Sollten Empfehlungssysteme vom Post-Tracking-Zeitalter ausgenommen werden?

Da das Sammeln von First-Party-Daten zum neuen Leitstern für Marketer und Datenhändler wird, riskiert die zunehmende Aufmerksamkeit für “geschlossene” Datensammlungssysteme, einen der Forschungsbereiche des maschinellen Lernens in Kontroversen und strengere Regulierung zu ziehen.

Die Maßnahmen, die die FAANG-Akteure und FOSS-Produzenten in den nächsten 12-18 Monaten ergreifen, sollen die Kultur des Cross-Domain-Trackings beenden, die die Benutzeranalyse-Systeme in den letzten zwanzig Jahren umfasst hat und in den Skandalen von Cambridge Analytica und dem daraus resultierenden unvermeidlichen öffentlichen Druck auf mehr Online-Privatsphäre gipfelte.

Unabhängig davon, ob die Umsetzung dem Ideal entspricht und unabhängig davon, inwieweit allgemeinere Tracking-Systeme (wie Google’s FLOC und Apple’s SKAdNetwork) den Verbraucherzorn besänftigen und Werbetreibende zufriedenstellen können, gilt diese neue Welle der Besorgnis um die Benutzerprivatsphäre nur für Cross-Domain-Datenextraktion in einem “öffentlichen” Kontext und nicht für geschlossene oder proprietäre Verbraucherumgebungen und die maßgeschneiderten Empfehlungssysteme, die die Bindung dort antreiben.

Reiche Daten in geschlossenen Gärten

Plattformen wie Netflix, Disney+, HBO Max, Roku und die Amazon -Ecostruktur (einschließlich Prime Video und Produkt-Empfehlungen), die benutzerdefinierte maschinelle Lern-Empfehlungssysteme nutzen, sind unter den Inhaltsdiensten, die jetzt proliferieren und sich im Streaming-Markt balkanisieren, zu finden.

Wenn das Sammeln von Third-Party-Daten zurückgeht, wird der Vorteil, den diese größeren Streaming-Spieler in Bezug auf feinkörnigen Zugriff auf Kunden-Nutzungsdaten haben, wahrscheinlich Neid und Nachahmung inspirieren und einen erneuten Schwerpunkt auf First-Party-Rahmenwerke als Mittel zur Rückgewinnung hyperpersonalisierter Zielgruppen aus den allgemeineren neuen Analyse-Systemen legen.

Wenn dies geschieht, wird es wahrscheinlich nicht so demokratisch oder meritokratisch sein wie vorherige Kriterien für den Eintritt, da der größte Vorteil den Anbietern zugute kommen wird, die das umfangreichste Netzwerk von First-Party-Plattformen haben; mit ausreichenden Entwicklungsmitteln, um sichere lokale Authentifizierungssysteme bereitzustellen; und die in der Lage sind, große Datenmengen lokal zu verwalten, zu analysieren und zu monetisieren.

Dies würde die öffentliche Aufmerksamkeit auf die Privatsphäre von “geschlossenen” Empfehlungssystemen in einer Weise lenken, die sie bisher größtenteils vermeiden konnten, da sie vor diesem Punkt Ausnahmefälle waren und außergewöhnliche Privilegien genossen, die in einem Kontext operierten, in dem der Endbenutzer explizit in aggressive Datensammlungspraktiken eingewilligt hat, die in offenen Netzen nicht allgemein zugelassen sind.

Eine breitere Rückkehr zu hermetischen First-Party-Umgebungen

Eine zunehmende Betonung von First-Party-Daten wird wahrscheinlich zu einer Rückkehr zu den domänen-spezifischen Authentifizierungssystemen führen, die der Popularität von Third-Party-Methoden von Google (0Auth 2.0), Facebook und Twitter vorausgingen, sowie anderen beliebten Social-Plattformen wie Disqus.

Vor zehn Jahren lösten die weitverbreitete Übernahme dieser Third-Party-Authentifizierungsplattformen viele Sicherheitsprobleme für Domänen mit begrenzten Entwicklungsmitteln, machten es aber auch schwieriger, die gleiche Granularität von handhabbaren Benutzerdaten zu erhalten, die ein dediziertes und lokales First-Party-Authentifizierungs- und Überwachungssystem ermöglicht. Zu dieser Zeit war es nicht so wichtig, da Cross-Domain-Tracking diese Datenlücke überbrücken konnte.

Die Login-Lösung für eine existenzielle Krise

Jetzt liegt der Vorteil darin, sicherzustellen, dass ein Benutzer angemeldet ist, auch wenn es keine expliziten Mechanismen gibt, um ihn zu monetarisieren. Ein Beispiel dafür ist die wachsende Zahl von Medienausgaben, die eine Anmeldung zum Anzeigen von Inhalten erfordern, auch wenn keine Paywall vorhanden ist. Zum Beispiel experimentiert The Guardian derzeit mit Anmeldeanforderungen für Artikelansichten, die aus Google-Suchen stammen:

Screenshot eines ‘Login-Walls’ für eine Guardian-Artikelansicht, die aus einer Google-Suche stammt. Dies kann nicht in Web-Archiv-Snapshots erfasst werden, da die Einschränkung durch Referrer-Header oder IP-basierte Systeme generiert wird, die Google als Ursprung des Klicks offenbaren.

