Data သူခိုးမ်ား

ေန႕စဥ္ႏွင့္အမွ် online အေပၚမွာ အလုပ္လုပ္ေနရတဲ့အခါမွာ ကိုယ့္ရဲ႕ကိုယ္ေရးကုိယ္တာအခ်က္အလက္ ေတြကိုအခိုးခံရမွာကိုစိုးရိမ္ရပါတယ္။ မိမိရဲ႕ကိုယ္ေရးကိုယ္တာအခ်က္အလက္ေတြဟာ ယခုေခတ္မွာေတာ့ သင္တစ္ေယာက္တည္းသာသိတဲ့ အခ်က္အလက္ေတြမဟုတ္ေတာ့ပါဘူး။ Facebook page မွာ Like လုပ္ တဲ့အခ်ိန္၊ Credit card ေလွ်ာက္ထားတဲ့အခ်ိန္၊ ေၾကာ္ျငာတစ္ခုကို click ႏွိပ္လိုက္တဲ့အခ်ိန္၊ MP3 သီခ်င္း တစ္ပုဒ္ကို online မွာနားေထာင္တဲ့အခ်ိန္၊ YouTube video တစ္ခုကို comment လုပ္လိုက္တဲ့အခ်ိန္ စသည့္အခ်ိန္တိုင္းမွာ သင္ဟာသင့္ကိုယ္ေရးကိုယ္တာအခ်က္အလက္ေတြကို တိရစာၧန္ၾကီးတစ္ေကာင္ကို ေကြ်းလိုက္သလိုမ်ိဳးျဖစ္ေနတာ သင္သတိထားမိမွာ မဟုတ္ပါဘူး။ သင့္အခ်က္အလက္မ်ားကို ပံုစံမ်ိဳးစံု ေျပာင္းလဲျပီး ထပ္ဆင့္ေရာင္းခ်ေနတာကိုလည္း သင္သတိထားမိမွာမဟုတ္ပါဘူး။

ကိုယ္ေရးကိုယ္တာအခ်က္အလက္ Personal data မ်ားကို ေၾကာ္ျငာလုပ္ငန္းရွင္မ်ား၊ ေစ်းကြက္ရွာေဖြသူမ်ား၊ social network တည္ေထာင္သူမ်ား၊ website တည္ေဆာက္သူမ်ား၊ online ကုမၸဏီမ်ားမွ ၀ယ္ယူျပီး ျပန္လည္ေရာင္းခ်သည့္ စီးပြားေရးလုပ္ငန္းမ်ား အသစ္ေပၚေပါက္လာသည္။

၄င္းကုမၸဏီမ်ားသည္ database အတြင္းပိုင္းအထိပါ၀င္ေရာက္ေမႊေႏွာက္ရွာေဖြၾကျပီး ေမြးစာရင္းကဲ့သုိ႕ေသာ သင့္ကိုယ္ေရးကုိယ္တာ အခ်က္အလက္မ်ား အပါအ၀င္ သင္အင္တာနက္ၾကည့္ေသာ history မ်ားကိုပါ စုေဆာင္းထားႏိုင္သည္။ ထိုသို႕ျပဳမူရန္အတြက္ Facebook Like ႏွိပ္မႈမ်ားက အေကာင္းဆံုးပင္ျဖစ္သည္။ အထက္ပါစုေဆာင္းထားေသာအခ်က္အလက္မ်ားမွတဆင့္ pattern မ်ားတည္ေဆာက္ကာ လူတစ္ဦးခ်င္းစီ၏ အခ်က္အလက္၊ အျပဳအမူမ်ားကို ေလ့လာႏိုင္သည္။ ထို pattern မ်ားကို ၀ယ္၀ယ္၊ ေရာင္းေရာင္း ၾကိဳက္သလို ေဆာင္ရြက္ႏိုင္ၾကသည္။ ၂၀၁၂ တြင္ေမြးေသာကေလးတစ္ဦးဆိုပါက သူ၏အခ်က္အလက္မ်ားကို တစ္ေန႕ခ်င္း စီအလိုက္ေသာ္လည္းေကာင္း၊ တစ္မိနစ္ခ်င္းစီအလိုက္ေသာ္လည္းေကာင္း ေမြးဖြားသည္မွသည္ ေသဆံုးသည္အထိ စုေဆာင္းရရွိႏိုင္သည္။

Database မ်ားသည္လည္း နည္းပညာတိုးတက္လာသည္ႏွင့္အမွ် ခ်ိတ္ဆက္မႈအားေကာင္းလာျပီး စကၠန္႕ပိုင္း အတြင္း သန္းႏွင့္ခ်ီေသာ အခ်က္အလက္မ်ားကို စုေဆာင္းရယူႏိုင္သည္။ Personal data မ်ားရႏိုင္ဖို႕အတြက္ Facebook သည္အေကာင္းဆံုးေနရာတစ္ခုျဖစ္သည္။ Facebook ၏အဓိက၀င္ေငြရေနသည့္အပိုင္းကလည္း ၄င္းအခ်က္အလက္မ်ားကိုအေျခခံ၍ ရေနျခင္းျဖစ္သည္။ ထိုအခ်က္အလက္မ်ားျဖင့္ ေၾကာ္ျငာရွင္မ်ားကို နည္းအမ်ိဳးမ်ိဳးျဖင့္ကူညီသည့္အတြက္ Facebook တြင္ေၾကာ္ျငာႏႈန္းမ်ားတက္လာျပီး ပိုမိုစီးပြားျဖစ္လာၾကသည္။ မည္သို႕ပင္ျဖစ္ေစ ေလ့လာသူမ်ား၏ေျပာၾကားခ်က္မ်ားအရ Facebook သည္၄င္းတို႕ ကုမၸဏီကိုအမ်ားပိုင္ အျဖစ္ေျပာင္းလဲျပီးသည့္ေနာက္တြင္ အခ်က္အလက္ထိန္းသိမ္းမႈမ်ားကို ယခင္ကထက္ပိုမို၍ျပဳလုပ္လာ ၾကသည္။

Personal data မ်ားထိန္းသိမ္းေရးဆိုင္ရာ product မ်ားထုတ္လုပ္သည့္ ကုမၸဏီျဖစ္ေသာ Abine မွေရွ႕ေန Sarah Downey က၄င္းတို႕သည္ ေန႕စဥ္ႏွင့္အမွ် ပုဂၢိဳလ္ေရးဆုိင္ရာအခ်က္အလက္မ်ားထိန္းသိမ္းေပးရန္ စားသံုးသူမ်ားထံမွ ေတာင္းဆိုမႈမ်ား ရရွိေနေၾကာင္း၊ အခ်ိဳ႕ကိုယ္ေရးကိုယ္တာအခ်က္အလက္မ်ားသည္ ရည္ရြယ္ခ်က္မရွိဘဲ၊ မသိဘဲျဖစ္ေနေၾကာင္း၊ အခ်ိဳ႕ေပါက္ၾကားမႈမ်ားသည္ data ပို႕လုိက္သည့္ transaction တြင္ျဖစ္ေပၚသြားတတ္ေၾကာင္း ေျပာၾကားခဲ့သည္။ တစ္ခါၾကံဳဖူးသည္က မထင္မွတ္ဘဲ မိမိမသိသည့္ ေနရာ တစ္ခုမွာ သံုးလုိက္မိျခင္း၊ spam mail မ်ားႏွင့္ ဆက္သြယ္မိျခင္း၊ အႏၱရာယ္ရွိသည့္ database မ်ားမွ data ရယူျခင္း၊ data ေပးလိုက္မိျခင္း၊ စသည္မ်ားမွ data သူခိုးမ်ားလိုက္လာျခင္းျဖစ္သည္၊

ဆက္လက္ျပီး data ခိုးယူမႈမ်ားသည္ online, offline ခိုးယူမႈမ်ား၊ လြန္ကဲစြာခ်ိတ္ဆက္ထားေသာ network မ်ားႏွင့္ဆက္သြယ္ျခင္းျဖစ္သည့္ hyper connectivity မွတဆင့္က်ဴးလြန္ျခင္း၊ real-time ေၾကာ္ျငာမ်ား၊ browser fingerprint ႏွင့္ tracking၊ ေနာက္ဆံုးအခ်က္အေနႏွင့္ စားသံုးသူမ်ား၏အခ်က္အလက္မ်ားကို ထိန္းသိမ္းထားသည့္ database မ်ားမွတဆင့္ အခ်က္အလက္မ်ားခိုးယူျခင္းအေၾကာင္းအရာမ်ားကို ဆက္လက္တင္ျပမွာျဖစ္ပါသည္။

Online ႏွင့္ Offline data ခိုးယူမႈမ်ား

Personal data မ်ားသည္ယခုေခတ္တြင္ရယူရန္ ယခင္ေခတ္မ်ားကထက္ပိုမိုလြယ္ကူလာသည္။ လူမ်ားသည္ ၄င္းတို႕၏ဘ၀အေၾကာင္းအရာမွတ္တမ္းမ်ားကို အင္တာနက္အေပၚတြင္တင္ထားေသာေၾကာင့္လည္းျဖစ္သည္။ ယခင္ေခတ္မ်ားကဆိုလွ်င္ လူမ်ား၏ပုဂၢိဳလ္ေရးဆုိင္ရာအခ်က္အလက္မ်ားသည္ အစိုးရရံုးဌာနမ်ား၏ စာရြက္မ်ားေပၚတြင္သာရွိခဲ့သည္။ ဥပမာအားျဖင့္ ေမြးစာရင္းမ်ား၊ အိမ္ေထာင္စုစာရင္းမ်ား၊ လံုျခံဳေရးဆိုင္ရာအခ်က္အလက္မ်ား၊ ႏိုင္ငံေရးဆိုင္ရာအခ်က္မ်ားႏွင့္ မဲေပးမႈစသည္မ်ားျဖစ္သည္။ ယခုေခတ္မ်ားတြင္ အစိုးရဌာနမ်ားက computerized စနစ္မ်ားတည္ေဆာက္လာၾကသည့္အတြက္ ထိုစာရြက္မ်ားကို scan ဖတ္၍သိမ္းမွတ္ထားမႈမ်ားျပဳလာၾကသည္။ ထုိ႕ေနာက္တြင္မွ online အေပၚသို႕ ေရာက္လာသည့္အတြက္ ေပါက္ၾကားရန္လမ္းေၾကာင္းမ်ားျဖစ္ေပၚလာရျခင္းျဖစ္သည္။

