¿Deberían estar exentos los sistemas de recomendación de la era posterior al seguimiento?

Como la recopilación de datos de primera parte se convierte en la nueva estrella guía para los marketeros y los corredores de datos, la atención aumentada sobre los sistemas de recopilación de datos ‘cerrados’ riesgos arrastrar a uno de los sectores de investigación más fervientes de aprendizaje automático hacia la controversia y una mayor regulación.

Las acciones tomadas por los jugadores de FAANG y los productores de FOSS en los próximos 12-18 meses están a punto de cerrar la cultura de seguimiento entre dominios que envolvió los sistemas de análisis de usuarios durante los últimos veinte años, y culminó en los escándalos de Cambridge Analytica y, posteriormente, en la irresistible demanda popular de mayor privacidad en línea.

Ya sea que la implementación cumpla con el ideal o no, y sin importar la medida en que los sistemas de seguimiento más generalizados (como FLOC de Google y SKAdNetwork de Apple ) puedan calmar la ira del consumidor y satisfacer a los anunciantes, esta nueva ola de preocupación por la privacidad del usuario solo se aplica a la extracción de datos entre dominios en un contexto ‘público’, y no a entornos de consumo cerrados o propietarios, y a los sistemas de recomendación personalizados que impulsan el compromiso allí.

Datos ricos en jardines amurallados

Plataformas como Netflix, Disney+, HBO Max, Roku y la ecoestructura de Amazon (incluyendo Prime Video y recomendaciones de productos), que utilizan sistemas de recomendación de aprendizaje automático personalizados, están entre los servicios de contenido que ahora prolifera y se retrencha a medida que la industria de streaming se balkaniza.

Como la recopilación de datos de terceros se reduce, la ventaja que retienen los jugadores de streaming más grandes en términos de acceso detallado a los datos de uso del cliente parece probable que inspire envidia y emulación, y un énfasis renovado en los marcos de primera parte como una forma de recuperar la segmentación hiperpersonalizada de los nuevos sistemas de análisis más generalizados.

Si esto sucede, no es probable que sea tan democrático o meritocrático como los criterios de entrada anteriores, porque la mayor ventaja recaerá en los proveedores con la red más extensa de plataformas de primera parte; con suficientes recursos de desarrollo para proporcionar sistemas de autenticación local seguros; y que puedan gestionar, analizar y monetizar grandes cantidades de datos localmente.

Esto enfocaría la atención pública en los aspectos de privacidad de los sistemas de recomendación ‘cerrados’ de una manera que han podido evitar hasta ahora, porque, hasta este punto, han sido casos excepcionales y han disfrutado de privilegios excepcionales, operando en un contexto en el que el usuario final ha optado explícitamente por prácticas de recopilación de datos agresivas que no están permitidas generalmente en redes abiertas.

Un regreso más amplio a entornos de primera parte herméticos

Un énfasis aumentado en los datos de primera parte probablemente traerá un regreso a los sistemas de autenticación específicos del dominio que precedieron la popularidad de los métodos de autenticación de terceros proporcionados por Google (0Auth 2.0), Facebook y Twitter, así como otras plataformas sociales populares como Disqus.

Hace diez años, la adopción generalizada de estas plataformas de autenticación de terceros resolvió muchos problemas de seguridad para los dominios con recursos de desarrollo limitados, pero también hizo que fuera más difícil obtener la misma granularidad de datos de usuario activos que permite un sistema de autenticación y monitoreo de primera parte dedicado y local.

En ese momento, no importaba mucho, porque el seguimiento entre dominios podía cubrir esa brecha de datos.

La solución de inicio de sesión para una crisis existencial

Ahora, la ventaja radica en asegurarse de que el usuario esté conectado, incluso si no hay mecanismos explícitos para monetizarlos.

Un ejemplo de esto es el creciente número de medios de comunicación que requieren un inicio de sesión para ver contenido, incluso cuando no hay un muro de pago en su lugar.

Por ejemplo, The Guardian está experimentando actualmente con requisitos de inicio de sesión para vistas de artículos que provienen de búsquedas de Google:

Captura de pantalla de un ‘muro de inicio de sesión’ para una vista de artículo de The Guardian que proviene de una búsqueda de Google. Esto no se puede capturar en instantáneas de archivo web, ya que la restricción se genera mediante encabezados de referencia o sistemas basados en IP que revelan a Google como el origenador del clic.

Restricciones de este tipo pueden ser difíciles de determinar para un espectador individual, ya que pueden variar en diferentes ubicaciones geográficas o circunstancias.

