Data သူခိုးများ (Data Snatchers)

Data သူခိုးများ

နေ့စဉ်နှင့်အမျှ online အပေါ်မှာ အလုပ်လုပ်နေရတဲ့အခါမှာ ကိုယ့်ရဲ့ကိုယ်ရေးကိုယ်တာအချက်အလက် တွေကိုအခိုးခံရမှာကိုစိုးရိမ်ရပါတယ်။ မိမိရဲ့ကိုယ်ရေးကိုယ်တာအချက်အလက်တွေဟာ ယခုခေတ်မှာတော့ သင်တစ်ယောက်တည်းသာသိတဲ့ အချက်အလက်တွေမဟုတ်တော့ပါဘူး။ Facebook page မှာ Like လုပ် တဲ့အချိန်၊ Credit card လျှောက်ထားတဲ့အချိန်၊ ကြော်ငြာတစ်ခုကို click နှိပ်လိုက်တဲ့အချိန်၊ MP3 သီချင်း တစ်ပုဒ်ကို online မှာနားထောင်တဲ့အချိန်၊ YouTube video တစ်ခုကို comment လုပ်လိုက်တဲ့အချိန် စသည့်အချိန်တိုင်းမှာ သင်ဟာသင့်ကိုယ်ရေးကိုယ်တာအချက်အလက်တွေကို တိရစာ္ဆန်ကြီးတစ်ကောင်ကို ကျွေးလိုက်သလိုမျိုးဖြစ်နေတာ သင်သတိထားမိမှာ မဟုတ်ပါဘူး။ သင့်အချက်အလက်များကို ပုံစံမျိုးစုံ ပြောင်းလဲပြီး ထပ်ဆင့်ရောင်းချနေတာကိုလည်း သင်သတိထားမိမှာမဟုတ်ပါဘူး။

ကိုယ်ရေးကိုယ်တာအချက်အလက် Personal data များကို ကြော်ငြာလုပ်ငန်းရှင်များ၊ ဈေးကွက်ရှာဖွေသူများ၊ social network တည်ထောင်သူများ၊ website တည်ဆောက်သူများ၊ online ကုမ္ပဏီများမှ ဝယ်ယူပြီး ပြန်လည်ရောင်းချသည့် စီးပွားရေးလုပ်ငန်းများ အသစ်ပေါ်ပေါက်လာသည်။

၎င်းကုမ္ပဏီများသည် database အတွင်းပိုင်းအထိပါဝင်ရောက်မွှေနှောက်ရှာဖွေကြပြီး မွေးစာရင်းကဲ့သို့သော သင့်ကိုယ်ရေးကိုယ်တာ အချက်အလက်များ အပါအဝင် သင်အင်တာနက်ကြည့်သော history များကိုပါ စုဆောင်းထားနိုင်သည်။ ထိုသို့ပြုမူရန်အတွက် Facebook Like နှိပ်မှုများက အကောင်းဆုံးပင်ဖြစ်သည်။ အထက်ပါစုဆောင်းထားသောအချက်အလက်များမှတဆင့် pattern များတည်ဆောက်ကာ လူတစ်ဦးချင်းစီ၏ အချက်အလက်၊ အပြုအမူများကို လေ့လာနိုင်သည်။ ထို pattern များကို ဝယ်ဝယ်၊ ရောင်းရောင်း ကြိုက်သလို ဆောင်ရွက်နိုင်ကြသည်။ ၂၀၁၂ တွင်မွေးသောကလေးတစ်ဦးဆိုပါက သူ၏အချက်အလက်များကို တစ်နေ့ချင်း စီအလိုက်သော်လည်းကောင်း၊ တစ်မိနစ်ချင်းစီအလိုက်သော်လည်းကောင်း မွေးဖွားသည်မှသည် သေဆုံးသည်အထိ စုဆောင်းရရှိနိုင်သည်။

Database များသည်လည်း နည်းပညာတိုးတက်လာသည်နှင့်အမျှ ချိတ်ဆက်မှုအားကောင်းလာပြီး စက္ကန့်ပိုင်း အတွင်း သန်းနှင့်ချီသော အချက်အလက်များကို စုဆောင်းရယူနိုင်သည်။ Personal data များရနိုင်ဖို့အတွက် Facebook သည်အကောင်းဆုံးနေရာတစ်ခုဖြစ်သည်။ Facebook ၏အဓိကဝင်ငွေရနေသည့်အပိုင်းကလည်း ၎င်းအချက်အလက်များကိုအခြေခံ၍ ရနေခြင်းဖြစ်သည်။ ထိုအချက်အလက်များဖြင့် ကြော်ငြာရှင်များကို နည်းအမျိုးမျိုးဖြင့်ကူညီသည့်အတွက် Facebook တွင်ကြော်ငြာနှုန်းများတက်လာပြီး ပိုမိုစီးပွားဖြစ်လာကြသည်။ မည်သို့ပင်ဖြစ်စေ လေ့လာသူများ၏ပြောကြားချက်များအရ Facebook သည်၎င်းတို့ ကုမ္ပဏီကိုအများပိုင် အဖြစ်ပြောင်းလဲပြီးသည့်နောက်တွင် အချက်အလက်ထိန်းသိမ်းမှုများကို ယခင်ကထက်ပိုမို၍ပြုလုပ်လာ ကြသည်။

Personal data များထိန်းသိမ်းရေးဆိုင်ရာ product များထုတ်လုပ်သည့် ကုမ္ပဏီဖြစ်သော Abine မှရှေ့နေ Sarah Downey က၎င်းတို့သည် နေ့စဉ်နှင့်အမျှ ပုဂ္ဂိုလ်ရေးဆိုင်ရာအချက်အလက်များထိန်းသိမ်းပေးရန် စားသုံးသူများထံမှ တောင်းဆိုမှုများ ရရှိနေကြောင်း၊ အချို့ကိုယ်ရေးကိုယ်တာအချက်အလက်များသည် ရည်ရွယ်ချက်မရှိဘဲ၊ မသိဘဲဖြစ်နေကြောင်း၊ အချို့ပေါက်ကြားမှုများသည် data ပို့လိုက်သည့် transaction တွင်ဖြစ်ပေါ်သွားတတ်ကြောင်း ပြောကြားခဲ့သည်။ တစ်ခါကြုံဖူးသည်က မထင်မှတ်ဘဲ မိမိမသိသည့် နေရာ တစ်ခုမှာ သုံးလိုက်မိခြင်း၊ spam mail များနှင့် ဆက်သွယ်မိခြင်း၊ အန္တရာယ်ရှိသည့် database များမှ data ရယူခြင်း၊ data ပေးလိုက်မိခြင်း၊ စသည်များမှ data သူခိုးများလိုက်လာခြင်းဖြစ်သည်၊

ဆက်လက်ပြီး data ခိုးယူမှုများသည် online, offline ခိုးယူမှုများ၊ လွန်ကဲစွာချိတ်ဆက်ထားသော network များနှင့်ဆက်သွယ်ခြင်းဖြစ်သည့် hyper connectivity မှတဆင့်ကျူးလွန်ခြင်း၊ real-time ကြော်ငြာများ၊ browser fingerprint နှင့် tracking၊ နောက်ဆုံးအချက်အနေနှင့် စားသုံးသူများ၏အချက်အလက်များကို ထိန်းသိမ်းထားသည့် database များမှတဆင့် အချက်အလက်များခိုးယူခြင်းအကြောင်းအရာများကို ဆက်လက်တင်ပြမှာဖြစ်ပါသည်။