အထက္ေဖာ္ျပပါကဲ့သို႕ေသာ ပုဂၢလိကဆိုင္ရာအခ်က္အလက္မ်ားကို data သိမ္းထားေပးသည့္ ကုမၸဏီမ်ားက ရပ္ကြက္၊ ျမိဳ႕နယ္၊ ခရိုင္၊ တုိင္းမွသည္ ႏိုင္ငံတစ္ႏိုင္ငံလံုးအတြက္ ေငြေၾကးတစ္ခုရယူျပီး online တြင္ လုပ္ငန္းပုိင္းဆုိင္ရာ သံုးစြဲရ လြယ္ကူရန္ဆိုေသာ ရည္ရြယ္ခ်က္ျဖင့္ထိန္းသိမ္းထားသည္။ Intelius.com ႏွင့္ Spokeo တုိ႕ကဲ့သို႕ေသာအဖြဲ႕အစည္းမ်ားသည္ ယခင္က physically စာရြက္ေပၚတြင္ရွိေနေသာအခ်က္ အလက္မ်ားကို အင္တာနက္ကိုအသံုးျပဳထားေသာ Online ေပၚသို႕ေရာက္ေအာင္ေဆာင္ရြက္ေပးေနၾကသည္။ ထို႕အျပင္ထုိအခ်က္အလက္မ်ားကို social network ကဲ့သို႕ေသာ ေနရာမ်ားမွ အခ်က္အလက္မ်ားကိုလည္း ရယူျပီးတစ္ေပါင္းတစ္စည္းတည္းျဖစ္ေအာင္ေဆာင္ရြက္ေပးႏိုင္သည္။

Spokeo ၏ Chief Strategy Officer ျဖစ္သူ Emanuel Pleitez က၄င္းတို႕ကုမၸဏီသည္ social media မ်ား၊ networking site မ်ား၊ public record မ်ားကိုတစ္ေပါင္းတစ္စည္းတည္းျဖစ္ေအာင္ ျပဳလုပ္ေပးသည္ဟု ၀န္ခံ သြားသည္။ ထို႕အတူ Intelius.com ကိုပုိင္ဆိုင္ေသာ Intelius Inc. က public record data မ်ားကို social network မ်ားမွ အခ်က္အလက္မ်ားကို ေပါင္းစည္း၍ online တင္ထားမႈမ်ားကိုစတင္လုပ္ကိုင္ေနျပီျဖစ္ေၾကာင္း General Manager ျဖစ္သူ Jim Adler ကေျပာၾကားသြားခဲ့သည္။ အခ်က္အလက္မ်ားကို ရႏိုင္သည့္ လမ္းေၾကာင္းေပါင္းစံုမွ ရယူမည္ျဖစ္ေၾကာင္းလည္း ျဖည့္စြက္ေျပာၾကားခဲ့သည္။ Intelius သည္ Facebook, Twitter ႏွင့္အျခားေသာ social network မ်ားမွတဆင့္ အမည္၊ အသက္၊ ေနရပ္လိပ္စာမ်ားကိုပါစုစည္း ေနေၾကာင္းေတြ႕ရွိရသည္။ မည္သို႕ပင္ျဖစ္ေစ ထိုကဲ့သို႕ေသာ ကုမၸဏီမ်ားသည္ Facebook ကိုဦးစားေပး၍data ရယူျခင္းမ်ားကိုေဆာင္ရြက္ေနၾကသည္။

Data Combination သည္ Privacy ထိခိုက္မႈမ်ားကိုျဖစ္ေစႏိုင္

Intelius, Spokeo, PeopleFinder.com ကဲ့သို႕ေသာ ကုမၸဏီမ်ားမ်ားသည္ public record မ်ားမွအခ်က္အလက္မ်ား၊ social network မ်ားမွ အခ်က္မ်ားကိုစုစည္း၍ေျမပုိင္ရွင္မ်ား၊ အာမခံလုပ္ငန္းလုပ္သူ မ်ား၊ အလုပ္ရွင္မ်ား၊  ေငြေခ်းလုပ္ငန္းေဆာင္ရြက္သူမ်ားဆီသို႕ အခ်က္အလက္မ်ားေပးျပီး ၄င္းတို႕အတြက္ ျဖစ္ႏိုင္ေခ်ရွိသည့္ စားသံုးသူမ်ားကိုခန္႕မွန္းေပးျခင္းမ်ား၊ ေၾကာ္ျငာျခင္းမ်ားျပဳလုပ္ႏိုင္ရန္အတြက္ ရည္ရြယ္ျပီး ေပးပို႕ေလ့ရွိသည္။

ဒီလိုေဆာင္ရြက္ျခင္းဟာ Fair Credit Repot Violation ဆိုေသာဥပေဒႏွင့္ညိစြန္းျပီး ကုမၸဏီ၏စည္းမ်ဥး္စည္း ကမ္းမ်ားႏွင့္လည္းကိုက္ညီမႈမရွိေၾကာင္း၊ Intelius ကုမၸဏီကလည္းထိုသို႕မလုပ္ေၾကာင္း Adler က PC World သို႕ email ျဖင့္ေျပာၾကားသြားခဲ့သည္။

လူအမ်ားစုကေတာ့ ၄င္းတို႕၏ကိုယ္ေရးကိုယ္တာအခ်က္အလက္မ်ားသည္ ၄င္း public record မ်ားမွတဆင့္ ေပါက္ၾကားျပီး၊ ရည္ရြယ္ခ်က္အမ်ိဳးမ်ိဳးျဖင့္အသံုးခ်ခံေနရေၾကာင္းယံုၾကည္ေနၾကသည္။ FTC Commissioner Julie Brill ကစားသံုးသူမ်ား၏ Credit Report မ်ားႏွင့္ပတ္သက္၍ တစ္စိတ္တစ္ပိုင္းအေနျဖင့္ ၄င္းတို႕၏ အိမ္ ပိုင္ဆုိင္မႈ၊ အလုပ္အကိုင္ေသခ်ာမႈ၊ အာမခံခ်က္မ်ားကိုအေျခခံ၍စဥ္းစားျခင္းျဖစ္သည့္အတြက္ အခ်က္အလက္ မ်ားမ်ားရေလေကာင္းေလျဖစ္သည္။ Public record မ်ားကလည္း ၄င္းတို႕အခ်က္အလက္မ်ားေပါက္ၾကားေန သည္ကိုသိလည္းမသိႏိုင္သလို၊ သိလည္းမသိခ်င္ပါ။

Public record မ်ားတြင္ social networking မွရေသာ ဓါတ္ပံုမ်ားကိုထည့္သြင္းျခင္းသည္ ေကာင္းမြန္ေသာ္ လည္း ၄င္းကိုအသံုးျပဳသည့္ ေျမပုိင္ရွင္မ်ား၊ အလုပ္ရွင္မ်ားဘက္မွ မွားယြင္းမႈမ်ားျဖစ္ႏိုင္သည္။ လူပုဂၢိဳလ္တစ္ဦး သည္၄င္း၏အခ်က္အလက္မ်ားကို ရည္ရြယ္ခ်က္ႏွစ္မ်ိဳးျဖင့္ေပးေလ့ရွိသည္။ ပထမတစ္ခုက public record၊ Formal ႏွင့္ open data ရယူမႈမ်ား၊ social network အတြက္ေပးမႈမ်ားႏွင့္ မိတ္ေဆြသူငယ္ခ်င္းမ်ားသိေစရန္ ေပးေသာအခ်က္မ်ားျဖစ္သည္။ ဒုတိယအေနျဖင့္ အလုပ္အကိုင္ရွာေဖြျခင္း၊ အိမ္ငွားျခင္း၊ ၀ယ္ျခင္း၊ အာမခံ ကုမၸဏီသို႕ အခ်က္အလက္မ်ားေပးျခင္း စသည့္အခ်ိန္မ်ားျဖစ္သည္။

Data မ်ားကိုႏိုင္ငံေရးအတြက္အသံုးခ်ျခင္း

အဆင့္ျမင့္နည္းပညာကိုအသံုးခ်ျခင္းသည္ product မ်ားကိုမ်ားမ်ားေရာင္းရေရးဆိုသည့္ ရည္ရြယ္ခ်က္တစ္ခု တည္းမဟုတ္ပါ။ ယခုေခတ္တြင္ လူအမ်ား၏အခ်က္မ်ားႏွင့္ အၾကံဥာဏ္မ်ားကိုပါေရာင္းခ်ေနၾကျပီျဖစ္သည္။ ႏိုင္ငံေရးဆိုင္ရာ စည္းရံုးမႈမ်ားျပဳလုပ္ရာတြင္ offline data မ်ားသာမက online data မ်ားကိုပါအသံုးခ်လာၾက သည္။ ၄င္း online data မ်ားတြင္ ျဖစ္ႏိုင္ေျခရွိေသာ မဲေပးမည့္သူမ်ား၏ဓါတ္ပံုမ်ားပါ ရႏိုင္သည့္အတြက္ ထိထိ ေရာက္ေရာက္မဲဆြယ္မႈမ်ားျပဳလုပ္လာႏိုင္သည္။ ထို႕ေၾကာင့္၄င္းကိစၥတြင္ကြ်မ္းက်င္ေသာ ကုမၸဏီမ်ားျဖစ္ၾက သည့္ Aristotle, CampaignGrid, RapLeaf ႏွင့္ TargetedVictory တို႕သည္သန္းေပါင္းမ်ားစြာေသာ လူမ်ား၏ အခ်က္အလက္မ်ားကိုစုစည္း၍ ႏိုင္ငံေရးဆိုင္ရာမဲဆြယ္မႈမ်ားျပဳလုပ္ႏိုင္ရန္အတြက္ အကူအညီမ်ားေပးႏိုင္ သည္။ ၄င္းတုိ႕သည္လူတစ္ဦးခ်င္းစီအလိုက္ မည္သည့္ပါတီကိုမဲေပးထားသနည္းကိုႏွစ္မ်ားအလုိက္ စုေဆာင္း ေပးႏိုင္သည္။

