước bị đối xử khác biệt một cách cố ý hoặc vô ý so với các loại dữ liệu khác”.

Đối với các bộ phận thương mại và tiếp thị dựa vào việc phân loại trên trang web và trong cơ sở dữ liệu của họ, những các quy tắc này sẽ chủ yếu tập trung vào các ý tưởng chính mà doanh nghiệp. Cho dù có ý thức hay không, các can thiệp thủ công trong việc sử dụng dữ liệu cho thấy sự phân biệt đối xử của thể chế – từ các công ty chỉ gửi email nhắc nhở Ngày của Mẹ cho nam giới trên cơ sở dữ liệu của họ đến các chiến dịch quảng cáo kỹ thuật số cho các sản phẩm xa xỉ chỉ nhắm mục tiêu đến chủ sở hữu tài sản trị giá ít nhất 1 triệu bảng Anh.

Dữ liệu lớn có thể dẫn đến data discrimination

Các nhà phân tích dữ liệu gần đây đã thảo luận về các xu hướng kỹ thuật số hàng đầu và trong danh sách này có trọng tâm là tùy chỉnh trải nghiệm của người tiêu dùng. Người tiêu dùng thường hiểu rằng dữ liệu của họ đang được thu thập và về cơ bản họ đang được theo dõi ở mọi bước trong hành trình mua hàng của họ. Cho dù họ có hoàn toàn thoải mái với thực tế đó hay không, thì ít nhất, hầu hết trong số họ đều mong đợi nhận được một khoản thanh toán nào đó và khoản thanh toán đó là hoạt động tiếp thị phù hợp với nhu cầu, mong muốn và sở thích cụ thể của họ.

Dữ liệu lớn cho phép phương pháp tiếp thị tùy chỉnh đó, đó là lý do tại sao bất kỳ nhóm nào muốn tạo chỗ đứng cho mình trong lĩnh vực tiếp thị đều ngày càng dựa vào Dữ liệu lớn. Việc thu thập và phân tích Dữ liệu lớn có giá trị đối với nhóm tiếp thị của bạn theo nhiều cách, bao gồm:

• Dữ liệu lớn có thể hướng dẫn phát triển các sản phẩm và dịch vụ mới
• Dữ liệu lớn cho phép bạn dự đoán các sở thích cá nhân để điều chỉnh các dịch vụ và ưu đãi
• Dữ liệu lớn hỗ trợ tiếp thị cá nhân hóa
• Dữ liệu lớn, khi được sử dụng đúng cách, có thể chuyển thành tăng trưởng doanh thu đáng kể

Với tất cả những lợi ích mà Dữ liệu lớn mang lại, cùng với thực tế là việc thu thập và lưu trữ các loại dữ liệu đa dạng hơn đang trở nên hợp lý hơn và dễ dàng hơn bao giờ hết, việc tiếp thị mà không sử dụng phân tích dữ liệu sẽ không có ý nghĩa gì. Rõ ràng là, với một cách tiếp cận phù hợp, Dữ liệu lớn có thể mang lại lợi ích cho lĩnh vực tiếp thị ở cả hai phía – nhà tiếp thị và người tiêu dùng.

Tuy nhiên, việc thu thập và phân tích Dữ liệu lớn không phải là không có rủi ro và sự xem xét kỹ lưỡng. Khi các nhà tiếp thị dựa nhiều hơn vào Dữ liệu lớn để tiếp thị, Ủy ban Thương mại Liên bang (FTC) đang xem xét những ưu và nhược điểm của phương pháp này và gần đây đã phát hành một báo cáo về vấn đề này, “Dữ liệu lớn: Công cụ bao gồm hoặc loại trừ?“. Trong báo cáo này, FTC đưa ra các vấn đề về phân biệt đối xử dữ liệu và tác động khác nhau – hai vấn đề mà bạn có thể không quen thuộc, nhưng bạn nên biết nếu bạn (hoặc công ty của bạn) tận dụng Dữ liệu lớn cho mục đích tiếp thị. Nếu bạn không tự làm quen với những chủ đề này, bạn có thể thấy rằng hậu quả rất nghiêm trọng.