Einschränkungen dieser Art können für einen einzelnen Betrachter schwierig zu ermitteln sein, da sie je nach Geolokalisierung oder anderen Umständen variieren können. Zum Beispiel ist der obige Guardian-Artikel in keiner Weise eingeschränkt, wenn er von der Guardian-Website aus navigiert wird (auch wenn der Leser nicht angemeldet ist), oder wenn er direkt zugänglich ist. Die Anforderung einer Anmeldung von einer Google-Weiterleitung ist eine billige Methode, um eine nachfragegetriebene Erhöhung der Mitgliedschaft zu erzeugen, ohne bereits “erfasste” Leser zu verprellen.

Obwohl es immer Vorteile bei der Datensammlung in dieser Art von First-Party-Engagement gegeben hat (d. h. einem “lokalen” Login), wird der Niedergang des Cross-Domain-Trackings diese Praxis wahrscheinlich von “vorteilhaft” zu einer existenziellen Notwendigkeit erhöhen, um die spärlicheren Marketing-Datenströme von FLOC und SKAdNetwork zu vermeiden.

Der Impuls hin zum First-Party-Datensammlung

Die Beweise für einen First-Party-Datensammlungs-“Goldrausch” sind überall vorhanden. Laut der Ansicht eines Branchen-Insiders von Forbes wird der Niedergang von Third-Party-Cookies zu neuen Chancen für Unternehmen führen, um Second-Party-Daten zu kuratieren und zu verkaufen, wenn sie über ausreichende First-Party-Infrastruktur verfügen, um selbst zu Datenhändlern zu werden.

Analysen an anderer Stelle prognostizieren, dass Einzelhändler (die stark in maschinelle Lern-Empfehlungssysteme investieren) zu den nächsten Medienmogulen werden.

In einem Blog-Beitrag zeigt die Monetisierungsplattform Setupad die Absicht der Werbeindustrie, nicht auf föderierte, datenbegrenzte Systeme wie FLOC zu verzichten, indem sie erklärt, dass ‘Verhaltenszielung die Antwort auf zukünftigen Erfolg für Werbetreibende ist’ und dass First-Party-Erfassung die absolute Voraussetzung dafür ist.

Verhaltenszielung ist das, was die aktuelle tektonische Verschiebung in der Verbraucherprivatsphäre verursacht hat; und es ist das, was die Marketing- und professionelle Influencer-Industrie zurückgewinnen will – durch Proxy, durch Heimlichkeit oder auf andere Weise, egal ob es letztendlich die Empfehlungssystem-Forschung in den Dreck zieht.

Der First-Party-“Club”

Abgesehen von der Anforderung an teure Infrastruktur sowie Sicherheits- und Entwicklungsmittel ist ein weiterer Faktor, der darauf hinweist, dass nur größere Unternehmen in der Ära der First-Party-Datensammlungssysteme gedeihen werden: Ein Unternehmen wird eine überzeugende Markterfassung benötigen, um Verbraucher zurück in die lokalen Login-Systeme zu zwingen, die sie vor einem Jahrzehnt aufgaben.

Dies ist ein riskanter Schritt, sogar für einen großen Spieler, und die Erinnerung an den Niedergang von Digg im Jahr 2010 verfolgt die SEO- und Marketing-Welt noch immer. Je überzeugender ein Unternehmen die Markterfassung ist, desto weniger schädlich wird dieser Schritt sein, da größere Unternehmen in der Lage sein werden, Täler zu überstehen und sich besser an die First-Party-Ökonomie anzupassen als kleinere Unternehmen.

Auswirkungen auf die Empfehlungssystem-Forschung

Wenn sich diese Situation entwickelt, könnte sie die relative “Freikarte”, die die regulatorische Überwachung der maschinellen Lern-Empfehlungssystem-Forschung von Unternehmen wie Google, Amazon und Netflix gewährt hat, bedrohen.

In gewissem Umfang prognostizieren die neuen Vorschläge der EU für AI-Gesetze eine strengere Überwachung von Empfehlungssystemen. Obwohl unklar ist, ob die Bestimmung gegen ‘subliminale Techniken jenseits des Bewusstseins einer Person, um das Verhalten einer Person wesentlich zu verzerren’ auf Empfehlungssysteme anwendbar ist, wird erwartet, dass Werbetreibende und Empfehlungssystem-Forscher für eine außergewöhnliche Behandlung lobbyieren werden.

Es könnte jedoch schwierig sein, einen Fall für die Abriegelung der Empfehlungssystem-Forschung zu machen, wenn der “geschlossene Garten”-Ansatz zum neuen Branchenstandard wird und die akademischen Weiden, die diesen Sektor der maschinellen Lern-Forschung beherbergt haben, zu einem Hochleistungs-Hotspot für massiv kommerzialisierte First-Party-Verhaltensforschung werden.

Ein großer Investition in First-Party-Daten-Workflows könnte die einzige Hoffnung sein, um die gleiche Art von hochwirksamen “psychischen” Anzeigen und politischen Propaganda zu rekreieren, die die Ära von Cambridge Analytica geprägt haben; aber für die Regulierungsbehörden könnte es so aussehen, als ob der Tod des Third-Party-Cookies diese “unehrlichen” Praktiken einfach von der Straße in geschlossene Räume verlagert hat. Wenn die äußere Wirkung dieser Aktivitäten den öffentlichen Zorn erneut entfacht, könnte dies ein schwacher Schutzschild sein.