အထက္ေဖာ္ျပပါကုမၸဏီမ်ားသည္ offline data မ်ားကို အျခားေသာ offline data မ်ားျဖစ္ၾကသည့္ အိမ္ျခံေျမဆိုင္ရာအခ်က္မ်ား၊ ဦးတည္ေနေသာသူမ်ား၏ online activity မ်ား၊ social network profile မ်ား၊ online ေစ်း၀ယ္ထားသည့္မွတ္တမ္းမ်ား၊ ရံပံုေငြလွဴဒါန္းမႈမ်ားႏွင့္ ႏိုင္ငံေရးလႈပ္ရွားမႈမ်ား၊ online တြင္ဖတ္ထား ေသာ article မ်ား၊ ႏိုင္ငံေရးဆိုင္ရာအၾကိဳက္မ်ားကိုပါ တစ္ေပါင္းတည္းျဖစ္ေအာင္ စုစည္းထားႏိုင္သည္။

ႏိုင္ငံေရးဆိုင္ရာမဲဆြယ္မႈမ်ားအတြက္ ေနာင္လာမည့္မဲဆြယ္မႈမ်ားတြင္ အသံုးျပဳမည့္ကုန္က်စရိတ္သည္ ၂၀၁၂ တြင္ထက္ပိုမိုအသံုးျပဳမည္ျဖစ္ေၾကာင္း Borrell Associates ကေျပာၾကားသြားခဲ့သည္။ ၄င္းမဲဆြယ္မႈမ်ား အတြက္ ၂၀၁၂ တြင္ အေမရိကန္ေဒၚလာ ၉.၈ ဘီလီယံ၊ ၂၀၀၈ တြင္ ၇ ဘီလီယံ၊ Online advertising ႏွင့္ပတ္သက္၍ ၂၀၁၂ တြင္ သန္း ၁၆၀၊ ၂၀၀၈ တြင္ ၂၂သန္းအထိအသံုးျပဳခဲ့ၾကသည္။ Online ေၾကာ္ျငာမႈမ်ား ႏွင့္ပတ္သက္၍ ၂၀၁၂ တြင္ TV မ်ားတြင္ ၅၇% အသံုးျပဳခဲ့ၾကသည္။ Online website တြင္ေၾကာ္ျငာမႈမ်ား သည္ ၁.၄% သာရွိေၾကာင္း Borrell Associates ရွိေၾကာင္းေျပာၾကားခဲ့သည္။

Online Advertising 3.0

Online ေၾကာ္ျငာလုပ္ငန္းမ်ားသည္ လူပုဂၢိဳလ္မ်ား၏ကိုယ္ေရးကိုယ္တာအခ်က္အလက္မ်ားကို အေျခခံေသာ လုပ္ငန္းမ်ိဳးျဖစ္သည္။ ထို႕ေၾကာင့္အလားတူလုပ္ငန္းမ်ားသည္ online မွေရြးခ်ယ္မႈမ်ား၊ အမူအက်င့္မ်ားႏွင့္ ပတ္သက္သည့္ personal data မ်ားကိုရႏိုင္သမွ်ရရန္အတြက္ လက္နက္ေပါင္းစံုတပ္ဆင္ၾကိဳးစားလာၾကသည္။

Web အေပၚတြင္ေၾကာ္ျငာလုပ္ငန္းလုပ္ကိုင္ေနၾကသူမ်ားတြင္ မ်ားစြာေသာ personal data မ်ားကိုသိမ္းထား သည့္ database မ်ားကိုပိုင္ဆိုင္ၾကသည္။ ၄င္း database မ်ားတြင္ လူဦးေရဆိုင္ရာမ်ား၊ ၾကိဳက္ႏွစ္သက္မႈမ်ား၊ လူမႈေရးဆုိင္ရာမ်ားစသည့္ သန္းေပါင္းမ်ားစြာေသာအခ်က္အလက္မ်ားကို စုထားသည့္အျပင္ ေန႕စဥ္ႏွင့္အမွ် လည္း database ကၾကီးထြားလာသည္။ ထို႕အျပင္ ထို database မ်ားသည္ တစ္ခုႏွင့္တစ္ခုခ်ိတ္ဆက္မႈမ်ား ရွိလာျပီး hyper-connected ပံုစံျဖစ္လာသည္။ ထို႕ေၾကာင့္ေၾကာ္ျငာကုမၸဏီမ်ားသည္ personal data မ်ားကို အခ်ိန္တိုအတြင္း database မ်ားအၾကားရယူထည့္သြင္းေပးႏိုင္သည္။

Web အေပၚမွေၾကာ္ျငာထည့္သြင္းသည့္လုပ္ငနး္မ်ား၏ ေရွးဦးေခတ္မ်ားတြင္ web page မ်ားအေပၚတြင္ banner ads မ်ားထည့္သြင္း၍ ၄င္းေၾကာ္ျငာမ်ားကို web ၾကည့္ရႈသူမ်ားက ႏွစ္ၾကိမ္၊ သံုးၾကိမ္မွသည္ အၾကိမ္တစ္ရာခန္႕အထိ click ႏွိပ္ၾကရန္အတြက္ ဆုေတာင္းေနၾကရသည္။ ထိုကဲ့သို႕ blind ad-serving model ကိုအသံုးမျပဳေတာ့ဘဲ ယခုေခတ္တြင္ smart ad-serving model ကိုစတင္အသံုးျပဳလာၾကသည္။ ၄င္းသည္ ေၾကာ္ျငာပိုင္းဆိုင္ရာမ်ားကို လုပ္ငန္းရွင္မ်ားကိုသီးသန္႕လုပ္ေဆာင္ခြင့္ျပဳျပီး ထိုကုမၸဏီမ်ားမွသာလွ်င္ ေၾကာ္ျငာအတြက္အခ်က္အလက္မ်ားရယူျခင္း၊ စစ္ေဆးျခင္း၊ ထည့္သြင္းျခင္းမွသည္ click ႏွိပ္ျပီးေနာက္ပိုင္း ေငြေခ်ျခင္းလုပ္ငန္းမ်ားကိုပါ ဆက္လက္ေဆာင္ရြက္သြားၾကသည္။

Smart ad-serving model သည္လူတစ္ဦးခ်င္းစီအလိုက္ website ၾကည့္ေသာအမူအက်င့္မ်ား၊ Browsing history မ်ား၊ Facebook အသံုးျပဳ၍ျဖစ္လာေသာ Like ႏွိပ္မႈမ်ား၊ မိတ္ေဆြသူငယ္ခ်င္းမ်ား၏ Like, Dislike မ်ားကိုပါစုစည္းထားႏိုင္သည္။ ထို႕ေနာက္တြင္မွ တစ္ဦးခ်င္းစီအလုိက္အၾကိဳက္မ်ားကို သိေနျပီျဖစ္သည့္ အတြက္ သီးသန္႕ေၾကာ္ျငာမႈမ်ားကို အသံုးျပဳေၾကာ္ျငာေနၾကသည္။ ထိုသို႕ေဆာင္ရြက္ႏုိင္ရန္အတြက္လည္း ၄င္းကုမၸဏီမ်ားက offline ေရာ၊ online မွာပါ data မ်ားကိုရႏိုင္ရန္အတြက္ နည္းမ်ိဳးစံုျဖင့္ၾကိဳးစားလာၾကသည္။

Personal data management tool မ်ားကိုထုတ္လုပ္ေရာင္းခ်ေနေသာ person.com မွ CEO ျဖစ္သူ Shane Green က data ဆိုင္ရာစီးပြားေရးလုပ္ငန္းမ်ားသည္ အျပိဳင္အဆိုင္ျပင္းထန္ေနျပီျဖစ္ေၾကာင္းေျပာၾကားသြားခဲ့ သည္။ ကုမၸဏီတိုင္းသည္ သီးသန္႕ data မ်ားကို၊ မတူညီေသာနည္းလမ္းမ်ားျဖင့္ရယူေနၾကသည္။ database အတြင္းတြင္ data မည္မွ်ေျမာက္ျမားစြာရွိသည္ျဖစ္ေစ မည္သို႕အသံုးျပဳရမည္ကိုမသိပါက ေၾကာ္ျငာလုပ္ငန္း မ်ားကို ထိေရာက္စြာလုပ္ကိုင္ႏုိင္မည္မဟုတ္ပါ။ ထို႕ေၾကာင့္ ရွိေသာ data မ်ားကို အသံုးျပဳေနေသာလူတစ္ဦး ခ်င္းစီအလုိက္ ထိထိေရာက္ေရာက္ ေၾကာ္ျငာေပးႏိုင္မွသာလ်ွင္ ေကာင္းမြန္ေသာစနစ္၊ ထိေရာက္ေသာ database အျဖစ္သတ္မွတ္ႏိုင္သည္။