Online နှင့် Offline data ခိုးယူမှုများ

Personal data များသည်ယခုခေတ်တွင်ရယူရန် ယခင်ခေတ်များကထက်ပိုမိုလွယ်ကူလာသည်။ လူများသည် ၎င်းတို့၏ဘဝအကြောင်းအရာမှတ်တမ်းများကို အင်တာနက်အပေါ်တွင်တင်ထားသောကြောင့်လည်းဖြစ်သည်။ ယခင်ခေတ်များကဆိုလျှင် လူများ၏ပုဂ္ဂိုလ်ရေးဆိုင်ရာအချက်အလက်များသည် အစိုးရရုံးဌာနများ၏ စာရွက်များပေါ်တွင်သာရှိခဲ့သည်။ ဥပမာအားဖြင့် မွေးစာရင်းများ၊ အိမ်ထောင်စုစာရင်းများ၊ လုံခြုံရေးဆိုင်ရာအချက်အလက်များ၊ နိုင်ငံရေးဆိုင်ရာအချက်များနှင့် မဲပေးမှုစသည်များဖြစ်သည်။ ယခုခေတ်များတွင် အစိုးရဌာနများက computerized စနစ်များတည်ဆောက်လာကြသည့်အတွက် ထိုစာရွက်များကို scan ဖတ်၍သိမ်းမှတ်ထားမှုများပြုလာကြသည်။ ထို့နောက်တွင်မှ online အပေါ်သို့ ရောက်လာသည့်အတွက် ပေါက်ကြားရန်လမ်းကြောင်းများဖြစ်ပေါ်လာရခြင်းဖြစ်သည်။

အထက်ဖော်ပြပါကဲ့သို့သော ပုဂ္ဂလိကဆိုင်ရာအချက်အလက်များကို data သိမ်းထားပေးသည့် ကုမ္ပဏီများက ရပ်ကွက်၊ မြို့နယ်၊ ခရိုင်၊ တိုင်းမှသည် နိုင်ငံတစ်နိုင်ငံလုံးအတွက် ငွေကြေးတစ်ခုရယူပြီး online တွင် လုပ်ငန်းပိုင်းဆိုင်ရာ သုံးစွဲရ လွယ်ကူရန်ဆိုသော ရည်ရွယ်ချက်ဖြင့်ထိန်းသိမ်းထားသည်။ Intelius.com နှင့် Spokeo တို့ကဲ့သို့သောအဖွဲ့အစည်းများသည် ယခင်က physically စာရွက်ပေါ်တွင်ရှိနေသောအချက် အလက်များကို အင်တာနက်ကိုအသုံးပြုထားသော Online ပေါ်သို့ရောက်အောင်ဆောင်ရွက်ပေးနေကြသည်။ ထို့အပြင်ထိုအချက်အလက်များကို social network ကဲ့သို့သော နေရာများမှ အချက်အလက်များကိုလည်း ရယူပြီးတစ်ပေါင်းတစ်စည်းတည်းဖြစ်အောင်ဆောင်ရွက်ပေးနိုင်သည်။

Spokeo ၏ Chief Strategy Officer ဖြစ်သူ Emanuel Pleitez က၎င်းတို့ကုမ္ပဏီသည် social media များ၊ networking site များ၊ public record များကိုတစ်ပေါင်းတစ်စည်းတည်းဖြစ်အောင် ပြုလုပ်ပေးသည်ဟု ဝန်ခံ သွားသည်။ ထို့အတူ Intelius.com ကိုပိုင်ဆိုင်သော Intelius Inc. က public record data များကို social network များမှ အချက်အလက်များကို ပေါင်းစည်း၍ online တင်ထားမှုများကိုစတင်လုပ်ကိုင်နေပြီဖြစ်ကြောင်း General Manager ဖြစ်သူ Jim Adler ကပြောကြားသွားခဲ့သည်။ အချက်အလက်များကို ရနိုင်သည့် လမ်းကြောင်းပေါင်းစုံမှ ရယူမည်ဖြစ်ကြောင်းလည်း ဖြည့်စွက်ပြောကြားခဲ့သည်။ Intelius သည် Facebook, Twitter နှင့်အခြားသော social network များမှတဆင့် အမည်၊ အသက်၊ နေရပ်လိပ်စာများကိုပါစုစည်း နေကြောင်းတွေ့ရှိရသည်။ မည်သို့ပင်ဖြစ်စေ ထိုကဲ့သို့သော ကုမ္ပဏီများသည် Facebook ကိုဦးစားပေး၍data ရယူခြင်းများကိုဆောင်ရွက်နေကြသည်။

Data Combination သည် Privacy ထိခိုက်မှုများကိုဖြစ်စေနိုင်

Intelius, Spokeo, PeopleFinder.com ကဲ့သို့သော ကုမ္ပဏီများများသည် public record များမှအချက်အလက်များ၊ social network များမှ အချက်များကိုစုစည်း၍မြေပိုင်ရှင်များ၊ အာမခံလုပ်ငန်းလုပ်သူ များ၊ အလုပ်ရှင်များ၊  ငွေချေးလုပ်ငန်းဆောင်ရွက်သူများဆီသို့ အချက်အလက်များပေးပြီး ၎င်းတို့အတွက် ဖြစ်နိုင်ချေရှိသည့် စားသုံးသူများကိုခန့်မှန်းပေးခြင်းများ၊ ကြော်ငြာခြင်းများပြုလုပ်နိုင်ရန်အတွက် ရည်ရွယ်ပြီး ပေးပို့လေ့ရှိသည်။

ဒီလိုဆောင်ရွက်ခြင်းဟာ Fair Credit Repot Violation ဆိုသောဥပဒေနှင့်ညိစွန်းပြီး ကုမ္ပဏီ၏စည်းမျဥ်းစည်း ကမ်းများနှင့်လည်းကိုက်ညီမှုမရှိကြောင်း၊ Intelius ကုမ္ပဏီကလည်းထိုသို့မလုပ်ကြောင်း Adler က PC World သို့ email ဖြင့်ပြောကြားသွားခဲ့သည်။

လူအများစုကတော့ ၎င်းတို့၏ကိုယ်ရေးကိုယ်တာအချက်အလက်များသည် ၎င်း public record များမှတဆင့် ပေါက်ကြားပြီး၊ ရည်ရွယ်ချက်အမျိုးမျိုးဖြင့်အသုံးချခံနေရကြောင်းယုံကြည်နေကြသည်။ FTC Commissioner Julie Brill ကစားသုံးသူများ၏ Credit Report များနှင့်ပတ်သက်၍ တစ်စိတ်တစ်ပိုင်းအနေဖြင့် ၎င်းတို့၏ အိမ် ပိုင်ဆိုင်မှု၊ အလုပ်အကိုင်သေချာမှု၊ အာမခံချက်များကိုအခြေခံ၍စဉ်းစားခြင်းဖြစ်သည့်အတွက် အချက်အလက် များများရလေကောင်းလေဖြစ်သည်။ Public record များကလည်း ၎င်းတို့အချက်အလက်များပေါက်ကြားနေ သည်ကိုသိလည်းမသိနိုင်သလို၊ သိလည်းမသိချင်ပါ။

Public record များတွင် social networking မှရသော ဓါတ်ပုံများကိုထည့်သွင်းခြင်းသည် ကောင်းမွန်သော် လည်း ၎င်းကိုအသုံးပြုသည့် မြေပိုင်ရှင်များ၊ အလုပ်ရှင်များဘက်မှ မှားယွင်းမှုများဖြစ်နိုင်သည်။ လူပုဂ္ဂိုလ်တစ်ဦး သည်၎င်း၏အချက်အလက်များကို ရည်ရွယ်ချက်နှစ်မျိုးဖြင့်ပေးလေ့ရှိသည်။ ပထမတစ်ခုက public record၊ Formal နှင့် open data ရယူမှုများ၊ social network အတွက်ပေးမှုများနှင့် မိတ်ဆွေသူငယ်ချင်းများသိစေရန် ပေးသောအချက်များဖြစ်သည်။ ဒုတိယအနေဖြင့် အလုပ်အကိုင်ရှာဖွေခြင်း၊ အိမ်ငှားခြင်း၊ ဝယ်ခြင်း၊ အာမခံ ကုမ္ပဏီသို့ အချက်အလက်များပေးခြင်း စသည့်အချိန်များဖြစ်သည်။