Hiểu về việc phân biệt dữ liệu

Nhiều luật và quy định hiện hành nhằm bảo vệ người tiêu dùng khi thu thập, chia sẻ và bán dữ liệu cá nhân. Khi xu hướng phân tích dữ liệu phát triển, nhiều nhà tiếp thị đã ưu tiên giáo dục nhân viên của họ về các quy định này. Và, theo một trong những xu hướng được báo cáo khác của Altimeter – đó là việc nhấn mạnh các vấn đề thương hiệu liên quan đến việc sử dụng dữ liệu và quyền riêng tư – điều đó sẽ cần tiếp tục được ưu tiên. Đây là một lĩnh vực luôn thay đổi. Trên thực tế, hiện có một sửa đổi đang chờ xử lý đối với luật bảo mật dữ liệu của California sẽ mở rộng bảo vệ quyền riêng tư đối với dữ liệu sinh trắc học và vị trí địa vật lý. Đủ để nói rằng, cho dù bạn quản lý bộ phận tiếp thị hay sở hữu công ty của riêng mình, bạn có trách nhiệm đảm bảo tuân thủ hoàn toàn tất cả các quy định FTC hiện hành về tiếp thị và sử dụng dữ liệu người tiêu dùng.

Trong khi hầu hết các nhà tiếp thị đang chú ý đến các luật về quyền riêng tư đang thay đổi này, thì nhiều người lại ít quen thuộc với những quy định được đặt ra để ngăn chặn sự phân biệt đối xử và loại trừ các nhóm người tiêu dùng cụ thể. Mặc dù các luật sau đây ban đầu có vẻ không phù hợp với các nhà tiếp thị, nhưng chúng có khả năng áp dụng cho các hoạt động Dữ liệu lớn và tránh phân biệt đối xử dữ liệu (nghĩa là sử dụng dữ liệu cá nhân để phân biệt đối xử với các nhóm được bảo vệ nhất định, dù cố ý hay vô ý):

• Đạo luật Báo cáo Tín dụng Công bằng: Đạo luật Báo cáo Tín dụng Công bằng, hay FCRA, áp dụng cho việc thu thập và bán thông tin người tiêu dùng có thể được sử dụng liên quan đến tín dụng, việc làm, nhà ở, bảo hiểm hoặc các lợi ích khác. Đạo luật này nhằm đảm bảo rằng loại dữ liệu này được báo cáo với độ chính xác tối đa và chỉ được cung cấp cho các mục đích thích hợp. Đạo luật này có thể áp dụng cho các nhà tiếp thị tham gia vào việc quảng cáo thẻ tín dụng hoặc các khoản vay ngân hàng. Nhận thức được cách các sản phẩm này đang được bán trên thị trường là rất quan trọng. Ví dụ: phân tích Dữ liệu lớn có thể loại trừ ai đó nhận tiếp thị cho thẻ tín dụng lãi suất cơ bản, đơn giản chỉ vì các yếu tố dự đoán phân tích phi truyền thống, chẳng hạn như mã zip của một người, trạng thái mối quan hệ hoặc thậm chí sử dụng phương tiện truyền thông xã hội. Điều này có khả năng là vi phạm FCRA.
• Luật Cơ hội Bình đẳng: Có nhiều luật cơ hội bình đẳng được áp dụng, bao gồm Đạo luật Cơ hội Tín dụng Bình đẳng và Đạo luật Không Phân biệt Đối xử Thông tin Di truyền, tất cả đều nhằm ngăn cấm phân biệt đối xử dựa trên các đặc điểm được bảo vệ, chẳng hạn như chủng tộc, giới tính, tuổi tác, tôn giáo, hôn nhân trạng thái, v.v. Một lần nữa, điều quan trọng là các nhà tiếp thị phải thận trọng khi nhắm mục tiêu người tiêu dùng hoàn toàn dựa trên thông tin được thu thập qua Dữ liệu lớn. Bạn cần cẩn thận để đảm bảo rằng quảng cáo của mình không loại trừ một nhóm người dựa trên các đặc điểm được bảo vệ theo luật cơ hội bình đẳng. Với Dữ liệu lớn, có thể dễ dàng mắc lỗi như vậy vì kết nối của con người thường bị mất trong đống thông tin.