Real-Time Ad Targeting

ယခုေခတ္ website မ်ားတြင္ real-time ad targeting ပံုစံျဖင့္ ေၾကာ္ျငာမ်ားကိုေဆာင္ရြက္ေနၾကျခင္းျဖစ္ သည္။ အသံုးျပဳသူတစ္ဦး website ကိုဖြင့္လိုက္ပါက ၄င္းအသံုးျပဳသူ၏ ကိုယ္ေရးကိုယ္တာအခ်က္မ်ား၊ အမူအက်င့္မ်ားအေပၚမူတည္၍ website က၄င္းႏွင့္ခ်ိတ္ဆက္ထားေသာ ေၾကာ္ျငာလုပ္ငန္းမ်ားႏွင့္ခ်ိတ္ဆက္ျပီး မည္သည့္ေၾကာ္ျငာကိုျပမည္ဆိုတာ ဆံုးျဖတ္ျပသေလ့ရွိသည္။ ထို႕ေၾကာင့္လည္း real-time ဆံုးျဖတ္ခ်က္တစ္ခု အေနျဖင့္ ေၾကာ္ျငာလုပ္ငန္းမ်ားက ၄င္းတို႕ေၾကာ္ျငာကိုျပရန္အတြက္ bid မ်ားပို႕ကာ ခ်က္ခ်င္းဆိုသလို exchange မ်ားလုပ္ၾကရသည္။

ေၾကာ္ျငာလုပ္ငန္းမ်ားသည္ ေၾကာ္ျငာရာတြင္ထိေရာက္မႈရွိေစရန္အတြက္ႏွင့္ bid အခြင့္အေရးကိုဆံုးျဖတ္ရန္ အတြက္ အသံုးျပဳသူ၏ browser အတြင္းတြင္ရွိေသာ code (HTML cookie) မ်ားကိုၾကည့္ျပီးမွ ဆံုးျဖတ္ေလ့ရွိ သည္။ HTML cookie မ်ားသည္ သံုးစြဲသူ၏ကြန္ပ်ဴတာမွ browser အတြင္းတြင္ ယခင္ကတည္းကရွိျပီးျဖစ္ သည္။ ၄င္း cookie ID ႏွင့္၄င္းတို႕ database အတြင္းရွိုျပီးျဖစ္ေသာ အခ်က္အလက္မ်ားႏွင့္ တိုက္ဆိုင္စစ္ေဆး ျပီး ေၾကာ္ျငာမ်ားပို႕ရန္ ဆံုးျဖတ္ေလ့ရွိသည္။

Database အတြင္းတြင္ရွိေသာ data မ်ားသည္ offline တြင္သာမက online မွလည္းစုေဆာင္းထားသည့္ အျပင္ data မ်ားကိုေရာင္းစားေနေသာကုမၸဏီမ်ားျဖစ္ၾကသည့္ Acxiom, Experian မ်ားမွ General data မ်ားကိုရႏိုင္သည့္အျပင္ Facebook profile မ်ားကိုအေျခခံထားေသာတိက်သည့္ data မ်ားကိုမူ 33Across ႏွင့္ Media6Degrees ကဲ့သို႕ေသာ ကုမၸဏီမ်ား မွလည္းရႏိုင္သည္။

ေၾကာ္ျငာလုပ္ငန္းရွင္က ၄င္းတုိ႕ေၾကာ္ျငာလိုေသာ match ကိုေတြ႕သည္ဆိုပါက ကိုက္ညီမႈ impression အခ်က္မ်ားျဖစ္ၾကသည့္ demographic အခ်က္မ်ား၊ ေၾကာ္ျငာ၀င္ၾကည့္သည့္အခ်ိန္၊ ထိုေၾကာ္ျငာကို ဘယ္ႏွၾကိမ္ျမင္ဖူးသလဲ ဆိုသည့္အခ်က္မ်ားအေပၚ မူတည္၍ ေငြမည္မွ်ေပးရမည္ကိုဆံုးျဖတ္ေလ့ရွိသည္။

အျခားေသာနည္းပညာမ်ားကိုအသံုးျပဳ၍လည္း ေၾကာ္ျငာမည့္ ေၾကာ္ျငာ content မ်ားကိုျပင္ဆင္ျပီး website ၾကည့္ေနသည့္ visitor ၏အၾကိဳက္ႏွင့္အက်င္အေပၚမူတည္ျပီးေျပာင္းလဲေလ့ရွိသည္။ အထက္ေဖာ္ျပပါကိစၥမ်ား အားလံုးသည္ စကၠန္႕ပိုင္းအတြင္းတြင္ ျဖစ္ေပၚသြားေသာအလုပ္မ်ားျဖစ္ၾကသည္။

Fingerprinting Tech: Data Aggregators’ BFF

Cookie မ်ားသည္လူတစ္ဦးခ်င္းစီကိုခြဲျခားသတ္မွတ္ႏိုင္ျပီး တစ္ၾကိမ္ online တက္လာတုိင္း၄င္းတို႕၏ online အသံုးျပဳသည့္အမူအက်င့္မ်ားကို sync လုပ္ေပးႏိုင္သည္။ မည္သို႕ပင္ျဖစ္ေစ cookie မ်ားသည္သက္ဆိုင္ရာ IP address တစ္ခုအေပၚမူတည္ေနသည့္အတြက္ တစ္အိမ္လံုးကအသံုးျပဳမႈမ်ားသည္ IP address တစ္ခုတြင္သာ ရွိသည့္အတြက္ ထို cookie မ်ားသည္ တစ္ဦးတစ္ေယာက္ခ်င္းစီကုိ ကိုယ္စားမျပဳေတာ့ပါ။ ထို႕အျပင္ cookie မ်ားသည္ browser မ်ားအတြင္းတြင္ အခ်ိန္ၾကာျမင့္စြာရွိမေနႏိုင္သည္ကတစ္ေၾကာင္း၊ security software မ်ားက cookie မ်ားကိုအမ်ားဆံုးတစ္ပါတ္ခန္႕သာထားျပီး ဖ်က္ပစ္လိုက္သည့္အခ်က္မ်ားေၾကာင့္ cookie မ်ားကို အားကိုးရန္အျမဲမျဖစ္ႏုိင္ပါ။ ထိုကဲ့သို႕ cookie မ်ားအဖ်က္ခံရျခင္း၊ ပ်က္သြားျခင္းကို Cookie Erosion ဟုေခၚသည္။

ထိုကိစၥကိုေျဖရွင္းရန္အတြက္ ကုမၸဏီမ်ားက Fingerprinting နည္းပညာကိုအသံုးျပဳလာၾကသည္။ ၄င္းသည္ လူတစ္ဦးတစ္ေယာက္၏အခ်က္အလက္မ်ားကို မတူညီေသာ website မ်ားမွ၊ မတူညီေသာအခ်ိန္မ်ားအတြင္း ၊ မတူညီေသာအေၾကာင္းအရာမ်ားအၾကားရယူသည့္နည္းပညာျဖစ္သည္။

ကယ္လီဖိုးနီးယာျပည္နယ္၊ Irvine ျမိဳ႕မွ BlueCava ကုမၸဏီသည္ device ID ဆိုေသာနည္းပညာကို ေအာင္ျမင္စြာတီထြင္ႏုိင္ခဲ့သည္။ ၄င္းသည္ site visitor မ်ား၏ browser setting မ်ားကိုအေျခခံ၍ ခြဲျခားႏိုင္သည့္ နည္းပညာျဖစ္သည္။ ၄င္းတို႕လိုအပ္မည့္အခ်က္အလက္မ်ားျဖစ္ၾကသည့္ demographic, preferences, web tracking စသည္မ်ားကို site တည္ေထာင္သူမ်ားထံမွ ၀ယ္ယူျပီး၄င္းတို႕သိရွိျပီးျဖစ္ေသာ အခ်က္မ်ားႏွင့္ match လုပ္ကာ database အတြင္းသိမ္းထားေလ့ရွိသည္။

ထို႕ေနာက္ထိုအခ်က္အလက္မ်ားကို ေၾကာ္ျငာလုပ္ငန္းမ်ား၊ ေစ်းကြက္ဆိုင္ရာလုပ္ငန္းမ်ားသို႕ေရာင္းခ်ေနသည္။ BlueCava ၏ CEO ျဖစ္သူ David Norris က၄င္းတို႕နည္းပညာသည္ ၉၉.၇% တိက်မႈရွိေၾကာင္း၊ တစ္ကမၻာလံုးရွိ ၁၀ဘီလီယံေသာ အသံုးျပဳသူမ်ားအနက္မွ ၁၀% ၏အခ်က္အလက္မ်ားကိုစုေဆာင္းျပီးျဖစ္ေၾကာင္း ေျပာၾကားသြားခဲ့သည္။

Fingerprinting Challenges Anonymity Online

Personal Data Ecosystem Consortium တြင္ Keliya Hamlin က BlueCava ၏ device ID နည္းပညာသည္ unethical ျဖစ္ေၾကာင္း၊ cookie မ်ားတြင္ browser မ်ားတြင္ရွိေနေသာ္လည္း အခ်ိန္တစ္ခုတြင္ ေပ်ာက္ပ်က္သြားေၾကာင္း၊ device ID နည္းပညာကမေပ်ာက္ပ်က္ဘဲ အျမဲရွိေနေၾကာင္း၊ အခ်က္အလက္မ်ားအျမဲသိေနသည့္အတြက္ လံုျခံဳမႈမရွိေၾကာင္းေ၀ဖန္ေျပာဆိုသြားခဲ့သည္။