Data များကိုနိုင်ငံရေးအတွက်အသုံးချခြင်း

အဆင့်မြင့်နည်းပညာကိုအသုံးချခြင်းသည် product များကိုများများရောင်းရရေးဆိုသည့် ရည်ရွယ်ချက်တစ်ခု တည်းမဟုတ်ပါ။ ယခုခေတ်တွင် လူအများ၏အချက်များနှင့် အကြံဉာဏ်များကိုပါရောင်းချနေကြပြီဖြစ်သည်။ နိုင်ငံရေးဆိုင်ရာ စည်းရုံးမှုများပြုလုပ်ရာတွင် offline data များသာမက online data များကိုပါအသုံးချလာကြ သည်။ ၎င်း online data များတွင် ဖြစ်နိုင်ခြေရှိသော မဲပေးမည့်သူများ၏ဓါတ်ပုံများပါ ရနိုင်သည့်အတွက် ထိထိ ရောက်ရောက်မဲဆွယ်မှုများပြုလုပ်လာနိုင်သည်။ ထို့ကြောင့်၎င်းကိစ္စတွင်ကျွမ်းကျင်သော ကုမ္ပဏီများဖြစ်ကြ သည့် Aristotle, CampaignGrid, RapLeaf နှင့် TargetedVictory တို့သည်သန်းပေါင်းများစွာသော လူများ၏ အချက်အလက်များကိုစုစည်း၍ နိုင်ငံရေးဆိုင်ရာမဲဆွယ်မှုများပြုလုပ်နိုင်ရန်အတွက် အကူအညီများပေးနိုင် သည်။ ၎င်းတို့သည်လူတစ်ဦးချင်းစီအလိုက် မည်သည့်ပါတီကိုမဲပေးထားသနည်းကိုနှစ်များအလိုက် စုဆောင်း ပေးနိုင်သည်။

အထက်ဖော်ပြပါကုမ္ပဏီများသည် offline data များကို အခြားသော offline data များဖြစ်ကြသည့် အိမ်ခြံမြေဆိုင်ရာအချက်များ၊ ဦးတည်နေသောသူများ၏ online activity များ၊ social network profile များ၊ online ဈေးဝယ်ထားသည့်မှတ်တမ်းများ၊ ရံပုံငွေလှူဒါန်းမှုများနှင့် နိုင်ငံရေးလှုပ်ရှားမှုများ၊ online တွင်ဖတ်ထား သော article များ၊ နိုင်ငံရေးဆိုင်ရာအကြိုက်များကိုပါ တစ်ပေါင်းတည်းဖြစ်အောင် စုစည်းထားနိုင်သည်။

နိုင်ငံရေးဆိုင်ရာမဲဆွယ်မှုများအတွက် နောင်လာမည့်မဲဆွယ်မှုများတွင် အသုံးပြုမည့်ကုန်ကျစရိတ်သည် ၂၀၁၂ တွင်ထက်ပိုမိုအသုံးပြုမည်ဖြစ်ကြောင်း Borrell Associates ကပြောကြားသွားခဲ့သည်။ ၎င်းမဲဆွယ်မှုများ အတွက် ၂၀၁၂ တွင် အမေရိကန်ဒေါ်လာ ၉.၈ ဘီလီယံ၊ ၂၀၀၈ တွင် ရ ဘီလီယံ၊ Online advertising နှင့်ပတ်သက်၍ ၂၀၁၂ တွင် သန်း ၁၆၀၊ ၂၀၀၈ တွင် ၂၂သန်းအထိအသုံးပြုခဲ့ကြသည်။ Online ကြော်ငြာမှုများ နှင့်ပတ်သက်၍ ၂၀၁၂ တွင် TV များတွင် ၅၇% အသုံးပြုခဲ့ကြသည်။ Online website တွင်ကြော်ငြာမှုများ သည် ၁.၄% သာရှိကြောင်း Borrell Associates ရှိကြောင်းပြောကြားခဲ့သည်။

Online Advertising 3.0

Online ကြော်ငြာလုပ်ငန်းများသည် လူပုဂ္ဂိုလ်များ၏ကိုယ်ရေးကိုယ်တာအချက်အလက်များကို အခြေခံသော လုပ်ငန်းမျိုးဖြစ်သည်။ ထို့ကြောင့်အလားတူလုပ်ငန်းများသည် online မှရွေးချယ်မှုများ၊ အမူအကျင့်များနှင့် ပတ်သက်သည့် personal data များကိုရနိုင်သမျှရရန်အတွက် လက်နက်ပေါင်းစုံတပ်ဆင်ကြိုးစားလာကြသည်။

Web အပေါ်တွင်ကြော်ငြာလုပ်ငန်းလုပ်ကိုင်နေကြသူများတွင် များစွာသော personal data များကိုသိမ်းထား သည့် database များကိုပိုင်ဆိုင်ကြသည်။ ၎င်း database များတွင် လူဦးရေဆိုင်ရာများ၊ ကြိုက်နှစ်သက်မှုများ၊ လူမှုရေးဆိုင်ရာများစသည့် သန်းပေါင်းများစွာသောအချက်အလက်များကို စုထားသည့်အပြင် နေ့စဉ်နှင့်အမျှ လည်း database ကကြီးထွားလာသည်။ ထို့အပြင် ထို database များသည် တစ်ခုနှင့်တစ်ခုချိတ်ဆက်မှုများ ရှိလာပြီး hyper-connected ပုံစံဖြစ်လာသည်။ ထို့ကြောင့်ကြော်ငြာကုမ္ပဏီများသည် personal data များကို အချိန်တိုအတွင်း database များအကြားရယူထည့်သွင်းပေးနိုင်သည်။

Web အပေါ်မှကြော်ငြာထည့်သွင်းသည့်လုပ်ငန်းများ၏ ရှေးဦးခေတ်များတွင် web page များအပေါ်တွင် banner ads များထည့်သွင်း၍ ၎င်းကြော်ငြာများကို web ကြည့်ရှုသူများက နှစ်ကြိမ်၊ သုံးကြိမ်မှသည် အကြိမ်တစ်ရာခန့်အထိ click နှိပ်ကြရန်အတွက် ဆုတောင်းနေကြရသည်။ ထိုကဲ့သို့ blind ad-serving model ကိုအသုံးမပြုတော့ဘဲ ယခုခေတ်တွင် smart ad-serving model ကိုစတင်အသုံးပြုလာကြသည်။ ၎င်းသည် ကြော်ငြာပိုင်းဆိုင်ရာများကို လုပ်ငန်းရှင်များကိုသီးသန့်လုပ်ဆောင်ခွင့်ပြုပြီး ထိုကုမ္ပဏီများမှသာလျှင် ကြော်ငြာအတွက်အချက်အလက်များရယူခြင်း၊ စစ်ဆေးခြင်း၊ ထည့်သွင်းခြင်းမှသည် click နှိပ်ပြီးနောက်ပိုင်း ငွေချေခြင်းလုပ်ငန်းများကိုပါ ဆက်လက်ဆောင်ရွက်သွားကြသည်။

Smart ad-serving model သည်လူတစ်ဦးချင်းစီအလိုက် website ကြည့်သောအမူအကျင့်များ၊ Browsing history များ၊ Facebook အသုံးပြု၍ဖြစ်လာသော Like နှိပ်မှုများ၊ မိတ်ဆွေသူငယ်ချင်းများ၏ Like, Dislike များကိုပါစုစည်းထားနိုင်သည်။ ထို့နောက်တွင်မှ တစ်ဦးချင်းစီအလိုက်အကြိုက်များကို သိနေပြီဖြစ်သည့် အတွက် သီးသန့်ကြော်ငြာမှုများကို အသုံးပြုကြော်ငြာနေကြသည်။ ထိုသို့ဆောင်ရွက်နိုင်ရန်အတွက်လည်း ၎င်းကုမ္ပဏီများက offline ရော၊ online မှာပါ data များကိုရနိုင်ရန်အတွက် နည်းမျိုးစုံဖြင့်ကြိုးစားလာကြသည်။