Por ejemplo, el artículo de The Guardian anterior no está restringido de ninguna manera cuando se navega desde dentro del sitio web de The Guardian (incluso si el lector no está conectado), o cuando se accede directamente.

Requerir un inicio de sesión desde una referencia de Google es un método barato de generar un aumento en la demanda de membresías sin alienar a los lectores ‘pre-capturados’.

Aunque siempre ha habido ventajas en la recopilación de datos en este tipo de compromiso de primera parte (es decir, un ‘inicio de sesión local’), la caída del seguimiento entre dominios probablemente elevará la práctica de ‘ventajosa’ a ‘necesidad existencial’ para evitar las corrientes de datos de marketing más escasas de FLOC y SKAdNetwork.

El impulso hacia la recopilación de datos de primera parte

La evidencia de una ‘fiebre del oro’ de datos de primera parte es abundante en el suelo.

Según la visión de un insider de la industria en Forbes, la caída de las cookies de terceros conducirá a nuevas oportunidades para que las empresas curaten y vendan datos de segunda parte, donde tengan suficiente infraestructura de primera parte para convertirse efectivamente en corredores de datos por derecho propio.

Análisis en otros lugares también prevé que los minoristas (que invierten mucho en sistemas de recomendación de aprendizaje automático) se convertirán en los nuevos ‘magnates de los medios’.

En una publicación de blog, la plataforma de monetización Setupad ejemplifica la intención de la industria publicitaria de no acceder a sistemas federados y limitados de datos como FLOC, afirmando que ‘la segmentación comportamental es la respuesta al éxito futuro para los anunciantes’, y que la captura de primera parte es el requisito absoluto para esto.

La segmentación comportamental es lo que causó el actual cambio tectónico en la privacidad del consumidor en primer lugar; y es lo que las industrias de marketing y de influencia profesional quieren recuperar – por poder, por sigilo o por cualquier otro medio, sin importar que pueda arrastrar eventualmente al sector de investigación de sistemas de recomendación hacia abajo con él.

El ‘club’ de primera parte

Además del requisito de infraestructura costosa, así como de recursos de seguridad y desarrollo, otro factor indica por qué solo las empresas más grandes probablemente prosperarán en la era de los sistemas de recopilación de datos de primera parte: una empresa necesitará una captura de mercado convincente para coaccionar a los consumidores de regreso a los sistemas de inicio de sesión local que abandonaron con gusto hace una década.

Esto es un movimiento arriesgado, incluso para un jugador importante, y el recuerdo de la caída de Digg en 2010 todavía acecha el mundo del marketing y el SEO.

Cuanto más convincente sea la captura de mercado de una empresa, menos dañino será este movimiento, con empresas más poderosas capaces de soportar los valles y adaptarse mejor al ecosistema de primera parte que las empresas más pequeñas.

Efectos en la investigación de sistemas de recomendación

A medida que evoluciona esta situación, puede amenazar el ‘pase libre’ relativo que la supervisión regulatoria ha otorgado a la investigación de sistemas de recomendación de aprendizaje automático de empresas como Google, Amazon y Netflix.

Hasta cierto punto, las nuevas propuestas de la UE para la legislación de IA anticipan una mayor supervisión de los sistemas de recomendación en cualquier caso.

Aunque no está claro si la disposición del borrador contra ‘técnicas subliminales más allá de la conciencia de una persona para distorsionar materialmente el comportamiento de una persona’ se aplicará a los sistemas de recomendación, se anticipa que los anunciantes y los investigadores de sistemas de recomendación harán lobby para un trato excepcional.

Pero puede ser difícil hacer un caso para rodear la investigación de sistemas de recomendación en el evento de que el enfoque de ‘jardín amurallado’ se convierta en el nuevo estándar de la industria, y los pastos académicos ociosos que han albergado este sector de la investigación de aprendizaje automático se conviertan en un caldo de cultivo de alta volumen para el desarrollo de investigación de comportamiento de primera parte comercializado en masa.

La inversión importante en flujos de trabajo de datos de primera parte puede ser la única esperanza para recrear el mismo tipo de anuncios ‘psíquicos’ y propaganda política altamente efectivos que caracterizaron la era de Cambridge Analytica; pero para los reguladores, puede parecer que la muerte de la cookie de terceros simplemente movió las prácticas ‘desacreditadas’ de las calles a los recintos cerrados.

Si el efecto exterior de esas actividades vuelve a despertar la ira pública, eso puede resultar un refugio escaso.