Hamlin ယံုၾကည္သည္က online တြင္အခ်က္အလက္မ်ားအတိအက်ေပးျခင္းျဖင့္ device ID ကသိရွိသြားမည္ ျဖစ္သည္ကိုကာကြယ္ရန္အတြက္ အစစ္မဟုတ္ေသာ အခ်က္အလက္မ်ားကိုအသံုးျပဳသင့္ေၾကာင္းေျပာၾကားခဲ့ သည္။ အျပင္ေလာကတြင္ အေၾကာင္းအရာတစ္ခုႏွင့္တစ္ခုကာကြယ္ႏိုင္ေၾကာင္း၊ ဥပမာအားျဖင့္ နံနက္ပုိင္းတြင္ အစည္းအေ၀းတစ္ခုတက္ျပီး၊ ေန႕လည္ပိုင္းတြင္ အပန္းေျဖရန္အတြက္ တစ္ေနရာသို႕သြားခဲ့သည္ဆိုပါက မိမိ မေျပာပါကအစည္းအေ၀းမွသူမ်ားက ခရီးသြားေၾကာင္းသိမည္မဟုတ္သလို၊ ခရီးသြားသည့္တေလွ်ာက္ကသူ မ်ားကလည္း နံနက္ပုိင္းကအစည္းအေ၀းအေၾကာင္းသိမည္မဟုတ္ပါ။ အျပင္ေလာကတြင္ထိုကဲ့သို႕ကန္႕သတ္ ထားႏိုင္ေပမယ့္ Online တြင္မျပဳလုပ္ႏုိင္ပါ။ online တြင္ထိုကဲ့သို႕ ေပါက္ၾကားမႈမ်ားမျဖစ္ေစရန္အတြက္ ဓါတ္ပံု အတုမ်ားသံုးျခင္း၊ အခ်က္အလက္မ်ားအမွန္မေပးေသာ္လည္း၊ အသံုးျပဳေနသည့္ ပစၥည္းအေပၚမူတည္၍ device ID နည္းပညာက မည္သူမည္၀ါျဖစ္ေၾကာင္းသိႏိုင္သည္။ ထိုမွတဆင့္ အသံုးျပဳသူ၏ preference မ်ား၊ behaviours မ်ားကိုသိႏိုင္သည္။ ၄င္းေနာက္ profile တစ္ခုတည္းအျဖစ္ေပါင္းစည္းျပီး database အတြင္းတြင္ သိမ္းထားမည္ျဖစ္သည္။

Device ID ဆိုသည္မွာ ရဲမ်ားက ကားမ်ားတြင္ GPS tracker မ်ားတပ္ဆင္ကာ တရားရံုးခ်ဳပ္ကတစ္ဖက္သတ္ တရားစီရင္ေနသည္ႏွင့္တူသည္။ အကယ္၍ကားမ်ားတြင္ GPS tracker တပ္ထားသည္ဆုိပါက ျဖဳတ္လိုက္ သည့္ေနာက္တြင္ မည္သို႕မွ လိုက္၍ရမည္မဟုတ္ပါ။ သို႕ေသာ္လည္း device ID ကေတာ့ ဆက္လုိက္ေနဦး မည္ျဖစ္သည္။ Device ID ကိုဖ်က္လိုပါက BlueCava ၏ကုမၸဏီ website အတြင္းတြင္ သံုးစြဲသူမ်ားမွ ေတာင္းဆိုပါကဖ်က္ေပးမည္ျဖစ္ေၾကာင္း CEO ကေျပာခဲ့သည္။ web link မွာ bluecava.com/preferences ျဖစ္သည္။

CEO Norris ကေတာ့၄င္းတို႕နည္းပညာသည္ Do not track နည္းပညာထက္သာလြန္ေၾကာင္း၊ cookie ကို do not track နည္းပညာျဖင့္ဖ်က္သည္ဆိုသည္မွာ security software က cookie မ်ားကိုဖ်က္သည့္အတိုင္းသာ ျဖစ္ျပီး၊ ေနာက္တစ္ေခါက္ျပန္သံုးသည့္အခါ cookie ျပန္ျဖစ္လာေၾကာင္း၊ device ID ျဖင့္ဖ်က္ပစ္ပါက ရာသက္ပန္ပ်က္သြားေၾကာင္း ေျပာၾကားခဲ့သည္။ အခက္အခဲတစ္ခုကေတာ့ သံုးစြဲသူမ်ားသည္ ၄င္းတို႕ ပစၥည္း တြင္ device ID ရွိေန၊ မေနဆိုတာ မသိႏိုင္ျခင္းျဖစ္သည္။

Big Data Analysis သည္ ၾကီးရာကိုေသးငယ္ေအာင္ ေလွ်ာ့ခ်ျခင္း

၂၁ရာစုဦးပိုင္းတြင္ Big Data ဆုိသည့္စကားရပ္အသစ္တစ္ခုေပၚေပါက္လာခဲ့သည္။ အဓိပၸါယ္မွာ data မ်ားကို ရယူျခင္း၊ သိမ္းဆည္းျခင္း၊ ေလ့လာဆန္းစစ္ျခင္းစသည္မ်ားေဆာင္ရြက္ျခင္းမ်ားျဖစ္သည္။ Data ဆိုသည္မွာ မည္သည္မဆုိျဖစ္ႏုိင္သည္။ အမ်ားအားျဖင့္ေတာ့ ကိုယ္ေရးကိုယ္တာ personal data မ်ားျဖစ္တတ္သည္။

Terabytes မွ်မ်ားျပားလွေသာ အခ်က္အလက္မ်ားကို အေသးစိတ္ေလ့လာျခင္းကို Google ကစတင္ခဲ့သည္။ ယခုအခါတြင္ Big Data ႏွင့္ပတ္သက္ေသာ ေလ့လာမႈမ်ားသည္ ဥပေဒဆိုင္ရာအဖြဲ႕အစည္းမ်ား၊ ေအာင္သြယ္ေတာ္အဖြဲ႕အစည္းမ်ား၊ အားကစားအဖြဲ႕အစည္းမ်ားအထိမ်ားျပားလွသည္။ PC World ကုိပိုင္ဆိုင္ ေသာ IDC သည္ Big Data ႏွင့္ပတ္သက္ေသာေလ့လာမႈမ်ားကိုျပဳလုပ္ရန္အတြက္ ၂၀၁၀ တြင္ ၃.၂ ဘီလီယံ အသံုးျပဳခဲ့ၾကေသာ္လည္း ၂၀၁၅ တြင္ ၁၆.၉ ဘီလီယံအထိမ်ားျပားလာမည္ဟု ခန္႕မွန္းေျပာဆိုထားသည္။

Personal data economy အတြင္းရွိေနေသာသူမ်ားသည္ Big data ၏ေကာင္းက်ိဳးမ်ားကိုလည္း ခံစားႏိုင္ရသလို၊ ဆိုက်ိဳးမ်ားကိုလည္းခံစားရဖြယ္ရွိသည္။ ေဖေဖာ္၀ါရီလထုတ္ New York Times Magazine တြင္ Charles Duhigg ေရးသားခဲ့ေသာေဆာင္းပါးတစ္ပုဒ္တြင္ အခ်က္အလက္မ်ားကိုခန္႕မွန္းသည့္ ဌာနက ၄င္းတို႕ database အတြင္းရွိေနေသာ အမ်ိဳးသမီးမ်ားကို မည္သည့္အခ်ိန္တြင္ ကိုယ္၀န္ရွိႏိုင္သည္ဆုိတာကို တိတိက်က် ခန္႕မွန္းေပးႏိုင္ခဲ့ေၾကာင္း၊ အခ်ိဳ႕အမ်ိဳးသမီးမ်ားဆိုလွ်င္ ခန္႕မွန္းထားသည္ကိုသိရွိျပီးေနာက္ စစ္ေဆးၾကည့္ရာမွ ကိုယ္၀န္ရွိေနေၾကာင္းသိရွိရေၾကာင္း စသည္ျဖင့္ေရးသားထားသည္။

ထိုကဲ့သို႕အခ်က္အလက္မ်ားခန္႕မွန္းသည့္ေနာက္တြင္ အမ်ဳိးသမီးပရိသတ္မ်ားအတြက္ ဦးတည္၍ေၾကာ္ျငာ လုပ္ငန္းမ်ားလုပ္ကိုင္လာႏိုင္ၾကသည္။ ကိုယ္၀န္ရွိသည္ကိုခန္႕မွန္းေပးျခင္း၊ ၄င္းေနာက္ကိုယ္၀န္အဆင့္တစ္ ဆင့္ျခင္းမွသည္ ကေလးေမြးဖြားသည္အထိ၊ ထို႕ေနာက္မွ ကေလးၾကီးျပင္းလာသည့္အဆင့္တိုင္းအတြက္ product ေၾကာ္ျငာမ်ား အၾကံျပဳႏိုင္သည္။ ဤစီးပြားေရးအခြင့္အလမ္းသည္ ၾကီးမားလွသည္။ ကိုယ္၀န္ရွိသည္မွ သည္ ကေလးၾကီးျပင္းသည္အထိ product ေပါင္းမ်ိဳးစံုကို ေရာင္းခ်ႏိုင္သည့္ မဟာအခြင့္အေရးပင္ျဖစ္သည္။

Target ကုမၸဏီတြင္ ကုိယ္၀န္ရွိျပီးသည့္ေနာက္လာေရာက္ register လုပ္ၾကေသာအမ်ိဳးသမီးမ်ား၏ buying behaviours ကိုေလ့လာရာတြင္ ကိုယ္၀န္ရွိျပီး ဒုတိယေျခာက္လမ်ားအတြင္း အန႕ံအသက္မရွိေသာ lotion မ်ားကို ၀ယ္ေလ့ရွိၾကေၾကာင္း၊ ကိုယ္၀န္ရွိျပီး ရက္သတၱပတ္ ၂၀ ခန္႕အတြင္း ျဖည့္စြက္စာမ်ားျဖစ္ၾကေသာ Calcium, Magnesium ႏွင့္ Zinc ပါေသာအစားအေသာက္မ်ားကို ၀ယ္ေလ့ရွိၾကသည္။ ေလ့လာသူမ်ားက မတူညီသည့္ေနရာမ်ားတြင္ ေလ့လာေသာ္လည္းရရွိလာသည့္ ရလဒ္မ်ားအရ အသက္အရြယ္မတူေသာ မိခင္ေလာင္းမ်ား၏ အမူအက်င့္မ်ားမွာ အတူတူျဖစ္ေၾကာင္းေတြ႕ရွိရသည္။