Personal data management tool များကိုထုတ်လုပ်ရောင်းချနေသော person.com မှ CEO ဖြစ်သူ Shane Green က data ဆိုင်ရာစီးပွားရေးလုပ်ငန်းများသည် အပြိုင်အဆိုင်ပြင်းထန်နေပြီဖြစ်ကြောင်းပြောကြားသွားခဲ့ သည်။ ကုမ္ပဏီတိုင်းသည် သီးသန့် data များကို၊ မတူညီသောနည်းလမ်းများဖြင့်ရယူနေကြသည်။ database အတွင်းတွင် data မည်မျှမြောက်မြားစွာရှိသည်ဖြစ်စေ မည်သို့အသုံးပြုရမည်ကိုမသိပါက ကြော်ငြာလုပ်ငန်း များကို ထိရောက်စွာလုပ်ကိုင်နိုင်မည်မဟုတ်ပါ။ ထို့ကြောင့် ရှိသော data များကို အသုံးပြုနေသောလူတစ်ဦး ချင်းစီအလိုက် ထိထိရောက်ရောက် ကြော်ငြာပေးနိုင်မှသာလျှင် ကောင်းမွန်သောစနစ်၊ ထိရောက်သော database အဖြစ်သတ်မှတ်နိုင်သည်။

Real-Time Ad Targeting

ယခုခေတ် website များတွင် real-time ad targeting ပုံစံဖြင့် ကြော်ငြာများကိုဆောင်ရွက်နေကြခြင်းဖြစ် သည်။ အသုံးပြုသူတစ်ဦး website ကိုဖွင့်လိုက်ပါက ၎င်းအသုံးပြုသူ၏ ကိုယ်ရေးကိုယ်တာအချက်များ၊ အမူအကျင့်များအပေါ်မူတည်၍ website က၎င်းနှင့်ချိတ်ဆက်ထားသော ကြော်ငြာလုပ်ငန်းများနှင့်ချိတ်ဆက်ပြီး မည်သည့်ကြော်ငြာကိုပြမည်ဆိုတာ ဆုံးဖြတ်ပြသလေ့ရှိသည်။ ထို့ကြောင့်လည်း real-time ဆုံးဖြတ်ချက်တစ်ခု အနေဖြင့် ကြော်ငြာလုပ်ငန်းများက ၎င်းတို့ကြော်ငြာကိုပြရန်အတွက် bid များပို့ကာ ချက်ချင်းဆိုသလို exchange များလုပ်ကြရသည်။

ကြော်ငြာလုပ်ငန်းများသည် ကြော်ငြာရာတွင်ထိရောက်မှုရှိစေရန်အတွက်နှင့် bid အခွင့်အရေးကိုဆုံးဖြတ်ရန် အတွက် အသုံးပြုသူ၏ browser အတွင်းတွင်ရှိသော code (HTML cookie) များကိုကြည့်ပြီးမှ ဆုံးဖြတ်လေ့ရှိ သည်။ HTML cookie များသည် သုံးစွဲသူ၏ကွန်ပျူတာမှ browser အတွင်းတွင် ယခင်ကတည်းကရှိပြီးဖြစ် သည်။ ၎င်း cookie ID နှင့်၎င်းတို့ database အတွင်းရှိုပြီးဖြစ်သော အချက်အလက်များနှင့် တိုက်ဆိုင်စစ်ဆေး ပြီး ကြော်ငြာများပို့ရန် ဆုံးဖြတ်လေ့ရှိသည်။

Database အတွင်းတွင်ရှိသော data များသည် offline တွင်သာမက online မှလည်းစုဆောင်းထားသည့် အပြင် data များကိုရောင်းစားနေသောကုမ္ပဏီများဖြစ်ကြသည့် Acxiom, Experian များမှ General data များကိုရနိုင်သည့်အပြင် Facebook profile များကိုအခြေခံထားသောတိကျသည့် data များကိုမူ 33Across နှင့် Media6Degrees ကဲ့သို့သော ကုမ္ပဏီများ မှလည်းရနိုင်သည်။

ကြော်ငြာလုပ်ငန်းရှင်က ၎င်းတို့ကြော်ငြာလိုသော match ကိုတွေ့သည်ဆိုပါက ကိုက်ညီမှု impression အချက်များဖြစ်ကြသည့် demographic အချက်များ၊ ကြော်ငြာဝင်ကြည့်သည့်အချိန်၊ ထိုကြော်ငြာကို ဘယ်နှကြိမ်မြင်ဖူးသလဲ ဆိုသည့်အချက်များအပေါ် မူတည်၍ ငွေမည်မျှပေးရမည်ကိုဆုံးဖြတ်လေ့ရှိသည်။

အခြားသောနည်းပညာများကိုအသုံးပြု၍လည်း ကြော်ငြာမည့် ကြော်ငြာ content များကိုပြင်ဆင်ပြီး website ကြည့်နေသည့် visitor ၏အကြိုက်နှင့်အကျင်အပေါ်မူတည်ပြီးပြောင်းလဲလေ့ရှိသည်။ အထက်ဖော်ပြပါကိစ္စများ အားလုံးသည် စက္ကန့်ပိုင်းအတွင်းတွင် ဖြစ်ပေါ်သွားသောအလုပ်များဖြစ်ကြသည်။

Fingerprinting Tech: Data Aggregators’ BFF

Cookie များသည်လူတစ်ဦးချင်းစီကိုခွဲခြားသတ်မှတ်နိုင်ပြီး တစ်ကြိမ် online တက်လာတိုင်း၎င်းတို့၏ online အသုံးပြုသည့်အမူအကျင့်များကို sync လုပ်ပေးနိုင်သည်။ မည်သို့ပင်ဖြစ်စေ cookie များသည်သက်ဆိုင်ရာ IP address တစ်ခုအပေါ်မူတည်နေသည့်အတွက် တစ်အိမ်လုံးကအသုံးပြုမှုများသည် IP address တစ်ခုတွင်သာ ရှိသည့်အတွက် ထို cookie များသည် တစ်ဦးတစ်ယောက်ချင်းစီကို ကိုယ်စားမပြုတော့ပါ။ ထို့အပြင် cookie များသည် browser များအတွင်းတွင် အချိန်ကြာမြင့်စွာရှိမနေနိုင်သည်ကတစ်ကြောင်း၊ security software များက cookie များကိုအများဆုံးတစ်ပါတ်ခန့်သာထားပြီး ဖျက်ပစ်လိုက်သည့်အချက်များကြောင့် cookie များကို အားကိုးရန်အမြဲမဖြစ်နိုင်ပါ။ ထိုကဲ့သို့ cookie များအဖျက်ခံရခြင်း၊ ပျက်သွားခြင်းကို Cookie Erosion ဟုခေါ်သည်။

ထိုကိစ္စကိုဖြေရှင်းရန်အတွက် ကုမ္ပဏီများက Fingerprinting နည်းပညာကိုအသုံးပြုလာကြသည်။ ၎င်းသည် လူတစ်ဦးတစ်ယောက်၏အချက်အလက်များကို မတူညီသော website များမှ၊ မတူညီသောအချိန်များအတွင်း ၊ မတူညီသောအကြောင်းအရာများအကြားရယူသည့်နည်းပညာဖြစ်သည်။

ကယ်လီဖိုးနီးယာပြည်နယ်၊ Irvine မြို့မှ BlueCava ကုမ္ပဏီသည် device ID ဆိုသောနည်းပညာကို အောင်မြင်စွာတီထွင်နိုင်ခဲ့သည်။ ၎င်းသည် site visitor များ၏ browser setting များကိုအခြေခံ၍ ခွဲခြားနိုင်သည့် နည်းပညာဖြစ်သည်။ ၎င်းတို့လိုအပ်မည့်အချက်အလက်များဖြစ်ကြသည့် demographic, preferences, web tracking စသည်များကို site တည်ထောင်သူများထံမှ ဝယ်ယူပြီး၎င်းတို့သိရှိပြီးဖြစ်သော အချက်များနှင့် match လုပ်ကာ database အတွင်းသိမ်းထားလေ့ရှိသည်။

ထို့နောက်ထိုအချက်အလက်များကို ကြော်ငြာလုပ်ငန်းများ၊ ဈေးကွက်ဆိုင်ရာလုပ်ငန်းများသို့ရောင်းချနေသည်။ BlueCava ၏ CEO ဖြစ်သူ David Norris က၎င်းတို့နည်းပညာသည် ၉၉.၇% တိကျမှုရှိကြောင်း၊ တစ်ကမ္ဘာလုံးရှိ ၁ဝဘီလီယံသော အသုံးပြုသူများအနက်မှ ၁၀% ၏အချက်အလက်များကိုစုဆောင်းပြီးဖြစ်ကြောင်း ပြောကြားသွားခဲ့သည်။