Rủi ro của data discrimination (data censorship)

Data discrimination - phân loại dữ liệu thường dựa trên những dữ liệu đạt ở mức trung bình. Bằng cách làm việc với dữ liệu mức trung bình, các tổ chức, doanh nghiệp đang ưu tiên một khách hàng 'lý tưởng' tổng quát, những người tốt nhất có thể chỉ phản ánh một số ưu tiên của người dùng. Đưa ra giả định sai về người dùng trên trang web của bạn có thể khiến họ chuyển sang đối thủ cạnh tranh. Nếu họ cảm thấy bạn không nói hộ họ, họ sẽ tìm 'bộ lạc' của họ ở nơi khác.

Các thuật toán cho các quyết định về dữ liệu phải luôn tự học: bằng cách sử dụng trí tuệ nhân tạo đa diện, trang web của bạn có thể phản ứng – và tương tác – trong thời gian thực với từng khách truy cập. Khả năng mở rộng cuộc hội thoại cho từng cá nhân trong thời gian thực chỉ có thể thực hiện được với AI. Các biện pháp can thiệp thủ công đơn giản là không thể phục vụ hàng nghìn người dùng cùng một lúc, mỗi người theo một cách khác nhau nói trực tiếp với từng cá nhân.

Bằng cách không còn dựa vào dữ liệu mức trung bình, bạn loại bỏ rủi ro rằng các thuật toán được đào tạo trên một nhóm và được sử dụng không phù hợp để đo lường một nhóm khác.

4 cách sử dụng dữ liệu lớn tốt nhất để phân loại dữ liệu

Dưới đây là cách sử dụng Dữ liệu lớn sẽ đảm bảo bạn đang nhắm trúng mục tiêu người tiêu dùng tiềm năng của mình mà không vi phạm nguyên tắc phân biệt dữ liệu: 

Đảm bảo rằng bạn có một tập dữ liệu đại diện

Khi nghiên cứu xu hướng tiếp thị hoặc mua hàng, hãy đảm bảo rằng bạn có thông tin chính xác và kỹ lưỡng về người tiêu dùng. Có những nhóm người tiêu dùng có thể kín đáo hơn trong việc chia sẻ thông tin hoặc những người có thể chưa sẵn sàng tiếp cận công nghệ hoặc các hình thức truyền thông xã hội, nhưng điều đó không có nghĩa là họ không có khả năng mua hàng hoặc không nên được đại diện trong danh sách dữ liệu của bạn.

Tính đến Xu hướng trong Mô hình Dữ liệu của bạn

Gần như tất cả các hình thức thu thập dữ liệu đều có những sai lệch tiềm ẩn. Đây là lý do tại sao yếu tố con người trong phân tích dữ liệu lại quan trọng đến vậy. Bạn nên xem xét dữ liệu đã thu thập với sự hiểu biết rằng có tồn tại một số thành kiến. Hơn nữa, bạn nên xem xét mô hình dữ liệu của mình và cố gắng xác định cũng như loại bỏ các nguồn sai lệch tiềm ẩn đó. Ví dụ: có sự thiên vị cố hữu (giả sử về mặt tiền tệ hoặc sắc tộc) xuất phát từ một tập dữ liệu hạn chế không? Nếu vậy, hãy xem khuyến nghị trước đây của chúng tôi.

Liên tục kiểm tra dự đoán dữ liệu

Dự đoán Dữ liệu lớn thường chính xác, nhưng chúng không hoàn hảo. Theo dõi các yếu tố dự đoán dữ liệu và theo dõi độ chính xác của chúng. Nếu bạn đang đưa ra các quyết định tiếp thị dựa trên các phân tích và dự đoán không thành công, thì cần phải thực hiện các thay đổi.

Đặt sự công bằng lên trên phân tích

Nếu bạn đang đưa ra các quyết định tiếp thị dựa trên Dữ liệu lớn và bạn không chắc liệu có vấn đề đạo đức nào liên quan đến việc loại trừ hoặc phân biệt đối xử hay không, thì tốt nhất là bạn nên thận trọng khi phạm sai lầm. Trở thành một nhà tiếp thị công bằng và có đạo đức là điều tốt nhất không chỉ cho người tiêu dùng mà còn cho danh tiếng của bạn với tư cách là một thương hiệu.

Data discrimination (data censorship) - Phân biệt đối xử dữ liệu là cách để các doanh nghiệp phân tích và định hình khách hàng mục tiêu của mình. Data discrimination đã và đang được ứng dụng rất phổ biến trong nhiều đơn vị hiện nay.