အထက္ေဖာ္ျပပါဥပမာသည္ရိုးရွင္းေသာ Big Data ဆုိင္ရာအေၾကာင္းအရာတစ္ခုျဖစ္သည္။ ယခုအခါတြင္ ကုမၸဏီမ်ားတြင္ အခ်က္အလက္မ်ားကိုအေျခခံ၍ခန္႕မွန္းျခင္းဆုိင္ရာဌာနမ်ား (Predictive Analysis Department) အသစ္ဖြဲ႕စည္း၍ အလုပ္မ်ားကို စတင္လုပ္ကိုင္ေနၾကျပီျဖစ္သည္။ ၄င္းေနာက္တြင္လည္း မိမိတုိ႕မသိႏုိင္သည့္ခန္႕မွန္းခ်က္မ်ား အမ်ားအျပားရွိ ေနႏိုင္ပါသည္။

Big Data ႏွင့္ Privacy

အထက္ေဖာ္ျပခဲ့ေသာကိစၥသည္ရွင္းလင္းေသာဥပမာတစ္ခုျဖစ္သည္။ မိခင္ေလာင္းတစ္ဦးအတြက္ ကိုယ္၀န္ အဆင့္အလုိက္၀ယ္ယူမည္ျဖစ္သည့္ ပစၥည္းမ်ားကို ခန္႕မွန္းေျပာဆိုေနျခင္းသည္ မွန္ကန္သည္ဟု ယူဆပါ သလား? ေစ်းကြက္ဆိုင္ရာကုမၸဏီမ်ားကေတာ့ ၄င္းတို႕အက်ိဳးစီးပြားအတြက္ မွန္ကန္သည္ဟုဆိုၾကပါလိမ့္မည္။ လူမ်ားဘက္မွျပန္ၾကည့္မည္ဆိုလွ်င္ မိမိတို႕ဘာျဖစ္မည္၊ ဘာလုပ္မည္ဆိုတာကို မိမိတုိ႕ကိုယ္တိုင္ေတာင္ မဆံုးျဖတ္ရေသးခင္၊ မသိေသးခင္မွာ လာေရာက္အၾကံေပးေျပာၾကားေနသည့္အတြက္ အေႏွာင့္အယွက္ တစ္မ်ိဴး ျဖစ္ေနႏိုင္သည္။ မိမိ၏ကိုယ္ေရးအခ်က္အလက္မ်ားကို သူစိမ္းတစ္ဦးကသိေနသည့္အတြက္ လံုျခံဳ သည္ဟု မခံစားရပါ။

Big Data မ်ားဆန္းစစ္ေလ့လာျခင္းကို Predictive Analysis ဟုလည္းေခၚသလို၊ inductive analysis ဟုလည္းေခၚသည္။ ထိုသို႕ေခၚရျခင္းမွာ ေသးငယ္ေသာအခ်က္အလက္မ်ားကိုေလ့လာျခင္းျဖင့္ ၾကီးမားေသာ အခ်က္မ်ား၊ ေတြးေခၚမႈအၾကံမ်ားကိုျဖစ္ေပၚေစေသာေၾကာင့္ျဖစ္သည္။ Inductive analysis လုပ္ရာတြင္ ကိစၥ အခ်က္တစ္ခုတည္းအေပၚမူတည္၍ ခန္႕မွန္းမရႏိုင္ပါ။ အနည္းဆံုးအခ်က္ႏွစ္ခုကိုေလ့လာျပီး၊ ၄င္းႏွစ္ခုမည္သို႕ ဆက္စပ္မႈရွိႏိုင္သည္၊ ၄င္းႏွစ္ခုမွသည္ ေနာက္ထပ္တစ္ခုဘာျဖစ္ႏိုင္သည္ကိုသာ ဆက္စပ္ခန္႔မွန္းႏိုင္သည္။ ဥပမာ သင္ကအေအးတစ္မ်ိဳးကိုၾကိဳက္သည္ဆိုပါစို႕။ သင္ဒီအေအးကိုၾကိဳက္သည့္အတြက္ အျခားမည္သည့္ အစားအေသာက္မ်ားကိုၾကိဳက္ႏိုင္သည္၊ သင္၀င္ေငြမည္မွ်ရွိသည္ျဖစ္၍ဒီအေအးကိုၾကိဳက္သည္၊ မည္သည့္ အခ်ိန္တြင္ ဒီအေအးကိုေသာက္ေလ့ရွိသည့္အတြက္ သင္ဘယ္ေနရာမ်ားကိုသြားေရာက္လည္ပတ္ေလ့ရွိသည္ စသည္မ်ားကို ဆက္စပ္အေျဖထုတ္သည့္ သီအိုရီတစ္မ်ိဳးျဖစ္သည္။

ထို႕ေၾကာင့္လည္းအထက္ေဖာ္ျပခဲ့ေသာ ကိုယ္၀န္ေဆာင္မ်ားဥပမာတံြင္ အမည္ကိုသိရန္မလိုဘဲ ခန္႔မွန္းမႈမ်ား ျပဳလုပ္ႏုိင္ျခင္းျဖစ္သည္။ မ်ားမၾကာမီအခ်ိန္မ်ားအတြင္းတြင္ ေၾကာ္ျငာလုပ္ငန္းမ်ားသည္ Big Data မ်ားအေပၚ မူတည္၍ ခန္႔မွန္းသူမ်ားက သက္ဆိုင္ရာ pattern မ်ား အမ်ားအျပားထုတ္ႏိုင္ေတာ့မည္ျဖစ္ေသာေၾကာင့္ ၄င္းကိစၥမ်ားတုိးတက္လာဦးမည္ျဖစ္သည္။ Big Data ႏွင့္ဆုိင္ရာ အလုပ္အကိုင္အသစ္မ်ားလည္း ေပၚေပါက္ လာဦးမည္ျဖစ္သည္။ ၄င္းအလုပ္မ်ားသည္ computer science ႏွင့္ statistics ပညာရပ္ပိုင္းကြ်မ္းက်င္သူမ်ား သာလွ်င္လုပ္ကိုင္ႏုိင္ေသာ အလုပ္မ်ားျဖစ္သည္။

Big Data Analyst သည္ေၾကာ္ျငာလုပ္ငန္းမ်ားတြင္သာမက ႏုိင္ငံေရးဆုိင္ရာမဲဆြယ္သည့္ လုပ္ငန္းမ်ားတြင္ပါ လုပ္ကိုင္ႏုိင္ၾကသည္။ ဥပမာ လူတစ္ေသာင္း၏ demographic အခ်က္မ်ားႏွင့္ ႏိုင္ငံေရးဆိုင္ရာေရြးခ်ယ္မႈမ်ား ကိုရရွိႏိုင္ျပီး ခန္႕မွန္းမႈမ်ား၊ ျပင္ဆင္မႈမ်ားကိုျပဳလုပ္ႏိုင္ၾကသည္။ ထို႕အျပင္ပိုမို၍အေသးစိတ္က်ေသာ အခ်က္မ်ား ကိုအလုိရွိပါက Acxion, Experian ကဲ့သို႕ေသာ ကုမၸဏီမ်ားမွတဆင့္ ျပန္လည္၀ယ္ယူႏိုင္သည္။

ယခုကဲ့သို႕ခန္႕မွန္းမႈမ်ားျပဳလုပ္ရာတြင္ ခန္႕မွန္းေပးသူမ်ားသည္ ယခင္က၄င္းႏွင့္ပတ္သက္ေသာ အေတြ႕အၾကံဳ မ်ား၊ သိခဲ့ဖူးျခင္းမ်ားမရွိပါ။ ဥပမာ ဖက္ရွင္မဂၢဇင္းဖတ္သူမ်ားက မည္သည့္သမၼတေလာင္းကိုမဲေပးမည္ဆိုတာကို ခန္႕မွန္းေပးျခင္းမ်ားျဖစ္သည္။ ထို႕ေၾကာင့္လည္းေနာင္လာမည့္ေရြးေကာက္ပြဲမ်ားတြင္ ရလဒ္မ်ားတစ္မ်ိဳး တစ္မည္ေျပာင္းလဲသြားေအာင္စြမ္းေဆာင္ႏိုင္စြမ္းရွိသည္။ ထိုသုိ႕ျဖစ္ေပၚေစရန္အတြက္ မဲေပးမည့္သူမ်ား၏ ကိုယ္ေရးကိုယ္တာအခ်က္အလက္မ်ားစံုစံုလင္လင္ရွိျပီး၊ ခန္႕မွန္းသည့္သူကလည္း တိတိက်က်ခန္႕မွန္းေပးႏိုင္ သူကအႏိုင္ရမည္ျဖစ္သည္။ သို႕ေသာ္လည္းဤလုပ္ငန္းစဥ္သည္ ပုဂၢိဳလ္ေရးဆိုင္ရာအခ်က္အလက္မ်ား ေပါက္ၾကားေနသည္ျဖစ္၍ ဒီမိုကေရစီက်င့္စဥ္ႏွင့္ဆန္႕က်င္ေနသည္ကို သတိထားမိေပလိမ့္မည္။

Target ကတြက္ခ်က္ခဲ့ေသာဥပမာကိုျပန္လည္ၾကည့္မည္ဆိုလွ်င္ preference ေပါင္းမ်ိဳးစံုကို အသံုးျပဳရ ေၾကာင္းေတြ႕ရသည္။ ကုမၸဏီမ်ားတြင္ ေသာင္းေပါင္းမ်ားစြာေသာ မတူညီသည့္ variable မ်ားကို အသံုးျပဳရ သည့္အျပင္၊ တြက္ခ်က္ရာတြင္လည္း weighting မ်ားကိုလည္း သင့္ေတာ္သလိုေျပာင္းလဲတြက္ခ်က္ ရသည္။