Fingerprinting Challenges Anonymity Online

Personal Data Ecosystem Consortium တွင် Keliya Hamlin က BlueCava ၏ device ID နည်းပညာသည် unethical ဖြစ်ကြောင်း၊ cookie များတွင် browser များတွင်ရှိနေသော်လည်း အချိန်တစ်ခုတွင် ပျောက်ပျက်သွားကြောင်း၊ device ID နည်းပညာကမပျောက်ပျက်ဘဲ အမြဲရှိနေကြောင်း၊ အချက်အလက်များအမြဲသိနေသည့်အတွက် လုံခြုံမှုမရှိကြောင်းဝေဖန်ပြောဆိုသွားခဲ့သည်။

Hamlin ယုံကြည်သည်က online တွင်အချက်အလက်များအတိအကျပေးခြင်းဖြင့် device ID ကသိရှိသွားမည် ဖြစ်သည်ကိုကာကွယ်ရန်အတွက် အစစ်မဟုတ်သော အချက်အလက်များကိုအသုံးပြုသင့်ကြောင်းပြောကြားခဲ့ သည်။ အပြင်လောကတွင် အကြောင်းအရာတစ်ခုနှင့်တစ်ခုကာကွယ်နိုင်ကြောင်း၊ ဥပမာအားဖြင့် နံနက်ပိုင်းတွင် အစည်းအဝေးတစ်ခုတက်ပြီး၊ နေ့လည်ပိုင်းတွင် အပန်းဖြေရန်အတွက် တစ်နေရာသို့သွားခဲ့သည်ဆိုပါက မိမိ မပြောပါကအစည်းအဝေးမှသူများက ခရီးသွားကြောင်းသိမည်မဟုတ်သလို၊ ခရီးသွားသည့်တလျှောက်ကသူ များကလည်း နံနက်ပိုင်းကအစည်းအဝေးအကြောင်းသိမည်မဟုတ်ပါ။ အပြင်လောကတွင်ထိုကဲ့သို့ကန့်သတ် ထားနိုင်ပေမယ့် Online တွင်မပြုလုပ်နိုင်ပါ။ online တွင်ထိုကဲ့သို့ ပေါက်ကြားမှုများမဖြစ်စေရန်အတွက် ဓါတ်ပုံ အတုများသုံးခြင်း၊ အချက်အလက်များအမှန်မပေးသော်လည်း၊ အသုံးပြုနေသည့် ပစ္စည်းအပေါ်မူတည်၍ device ID နည်းပညာက မည်သူမည်ဝါဖြစ်ကြောင်းသိနိုင်သည်။ ထိုမှတဆင့် အသုံးပြုသူ၏ preference များ၊ behaviours များကိုသိနိုင်သည်။ ၎င်းနောက် profile တစ်ခုတည်းအဖြစ်ပေါင်းစည်းပြီး database အတွင်းတွင် သိမ်းထားမည်ဖြစ်သည်။

Device ID ဆိုသည်မှာ ရဲများက ကားများတွင် GPS tracker များတပ်ဆင်ကာ တရားရုံးချုပ်ကတစ်ဖက်သတ် တရားစီရင်နေသည်နှင့်တူသည်။ အကယ်၍ကားများတွင် GPS tracker တပ်ထားသည်ဆိုပါက ဖြုတ်လိုက် သည့်နောက်တွင် မည်သို့မှ လိုက်၍ရမည်မဟုတ်ပါ။ သို့သော်လည်း device ID ကတော့ ဆက်လိုက်နေဦး မည်ဖြစ်သည်။ Device ID ကိုဖျက်လိုပါက BlueCava ၏ကုမ္ပဏီ website အတွင်းတွင် သုံးစွဲသူများမှ တောင်းဆိုပါကဖျက်ပေးမည်ဖြစ်ကြောင်း CEO ကပြောခဲ့သည်။ web link မှာ bluecava.com/preferences ဖြစ်သည်။

CEO Norris ကတော့၎င်းတို့နည်းပညာသည် Do not track နည်းပညာထက်သာလွန်ကြောင်း၊ cookie ကို do not track နည်းပညာဖြင့်ဖျက်သည်ဆိုသည်မှာ security software က cookie များကိုဖျက်သည့်အတိုင်းသာ ဖြစ်ပြီး၊ နောက်တစ်ခေါက်ပြန်သုံးသည့်အခါ cookie ပြန်ဖြစ်လာကြောင်း၊ device ID ဖြင့်ဖျက်ပစ်ပါက ရာသက်ပန်ပျက်သွားကြောင်း ပြောကြားခဲ့သည်။ အခက်အခဲတစ်ခုကတော့ သုံးစွဲသူများသည် ၎င်းတို့ ပစ္စည်း တွင် device ID ရှိနေ၊ မနေဆိုတာ မသိနိုင်ခြင်းဖြစ်သည်။

Big Data Analysis သည် ကြီးရာကိုသေးငယ်အောင် လျှော့ချခြင်း

၂၁ရာစုဦးပိုင်းတွင် Big Data ဆိုသည့်စကားရပ်အသစ်တစ်ခုပေါ်ပေါက်လာခဲ့သည်။ အဓိပ္ပါယ်မှာ data များကို ရယူခြင်း၊ သိမ်းဆည်းခြင်း၊ လေ့လာဆန်းစစ်ခြင်းစသည်များဆောင်ရွက်ခြင်းများဖြစ်သည်။ Data ဆိုသည်မှာ မည်သည်မဆိုဖြစ်နိုင်သည်။ အများအားဖြင့်တော့ ကိုယ်ရေးကိုယ်တာ personal data များဖြစ်တတ်သည်။

Terabytes မျှများပြားလှသော အချက်အလက်များကို အသေးစိတ်လေ့လာခြင်းကို Google ကစတင်ခဲ့သည်။ ယခုအခါတွင် Big Data နှင့်ပတ်သက်သော လေ့လာမှုများသည် ဥပဒေဆိုင်ရာအဖွဲ့အစည်းများ၊ အောင်သွယ်တော်အဖွဲ့အစည်းများ၊ အားကစားအဖွဲ့အစည်းများအထိများပြားလှသည်။ PC World ကိုပိုင်ဆိုင် သော IDC သည် Big Data နှင့်ပတ်သက်သောလေ့လာမှုများကိုပြုလုပ်ရန်အတွက် ၂၀၁ဝ တွင် ၃.၂ ဘီလီယံ အသုံးပြုခဲ့ကြသော်လည်း ၂၀၁၅ တွင် ၁၆.၉ ဘီလီယံအထိများပြားလာမည်ဟု ခန့်မှန်းပြောဆိုထားသည်။

Personal data economy အတွင်းရှိနေသောသူများသည် Big data ၏ကောင်းကျိုးများကိုလည်း ခံစားနိုင်ရသလို၊ ဆိုကျိုးများကိုလည်းခံစားရဖွယ်ရှိသည်။ ဖေဖော်ဝါရီလထုတ် New York Times Magazine တွင် Charles Duhigg ရေးသားခဲ့သောဆောင်းပါးတစ်ပုဒ်တွင် အချက်အလက်များကိုခန့်မှန်းသည့် ဌာနက ၎င်းတို့ database အတွင်းရှိနေသော အမျိုးသမီးများကို မည်သည့်အချိန်တွင် ကိုယ်ဝန်ရှိနိုင်သည်ဆိုတာကို တိတိကျကျ ခန့်မှန်းပေးနိုင်ခဲ့ကြောင်း၊ အချို့အမျိုးသမီးများဆိုလျှင် ခန့်မှန်းထားသည်ကိုသိရှိပြီးနောက် စစ်ဆေးကြည့်ရာမှ ကိုယ်ဝန်ရှိနေကြောင်းသိရှိရကြောင်း စသည်ဖြင့်ရေးသားထားသည်။

ထိုကဲ့သို့အချက်အလက်များခန့်မှန်းသည့်နောက်တွင် အမျိုးသမီးပရိသတ်များအတွက် ဦးတည်၍ကြော်ငြာ လုပ်ငန်းများလုပ်ကိုင်လာနိုင်ကြသည်။ ကိုယ်ဝန်ရှိသည်ကိုခန့်မှန်းပေးခြင်း၊ ၎င်းနောက်ကိုယ်ဝန်အဆင့်တစ် ဆင့်ခြင်းမှသည် ကလေးမွေးဖွားသည်အထိ၊ ထို့နောက်မှ ကလေးကြီးပြင်းလာသည့်အဆင့်တိုင်းအတွက် product ကြော်ငြာများ အကြံပြုနိုင်သည်။ ဤစီးပွားရေးအခွင့်အလမ်းသည် ကြီးမားလှသည်။ ကိုယ်ဝန်ရှိသည်မှ သည် ကလေးကြီးပြင်းသည်အထိ product ပေါင်းမျိုးစုံကို ရောင်းချနိုင်သည့် မဟာအခွင့်အရေးပင်ဖြစ်သည်။

Target ကုမ္ပဏီတွင် ကိုယ်ဝန်ရှိပြီးသည့်နောက်လာရောက် register လုပ်ကြသောအမျိုးသမီးများ၏ buying behaviours ကိုလေ့လာရာတွင် ကိုယ်ဝန်ရှိပြီး ဒုတိယခြောက်လများအတွင်း အနံ့အသက်မရှိသော lotion များကို ဝယ်လေ့ရှိကြကြောင်း၊ ကိုယ်ဝန်ရှိပြီး ရက်သတ္တပတ် ၂ဝ ခန့်အတွင်း ဖြည့်စွက်စာများဖြစ်ကြသော Calcium, Magnesium နှင့် Zinc ပါသောအစားအသောက်များကို ဝယ်လေ့ရှိကြသည်။ လေ့လာသူများက မတူညီသည့်နေရာများတွင် လေ့လာသော်လည်းရရှိလာသည့် ရလဒ်များအရ အသက်အရွယ်မတူသော မိခင်လောင်းများ၏ အမူအကျင့်များမှာ အတူတူဖြစ်ကြောင်းတွေ့ရှိရသည်။

အထက်ဖော်ပြပါဥပမာသည်ရိုးရှင်းသော Big Data ဆိုင်ရာအကြောင်းအရာတစ်ခုဖြစ်သည်။ ယခုအခါတွင် ကုမ္ပဏီများတွင် အချက်အလက်များကိုအခြေခံ၍ခန့်မှန်းခြင်းဆိုင်ရာဌာနများ (Predictive Analysis Department) အသစ်ဖွဲ့စည်း၍ အလုပ်များကို စတင်လုပ်ကိုင်နေကြပြီဖြစ်သည်။ ၎င်းနောက်တွင်လည်း မိမိတို့မသိနိုင်သည့်ခန့်မှန်းချက်များ အများအပြားရှိ နေနိုင်ပါသည်။

Big Data နှင့် Privacy

အထက်ဖော်ပြခဲ့သောကိစ္စသည်ရှင်းလင်းသောဥပမာတစ်ခုဖြစ်သည်။ မိခင်လောင်းတစ်ဦးအတွက် ကိုယ်ဝန် အဆင့်အလိုက်ဝယ်ယူမည်ဖြစ်သည့် ပစ္စည်းများကို ခန့်မှန်းပြောဆိုနေခြင်းသည် မှန်ကန်သည်ဟု ယူဆပါ သလား? ဈေးကွက်ဆိုင်ရာကုမ္ပဏီများကတော့ ၎င်းတို့အကျိုးစီးပွားအတွက် မှန်ကန်သည်ဟုဆိုကြပါလိမ့်မည်။ လူများဘက်မှပြန်ကြည့်မည်ဆိုလျှင် မိမိတို့ဘာဖြစ်မည်၊ ဘာလုပ်မည်ဆိုတာကို မိမိတို့ကိုယ်တိုင်တောင် မဆုံးဖြတ်ရသေးခင်၊ မသိသေးခင်မှာ လာရောက်အကြံပေးပြောကြားနေသည့်အတွက် အနှောင့်အယှက် တစ်မျိူး ဖြစ်နေနိုင်သည်။ မိမိ၏ကိုယ်ရေးအချက်အလက်များကို သူစိမ်းတစ်ဦးကသိနေသည့်အတွက် လုံခြုံ သည်ဟု မခံစားရပါ။

Big Data များဆန်းစစ်လေ့လာခြင်းကို Predictive Analysis ဟုလည်းခေါ်သလို၊ inductive analysis ဟုလည်းခေါ်သည်။ ထိုသို့ခေါ်ရခြင်းမှာ သေးငယ်သောအချက်အလက်များကိုလေ့လာခြင်းဖြင့် ကြီးမားသော အချက်များ၊ တွေးခေါ်မှုအကြံများကိုဖြစ်ပေါ်စေသောကြောင့်ဖြစ်သည်။ Inductive analysis လုပ်ရာတွင် ကိစ္စ အချက်တစ်ခုတည်းအပေါ်မူတည်၍ ခန့်မှန်းမရနိုင်ပါ။ အနည်းဆုံးအချက်နှစ်ခုကိုလေ့လာပြီး၊ ၎င်းနှစ်ခုမည်သို့ ဆက်စပ်မှုရှိနိုင်သည်၊ ၎င်းနှစ်ခုမှသည် နောက်ထပ်တစ်ခုဘာဖြစ်နိုင်သည်ကိုသာ ဆက်စပ်ခန့်မှန်းနိုင်သည်။ ဥပမာ သင်ကအအေးတစ်မျိုးကိုကြိုက်သည်ဆိုပါစို့။ သင်ဒီအအေးကိုကြိုက်သည့်အတွက် အခြားမည်သည့် အစားအသောက်များကိုကြိုက်နိုင်သည်၊ သင်ဝင်ငွေမည်မျှရှိသည်ဖြစ်၍ဒီအအေးကိုကြိုက်သည်၊ မည်သည့် အချိန်တွင် ဒီအအေးကိုသောက်လေ့ရှိသည့်အတွက် သင်ဘယ်နေရာများကိုသွားရောက်လည်ပတ်လေ့ရှိသည် စသည်များကို ဆက်စပ်အဖြေထုတ်သည့် သီအိုရီတစ်မျိုးဖြစ်သည်။

ထို့ကြောင့်လည်းအထက်ဖော်ပြခဲ့သော ကိုယ်ဝန်ဆောင်များဥပမာတွံင် အမည်ကိုသိရန်မလိုဘဲ ခန့်မှန်းမှုများ ပြုလုပ်နိုင်ခြင်းဖြစ်သည်။ များမကြာမီအချိန်များအတွင်းတွင် ကြော်ငြာလုပ်ငန်းများသည် Big Data များအပေါ် မူတည်၍ ခန့်မှန်းသူများက သက်ဆိုင်ရာ pattern များ အများအပြားထုတ်နိုင်တော့မည်ဖြစ်သောကြောင့် ၎င်းကိစ္စများတိုးတက်လာဦးမည်ဖြစ်သည်။ Big Data နှင့်ဆိုင်ရာ အလုပ်အကိုင်အသစ်များလည်း ပေါ်ပေါက် လာဦးမည်ဖြစ်သည်။ ၎င်းအလုပ်များသည် computer science နှင့် statistics ပညာရပ်ပိုင်းကျွမ်းကျင်သူများ သာလျှင်လုပ်ကိုင်နိုင်သော အလုပ်များဖြစ်သည်။