Big Data analysis သည္ယခင္သိခဲ့ဖူးေသာ traditional prediction ပံုစံမ်ားႏွင့္ကြဲျပားေနျပီး inductive analysis တြက္ခ်က္ျခင္းကလည္း pattern ျဖစ္သည့္ ကိန္းဂဏန္းမ်ားကိုအေျချပဳ၍တြက္ခ်က္ရျခင္းမ်ိဳးုျဖစ္ သည္။

Target ကကိုယ္၀န္ေဆာင္မ်ားႏွင့္ပတ္သက္၍တြက္ခ်က္မႈမ်ားျပဳလုပ္ျပီးသည့္ေနာက္တြင္ ေၾကာ္ျငာမ်ားသည္ ကိုက္ညီမႈမရွိေၾကာင္းေတြ႕ရသည့္အတြက္ ျပင္ဆင္မႈမ်ားျပဳလုပ္ခဲ့ရသည္။ target မွေပးသည့္အၾကံမ်ားႏွင့္အညီ ေျပာင္းလဲမႈမ်ားလုပ္ခဲ့ရသည္။ ထို႕ေနာက္တြင္မွ cotton balls မ်ား၊ lotion မ်ား၀ယ္ေသာမိခင္ေလာင္းသည္ မ်ားမၾကာမီ diapers မ်ား၀ယ္ေတာ့မည္ဆိုတာကို တိတိက်က်ခန္႕မွန္းႏိုင္မည္ျဖစ္သည္။

ထိုအခ်က္မ်ားထက္ပို၍အေရးၾကီးသည့္အခ်က္က မိမိတို႕၏ကိုယ္ေရးကိုယ္တာအခ်က္အလက္မ်ားအေပၚ မူတည္၍မိမိတို႕၏အမူအက်င့္မ်ားကိုခန္႕မွန္းတြက္ခ်က္ႏိုင္သည့္ သခ်ာၤပညာရပ္တစ္ခုေပၚေပါက္လာခဲ့သည္။ မိမိတုိ႕၏အခ်က္အလက္မ်ားကို BlueCuva မွ Fingerprinting နည္းပညာကဲ့သို႕ေသာ နည္းပညာေပါငး္မ်ိဳးစံု အသံုးျပဳျပီး pattern မ်ားထုတ္လာႏိုင္သည္အထိ အင္အားေကာင္းလာခဲ့သည္။ information ဆိုသည္မွာ မည္မွ်ပင္ေသးငယ္သည္ျဖစ္ေစ၊ ရရွိသြားပါက ၄င္း pattern မ်ားႏွင့္တြက္ခ်က္ျပီး ဘာျဖစ္ႏိုင္သည္ကို သိရွိခန္႕မွန္းႏိုင္မည္္ျဖစ္သည္။

လူမ်ားကိုကူညီမည့္ Transparency ႏွင့္ Inclusion

တကယ္တမ္းေတာ့ target ကကိုယ္၀န္ေဆာင္မ်ားအတြက္ ကေလးဆုိင္ရာ product မ်ားကိုေၾကာ္ျငာခဲ့သည့္ အခါဆန္႕က်င္ဘက္ရလဒ္မ်ားကိုရခဲ့သည္။ ကိုယ္၀န္ေဆာင္မိခင္မ်ားၾကည့္ေနသည့္အတြက္ ကေလးမ်ားႏွင့္ ဆိုင္ရာ ေၾကာ္ျငာမ်ားကို ထည့္သြင္းသည့္အခါ ၄င္းေၾကာ္ျငာမ်ားကို ၾကည့္ေနသူမ်ားႏွင့္မသက္ဆိုင္ေသာ ေၾကာ္ျငာမ်ားအၾကားထည့္သြင္းထားခဲ့သည့္အတြက္ ထိထိေရာက္ေရာက္ တံု႕ျပန္မႈမရခဲ့ပါ။ မိခင္ေလာင္းမ်ားကို ေမးခြန္းမ်ားေမးခဲ့ေသာ္လည္း ကုမၸဏီက ၄င္းအေျဖမ်ားကို လွ်ိဳ႕၀ွက္ထားခဲ့သည္။ ေျဖခ်င္တာေျဖ၊ ငါတို႕က ေတာ့ ဒါပဲေရာင္းမွာပဲဆိုေသာကိစၥမ်ားျဖစ္ေနသည္ဟု ေလ့လာသူမ်ားက သံသယရွိခဲ့သည္။

Transparency မရွိသည့္အခ်က္က စားသံုးသူမ်ားဘက္မွ ကန္႕ကြက္မႈမ်ားရွိလာသည္။ ေၾကာ္ျငာမ်ားသည္ သန္းႏွင့္ခ်ီေသာ personal data မ်ားကိုေလ့လာဆန္းစစ္ျပီးမွ စားသံုးသူမ်ားအတြက္ ထုတ္သည္ဆိုေသာ product မ်ား၊ ေၾကာ္ျငာမ်ားျဖစ္သည္။ အမွန္တကယ္တမ္းေတာ့ မည္သည့္စားသံုးသူမ်ားကိုမွ တိတိက်က်ေမး ျမန္းျခင္း၊ ေလ့လာျခင္းမ်ားမျပဳလုပ္ခဲ့ပါ။ ကုမၸဏီမ်ားေျပာသည့္ဆင္ေျခကေတာ့ ဤအခ်က္အလက္မ်ားသည္ စားသံုးသူမ်ား၏ personal data မ်ားျဖစ္သည့္အတြက္ အားလံုးသိေစရန္ transparent ျဖစ္ေအာင္မလုပ္ႏိုင္ ေၾကာင္း၊ အမွန္တကယ္လည္း စားသံုးသူမ်ားက၄င္းတို႕ဘာလိုခ်င္သည္၊ ဘာလိုအပ္သည္ကို မဆံုးျဖတ္ႏိုင္ သည့္အတြက္ သင့္ေတာ္သည္ကို ကုမၸဏီဘက္ကပင္ အျမဲအၾကံျပဳေနရေၾကာင္း ေျပာၾကားခဲ့သည္။

Targeting, Tracking လုပ္ျခင္းမ်ားသည္ စားသံုးသူမ်ားအတြက္ စိတ္အေႏွာင့္အယွက္ျဖစ္ေစသည္။ သို႕ေသာ္လည္း စားသံုးသူမ်ားက ၄င္းတုိ႕ကိုသီးသီးသန္႕သန္႕ဆက္ဆံမႈမ်ားမျပဳပါက မၾကိဳက္ၾကပါ။ တစ္ခါတစ္ ရံတြင္ targeting လုပ္ျခင္းက စားသံုးသူမ်ားက်န္ခဲ့ျခင္း၊ သီးသန္႕မျဖစ္ျခင္းမ်ားကိုခံစားရႏိုင္သည္။

မည္သို႔ပင္ျဖစ္ေစ ေၾကာ္ျငာကုမၸဏီမ်ားသည္ စားသံုးသူမ်ားကိုအသံုးျပဳျပီး ၄င္းတို႕ကန္႕လန္႕ကာေနာက္ကြယ္ တြင္စိတ္တိုင္းက်ကစားေနၾကသည္။ ဒါေၾကာင့္လည္း database မွ personal data မ်ားႏွင့္မည္သို႕မွ်မသက္ ဆိုင္ဘဲမိမိတို႕စိတ္ထင္တိုင္းျပဳလုပ္ေနၾကသည့္အတြက္ တိက်မႈႏွင့္ေ၀းကြာေနဆဲျဖစ္သည္။

စားသံုးသူမ်ားအတြက္တိက်ေသာ အခ်က္အလက္မ်ားရႏိုင္ဖို႕အတြက္ အေကာင္းဆံုးနည္းလမ္းကေတာ့ စားသံုးသူမ်ားကုိယ္တုိင္ေျဖဆုိျခင္းကို ကိုယ္တိုင္ေမးျမန္းျခင္းျဖစ္သည္။ ထို႕ေၾကာင့္လည္း တိက်သည့္အေျဖ မ်ားရရွိရန္အတြက္ ေၾကာ္ျငာကုမၸဏီမ်ားက ေငြေၾကးတစ္စံုတစ္ရာကုန္က်ခံရမည္ျဖစ္သည္။

Personal Data Ecosystem Consortium မွ Halim က၄င္းတို႕အဖြဲ႕အစည္းသည္ personal data မ်ားကိုရယူ ရာတြင္မည္သည့္အခ်က္မ်ားကို မည္သည့္နည္းလမ္းမ်ားျဖင့္ရယူေနၾကမည္ကိုစိုးရိမ္ရန္မလိုအပ္ဘဲ စားသံုးသူ မ်ားကိုတိုက္ရိုက္ေမးျမန္းျခင္းျဖင့္သာ အခ်က္အလက္မ်ားစုေဆာင္းေနေၾကာင္း ေျပာၾကားခဲ့သည္။ ထို႕အျပင္ စားသံုးသူမ်ား၏ အသက္၊ ၀င္ေငြသည့္အခ်က္အလက္မ်ားအေပၚမူတည္၍ တိက်ေသာအၾကံျပဳမႈမ်ားကိုသာ ေပးမည္ျဖစ္ေၾကာင္း လည္း ျဖည့္စြက္ေျပာၾကားခဲ့သည္။