Big Data Analyst သည်ကြော်ငြာလုပ်ငန်းများတွင်သာမက နိုင်ငံရေးဆိုင်ရာမဲဆွယ်သည့် လုပ်ငန်းများတွင်ပါ လုပ်ကိုင်နိုင်ကြသည်။ ဥပမာ လူတစ်သောင်း၏ demographic အချက်များနှင့် နိုင်ငံရေးဆိုင်ရာရွေးချယ်မှုများ ကိုရရှိနိုင်ပြီး ခန့်မှန်းမှုများ၊ ပြင်ဆင်မှုများကိုပြုလုပ်နိုင်ကြသည်။ ထို့အပြင်ပိုမို၍အသေးစိတ်ကျသော အချက်များ ကိုအလိုရှိပါက Acxion, Experian ကဲ့သို့သော ကုမ္ပဏီများမှတဆင့် ပြန်လည်ဝယ်ယူနိုင်သည်။

ယခုကဲ့သို့ခန့်မှန်းမှုများပြုလုပ်ရာတွင် ခန့်မှန်းပေးသူများသည် ယခင်က၎င်းနှင့်ပတ်သက်သော အတွေ့အကြုံ များ၊ သိခဲ့ဖူးခြင်းများမရှိပါ။ ဥပမာ ဖက်ရှင်မဂ္ဂဇင်းဖတ်သူများက မည်သည့်သမ္မတလောင်းကိုမဲပေးမည်ဆိုတာကို ခန့်မှန်းပေးခြင်းများဖြစ်သည်။ ထို့ကြောင့်လည်းနောင်လာမည့်ရွေးကောက်ပွဲများတွင် ရလဒ်များတစ်မျိုး တစ်မည်ပြောင်းလဲသွားအောင်စွမ်းဆောင်နိုင်စွမ်းရှိသည်။ ထိုသို့ဖြစ်ပေါ်စေရန်အတွက် မဲပေးမည့်သူများ၏ ကိုယ်ရေးကိုယ်တာအချက်အလက်များစုံစုံလင်လင်ရှိပြီး၊ ခန့်မှန်းသည့်သူကလည်း တိတိကျကျခန့်မှန်းပေးနိုင် သူကအနိုင်ရမည်ဖြစ်သည်။ သို့သော်လည်းဤလုပ်ငန်းစဉ်သည် ပုဂ္ဂိုလ်ရေးဆိုင်ရာအချက်အလက်များ ပေါက်ကြားနေသည်ဖြစ်၍ ဒီမိုကရေစီကျင့်စဉ်နှင့်ဆန့်ကျင်နေသည်ကို သတိထားမိပေလိမ့်မည်။

Target ကတွက်ချက်ခဲ့သောဥပမာကိုပြန်လည်ကြည့်မည်ဆိုလျှင် preference ပေါင်းမျိုးစုံကို အသုံးပြုရ ကြောင်းတွေ့ရသည်။ ကုမ္ပဏီများတွင် သောင်းပေါင်းများစွာသော မတူညီသည့် variable များကို အသုံးပြုရ သည့်အပြင်၊ တွက်ချက်ရာတွင်လည်း weighting များကိုလည်း သင့်တော်သလိုပြောင်းလဲတွက်ချက် ရသည်။

Big Data analysis သည်ယခင်သိခဲ့ဖူးသော traditional prediction ပုံစံများနှင့်ကွဲပြားနေပြီး inductive analysis တွက်ချက်ခြင်းကလည်း pattern ဖြစ်သည့် ကိန်းဂဏန်းများကိုအခြေပြု၍တွက်ချက်ရခြင်းမျိုုးဖြစ် သည်။

Target ကကိုယ်ဝန်ဆောင်များနှင့်ပတ်သက်၍တွက်ချက်မှုများပြုလုပ်ပြီးသည့်နောက်တွင် ကြော်ငြာများသည် ကိုက်ညီမှုမရှိကြောင်းတွေ့ရသည့်အတွက် ပြင်ဆင်မှုများပြုလုပ်ခဲ့ရသည်။ target မှပေးသည့်အကြံများနှင့်အညီ ပြောင်းလဲမှုများလုပ်ခဲ့ရသည်။ ထို့နောက်တွင်မှ cotton balls များ၊ lotion များဝယ်သောမိခင်လောင်းသည် များမကြာမီ diapers များဝယ်တော့မည်ဆိုတာကို တိတိကျကျခန့်မှန်းနိုင်မည်ဖြစ်သည်။

ထိုအချက်များထက်ပို၍အရေးကြီးသည့်အချက်က မိမိတို့၏ကိုယ်ရေးကိုယ်တာအချက်အလက်များအပေါ် မူတည်၍မိမိတို့၏အမူအကျင့်များကိုခန့်မှန်းတွက်ချက်နိုင်သည့် သချာင်္ပညာရပ်တစ်ခုပေါ်ပေါက်လာခဲ့သည်။ မိမိတို့၏အချက်အလက်များကို BlueCuva မှ Fingerprinting နည်းပညာကဲ့သို့သော နည်းပညာပေါင်းမျိုးစုံ အသုံးပြုပြီး pattern များထုတ်လာနိုင်သည်အထိ အင်အားကောင်းလာခဲ့သည်။ information ဆိုသည်မှာ မည်မျှပင်သေးငယ်သည်ဖြစ်စေ၊ ရရှိသွားပါက ၎င်း pattern များနှင့်တွက်ချက်ပြီး ဘာဖြစ်နိုင်သည်ကို သိရှိခန့်မှန်းနိုင်မည်ဖြစ်သည်။

လူများကိုကူညီမည့် Transparency နှင့် Inclusion

တကယ်တမ်းတော့ target ကကိုယ်ဝန်ဆောင်များအတွက် ကလေးဆိုင်ရာ product များကိုကြော်ငြာခဲ့သည့် အခါဆန့်ကျင်ဘက်ရလဒ်များကိုရခဲ့သည်။ ကိုယ်ဝန်ဆောင်မိခင်များကြည့်နေသည့်အတွက် ကလေးများနှင့် ဆိုင်ရာ ကြော်ငြာများကို ထည့်သွင်းသည့်အခါ ၎င်းကြော်ငြာများကို ကြည့်နေသူများနှင့်မသက်ဆိုင်သော ကြော်ငြာများအကြားထည့်သွင်းထားခဲ့သည့်အတွက် ထိထိရောက်ရောက် တုံ့ပြန်မှုမရခဲ့ပါ။ မိခင်လောင်းများကို မေးခွန်းများမေးခဲ့သော်လည်း ကုမ္ပဏီက ၎င်းအဖြေများကို လျှို့ဝှက်ထားခဲ့သည်။ ဖြေချင်တာဖြေ၊ ငါတို့က တော့ ဒါပဲရောင်းမှာပဲဆိုသောကိစ္စများဖြစ်နေသည်ဟု လေ့လာသူများက သံသယရှိခဲ့သည်။

Transparency မရှိသည့်အချက်က စားသုံးသူများဘက်မှ ကန့်ကွက်မှုများရှိလာသည်။ ကြော်ငြာများသည် သန်းနှင့်ချီသော personal data များကိုလေ့လာဆန်းစစ်ပြီးမှ စားသုံးသူများအတွက် ထုတ်သည်ဆိုသော product များ၊ ကြော်ငြာများဖြစ်သည်။ အမှန်တကယ်တမ်းတော့ မည်သည့်စားသုံးသူများကိုမှ တိတိကျကျမေး မြန်းခြင်း၊ လေ့လာခြင်းများမပြုလုပ်ခဲ့ပါ။ ကုမ္ပဏီများပြောသည့်ဆင်ခြေကတော့ ဤအချက်အလက်များသည် စားသုံးသူများ၏ personal data များဖြစ်သည့်အတွက် အားလုံးသိစေရန် transparent ဖြစ်အောင်မလုပ်နိုင် ကြောင်း၊ အမှန်တကယ်လည်း စားသုံးသူများက၎င်းတို့ဘာလိုချင်သည်၊ ဘာလိုအပ်သည်ကို မဆုံးဖြတ်နိုင် သည့်အတွက် သင့်တော်သည်ကို ကုမ္ပဏီဘက်ကပင် အမြဲအကြံပြုနေရကြောင်း ပြောကြားခဲ့သည်။