တုိးတက္သင့္ေနျပီျဖစ္ေသာ အင္တာနက္

ယခုအခ်ိန္အထိေတာ့ Privacy ႏွင့္ေၾကာ္ျငာကိစၥမ်ားႏွင့္ပတ္သက္ေနေသာလူေတာ္ေတာ္မ်ားမ်ားသည္ personal data မ်ားကိုအသံုးျပဳေဆာင္ရြက္ရေသာ ေၾကာ္ျငာလုပ္ငန္းမ်ားသည္ ယခုအခ်ိန္အထိအလုပ္လုပ္ ကိုင္ရန္အခြင့္အေရးမ်ားရွိေနဆဲျဖစ္သည္။ ျဖစ္ေပၚလာရန္အတြက္ကေတာ့ အင္တာနက္စီးပြားေရးအေနအထား ကိုလူမ်ားကခ်ိန္ဆတြက္ခ်က္ေနၾကေသာေၾကာင့္ျဖစ္သည္။ အင္တာနက္အေပၚမွေၾကာ္ျငာလုပ္ငန္းမ်ားသည္ အခြန္ေပးရန္မွသည္အျခားေသာလုပ္ငန္းမ်ိဳးစံုအထိပါ၀င္သည္။ Website တည္ေဆာက္သူမ်ား၊ content တည္ေဆာက္သူမ်ား၊ app developer မ်ားသည္ online တြင္ရပ္တည္မႈတစ္ခုရရန္အတြက္ ေၾကာ္ျငာလုပ္ငန္း မ်ားမွရေသာ၀င္ေငြျဖင့္ရပ္တည္ေနၾကရသည္။ ထိုကဲ့သို႕ေဆာင္ရြက္ေပးရန္အတြက္ ေၾကာ္ျငာလုပ္ငန္းမ်ားသည္ personal data မ်ားအေပၚမွတဆင့္ ၀င္ေငြရွာေနၾကသည္။

အင္တာနက္အေပၚတြင္ အခမဲ့ရေသာ၀န္ေဆာင္မႈမ်ားမ်ားျပားလာသည္ႏွင့္အမွ် personal data မ်ားကိုရယူႏိုင္ မႈတိုးလာၾကသည္။ ထို႕ေၾကာင့္လည္း အင္တာနက္ေပၚတြင္ personal data economy လုပ္ငန္းတိုးတက္လာ ျခင္းျဖစ္သည္။ အင္တာနက္ေခတ္ဦးတြင္ အခ်က္အလက္မ်ားေပးရန္မလိုဘဲ ေရွာင္ေျပးႏိုင္ေသာ္လည္း ယခု ေနာက္ပုိင္းတြင္ အခမဲ့ရေသာ၀န္ေဆာင္မႈမ်ား မ်ားျပားလာသည္ႏွင့္အမွ် privacy လည္းေလ်ာ့နည္းလာသည္။ သတင္းအခ်က္အလက္မ်ားေပးျခင္းႏွင့္ ၄င္းေနာက္တြင္ ထိုအခ်က္အလက္မ်ားကို မည္သို႕မည္ပံုေဆာင္ရြက္ လိုက္သည္ဆုိသည့္ transperancy ကိုလည္းစားသံုးသူမ်ားကေတာင္းဆိုလာၾကသည္။

အင္တာနက္ေပၚမွေၾကာ္ျငာလုပ္ငန္းမ်ားသည္ transparency ပိုင္းတြင္အားနည္းေနဆဲျဖစ္သည္။ သံုးစြဲသူ တစ္ဦးခ်င္းစီအလိုက္ေၾကာ္ျငာထည့္သြင္းျခင္းသည္ထိေရာက္မႈရွိျပီး spam မ်ားကိုက်ဆင္းေစသည္။ website တည္ေထာင္သူမ်ားႏွင့္ Facebook ကဲ့သို႕ေသာအဖြဲ႕အစည္းမ်ားတြင္ေပးထားေသာ အခမဲ့၀န္ေဆာင္မႈမ်ားမွ တဆင့္ personal data မ်ားကိုရယူေနၾကစဥ္အခ်ိန္တြင္ အခမဲ့ေပးျပီး track လုပ္မည့္၀န္ေဆာင္မႈလား? ေငြေၾကးရယူျပီး track လံုး၀မလုိက္မည့္ ၀န္ေဆာင္မႈမ်ားလား? စသည္ျဖင့္တိတိက်က်ခြဲျခားေျပာၾကားထားသင့္ သည္။ ၄င္း၀န္ေဆာင္မႈသည္ အသစ္မဟုတ္ပါ။ ယခင္ကတည္းကသိျပီးျဖစ္ေသာ ad-free လား? Ad-Premium လားဆိုသည့္၀န္ေဆာင္မႈမ်ိဳးမ်ားျဖစ္ၾကသည္။

ဤကဲ့သို႕ေသာလုပ္ငန္းမ်ိဳးသည္ တစ္ဖက္ဖက္ကလံုး၀အရႈးံျဖစ္ေသာ zero-sum လုပ္ငန္းမ်ိဳးမဟုတ္ပါ။ ေၾကာ္ျငာလုပ္ငန္းမ်ားအေနျဖင့္ personal data မ်ားကိုအသံုးျပဳျခင္းကိုရပ္တန္႕မည္မဟုတ္ပါ။ ထို႕ေၾကာင့္လည္း ယခုေဆာင္းပါးကိုဖတ္ျပီးသည့္အခ်ိန္တြင္ အခ်ိဳ႕သံုးစြဲသူမ်ားက facebook အသံုးျပဳမႈကို ရပ္ တန္႕ေကာင္းရပ္တန္႕သြားမည္ျဖစ္သည္။ သို႕ေသာ္လည္းအင္တာနက္ေလာကတြင္ လံုး၀ျပည့္၀ေသာ privacy ကိုရရွိေရးဆိုသည္မွာ မျဖစ္ႏိုင္ပါ။

စိန္ေခၚမႈတစ္ခုကေတာ့ အင္တာနက္သံုးစြဲသူမ်ား၊ ေၾကာ္ျငာလုပ္ငန္းရွင္မ်ား၊ website တည္ေဆာက္သူမ်ား အၾကား data economy မည္သို႕အလုပ္လုပ္သည္ကိုသိရွိသြားသည့္အတြက္ အားျပိဳင္မႈတစ္ခုျဖစ္လာႏိုင္သည္။ ထို႕ေၾကာင့္အင္တာနက္ေလာကတြင္ personal data မ်ားကိုအသံုးျပဳမည့္စီးပြားေရးလုပ္ငန္းမ်ားႏွင့္ သားေကာင္မ်ားအေနျဖင့္ရွိေနသည့္ အင္တာနက္သံုးစြဲသူမ်ားအၾကား အလုပ္မ်ားရႈပ္ေနၾကဦးမည္ျဖစ္သည္။

 

၁. Abine ကထုတ္လုပ္လိုက္ေသာ Do Not Track Plus ဆိုသည့္ browser extension က cookie မ်ားကို block လုပ္ႏုိင္ျပီး third party မ်ားျဖစ္ၾကေသာ ad network မ်ား၊ data aggregraters မ်ားရန္က ကာကြယ္ႏုိင္သည္။ DNT+ ကို fine.pcworld.com/73080 မွတဆင့္ရရွိႏုိင္သည္။ site တစ္ခုကို၀င္လိုက္လို႕ သင့္ personal data မ်ားကိုယူေနသည္ဆုိပါက icon ေလးကလႈပ္ေနမည္ျဖစ္သည္။

၂. စနစ္တက်မဟုတ္ေသာ အခ်က္အလက္မ်ားစုေဆာင္းျခင္း၊ ေ၀မွ်ျခင္း၊ ေရာင္းခ်ျခင္း၊ သိမ္းဆည္းျခင္းမ်ားသည္ ကြ်ႏု္ပ္တို႕အားလံုးကို အေႏွာင့္အယွက္ျဖစ္ေပၚေစသည္။

၃. Social network အသံုးျပဳမႈမ်ားတိုးတက္လာသည္ႏွင့္အမွ် privacy ကိစၥမ်ားလည္းက်ဆင္းလာသည္။

၄. Browser အတြင္းပိုင္းကိုထဲထဲ၀င္၀င္ေလ့လာၾကည့္လွ်င္ cookie မ်ားကိုမည္သို႕သိမ္းထားသည္ကိုေတြ႕ႏိုင္ သည္။ Free site ျဖစ္ေသာ Dictionary.com ကဲ့သို႕ေသာ website မ်ားတြင္ cookie ေပါင္း ၅၅အထိဖန္တီးႏိုင္ေၾကာင္းေတြ႕ရသည္။ ထုိကဲ့သို႕အလားတူပင္ DoubleClick, Yahoo, Google မ်ားတြင္လည္းေတြ႕ႏိုင္သည္။

၅. Google Chrome ကဲ့သို႕ေသာ အခ်ိဳ႕ browser မ်ားတြင္ သံုးစြဲသူမ်ား၏ username ႏွင့္အခ်က္အလက္မ်ား ကိုသိမ္းထားေသာ cookie မ်ားမွတဆင့္ခိုးယူေလ့ရွိေသာ third party cookie မ်ားကို block လုပ္ႏိုင္စြမ္းရွိ သည္။

၆. မတူညီေသာ data မ်ားကို မတူညီေသာ နည္းလမ္းမ်ားႏွင့္ရယူရန္ၾကိဳးစားလာၾကျခင္းသည္ စစ္ျဖစ္ရန္အတြက္ စစ္လက္နက္ျပင္ဆင္ေနသည္ႏွင့္တူသည္။

၇. စားသံုးသူမ်ားအတြက္ပိုမိုေကာင္းမြန္ေသာ၀န္ေဆာင္မႈလုပ္ငန္းမ်ားျပဳလုပ္ရန္ ေစ်းကြက္ထဲတြင္ အခြင့္အေရး မ်ားစြာရွိေနသည္။

၈. Firefox 11, Internet Explorer 9, 10 စသည္မ်ားတြင္ track မလိုက္ရန္အတြက္ ကာကြယ္ထားပါက ၄င္းကိုေလးစားေသာအားျဖင့္ online မွေၾကာ္ျငာလုပ္ငန္းရွင္မ်ားကလည္း track မလုပ္ၾကပါ။

 

By – Kaung Myat Htut for PC World Myanmar (August)

About Kaung Myat Htut

Kaung Myat Htut has written 24 post in this Website..

Currently working as Lecturer in YIUS (Yangon Institute of University Studies) lecturing Introduction to Computing and Programming subjects. Also Working as a Translator/Writer in PC World Myanmar and Auto Mobile PC Guide Magazine.