Targeting, Tracking လုပ်ခြင်းများသည် စားသုံးသူများအတွက် စိတ်အနှောင့်အယှက်ဖြစ်စေသည်။ သို့သော်လည်း စားသုံးသူများက ၎င်းတို့ကိုသီးသီးသန့်သန့်ဆက်ဆံမှုများမပြုပါက မကြိုက်ကြပါ။ တစ်ခါတစ် ရံတွင် targeting လုပ်ခြင်းက စားသုံးသူများကျန်ခဲ့ခြင်း၊ သီးသန့်မဖြစ်ခြင်းများကိုခံစားရနိုင်သည်။

မည်သို့ပင်ဖြစ်စေ ကြော်ငြာကုမ္ပဏီများသည် စားသုံးသူများကိုအသုံးပြုပြီး ၎င်းတို့ကန့်လန့်ကာနောက်ကွယ် တွင်စိတ်တိုင်းကျကစားနေကြသည်။ ဒါကြောင့်လည်း database မှ personal data များနှင့်မည်သို့မျှမသက် ဆိုင်ဘဲမိမိတို့စိတ်ထင်တိုင်းပြုလုပ်နေကြသည့်အတွက် တိကျမှုနှင့်ဝေးကွာနေဆဲဖြစ်သည်။

စားသုံးသူများအတွက်တိကျသော အချက်အလက်များရနိုင်ဖို့အတွက် အကောင်းဆုံးနည်းလမ်းကတော့ စားသုံးသူများကိုယ်တိုင်ဖြေဆိုခြင်းကို ကိုယ်တိုင်မေးမြန်းခြင်းဖြစ်သည်။ ထို့ကြောင့်လည်း တိကျသည့်အဖြေ များရရှိရန်အတွက် ကြော်ငြာကုမ္ပဏီများက ငွေကြေးတစ်စုံတစ်ရာကုန်ကျခံရမည်ဖြစ်သည်။

Personal Data Ecosystem Consortium မှ Halim က၎င်းတို့အဖွဲ့အစည်းသည် personal data များကိုရယူ ရာတွင်မည်သည့်အချက်များကို မည်သည့်နည်းလမ်းများဖြင့်ရယူနေကြမည်ကိုစိုးရိမ်ရန်မလိုအပ်ဘဲ စားသုံးသူ များကိုတိုက်ရိုက်မေးမြန်းခြင်းဖြင့်သာ အချက်အလက်များစုဆောင်းနေကြောင်း ပြောကြားခဲ့သည်။ ထို့အပြင် စားသုံးသူများ၏ အသက်၊ ဝင်ငွေသည့်အချက်အလက်များအပေါ်မူတည်၍ တိကျသောအကြံပြုမှုများကိုသာ ပေးမည်ဖြစ်ကြောင်း လည်း ဖြည့်စွက်ပြောကြားခဲ့သည်။

တိုးတက်သင့်နေပြီဖြစ်သော အင်တာနက်

ယခုအချိန်အထိတော့ Privacy နှင့်ကြော်ငြာကိစ္စများနှင့်ပတ်သက်နေသောလူတော်တော်များများသည် personal data များကိုအသုံးပြုဆောင်ရွက်ရသော ကြော်ငြာလုပ်ငန်းများသည် ယခုအချိန်အထိအလုပ်လုပ် ကိုင်ရန်အခွင့်အရေးများရှိနေဆဲဖြစ်သည်။ ဖြစ်ပေါ်လာရန်အတွက်ကတော့ အင်တာနက်စီးပွားရေးအနေအထား ကိုလူများကချိန်ဆတွက်ချက်နေကြသောကြောင့်ဖြစ်သည်။ အင်တာနက်အပေါ်မှကြော်ငြာလုပ်ငန်းများသည် အခွန်ပေးရန်မှသည်အခြားသောလုပ်ငန်းမျိုးစုံအထိပါဝင်သည်။ Website တည်ဆောက်သူများ၊ content တည်ဆောက်သူများ၊ app developer များသည် online တွင်ရပ်တည်မှုတစ်ခုရရန်အတွက် ကြော်ငြာလုပ်ငန်း များမှရသောဝင်ငွေဖြင့်ရပ်တည်နေကြရသည်။ ထိုကဲ့သို့ဆောင်ရွက်ပေးရန်အတွက် ကြော်ငြာလုပ်ငန်းများသည် personal data များအပေါ်မှတဆင့် ဝင်ငွေရှာနေကြသည်။

အင်တာနက်အပေါ်တွင် အခမဲ့ရသောဝန်ဆောင်မှုများများပြားလာသည်နှင့်အမျှ personal data များကိုရယူနိုင် မှုတိုးလာကြသည်။ ထို့ကြောင့်လည်း အင်တာနက်ပေါ်တွင် personal data economy လုပ်ငန်းတိုးတက်လာ ခြင်းဖြစ်သည်။ အင်တာနက်ခေတ်ဦးတွင် အချက်အလက်များပေးရန်မလိုဘဲ ရှောင်ပြေးနိုင်သော်လည်း ယခု နောက်ပိုင်းတွင် အခမဲ့ရသောဝန်ဆောင်မှုများ များပြားလာသည်နှင့်အမျှ privacy လည်းလျော့နည်းလာသည်။ သတင်းအချက်အလက်များပေးခြင်းနှင့် ၎င်းနောက်တွင် ထိုအချက်အလက်များကို မည်သို့မည်ပုံဆောင်ရွက် လိုက်သည်ဆိုသည့် transperancy ကိုလည်းစားသုံးသူများကတောင်းဆိုလာကြသည်။

အင်တာနက်ပေါ်မှကြော်ငြာလုပ်ငန်းများသည် transparency ပိုင်းတွင်အားနည်းနေဆဲဖြစ်သည်။ သုံးစွဲသူ တစ်ဦးချင်းစီအလိုက်ကြော်ငြာထည့်သွင်းခြင်းသည်ထိရောက်မှုရှိပြီး spam များကိုကျဆင်းစေသည်။ website တည်ထောင်သူများနှင့် Facebook ကဲ့သို့သောအဖွဲ့အစည်းများတွင်ပေးထားသော အခမဲ့ဝန်ဆောင်မှုများမှ တဆင့် personal data များကိုရယူနေကြစဉ်အချိန်တွင် အခမဲ့ပေးပြီး track လုပ်မည့်ဝန်ဆောင်မှုလား? ငွေကြေးရယူပြီး track လုံးဝမလိုက်မည့် ဝန်ဆောင်မှုများလား? စသည်ဖြင့်တိတိကျကျခွဲခြားပြောကြားထားသင့် သည်။ ၎င်းဝန်ဆောင်မှုသည် အသစ်မဟုတ်ပါ။ ယခင်ကတည်းကသိပြီးဖြစ်သော ad-free လား? Ad-Premium လားဆိုသည့်ဝန်ဆောင်မှုမျိုးများဖြစ်ကြသည်။

ဤကဲ့သို့သောလုပ်ငန်းမျိုးသည် တစ်ဖက်ဖက်ကလုံးဝအရှုးံဖြစ်သော zero-sum လုပ်ငန်းမျိုးမဟုတ်ပါ။ ကြော်ငြာလုပ်ငန်းများအနေဖြင့် personal data များကိုအသုံးပြုခြင်းကိုရပ်တန့်မည်မဟုတ်ပါ။ ထို့ကြောင့်လည်း ယခုဆောင်းပါးကိုဖတ်ပြီးသည့်အချိန်တွင် အချို့သုံးစွဲသူများက facebook အသုံးပြုမှုကို ရပ် တန့်ကောင်းရပ်တန့်သွားမည်ဖြစ်သည်။ သို့သော်လည်းအင်တာနက်လောကတွင် လုံးဝပြည့်ဝသော privacy ကိုရရှိရေးဆိုသည်မှာ မဖြစ်နိုင်ပါ။

စိန်ခေါ်မှုတစ်ခုကတော့ အင်တာနက်သုံးစွဲသူများ၊ ကြော်ငြာလုပ်ငန်းရှင်များ၊ website တည်ဆောက်သူများ အကြား data economy မည်သို့အလုပ်လုပ်သည်ကိုသိရှိသွားသည့်အတွက် အားပြိုင်မှုတစ်ခုဖြစ်လာနိုင်သည်။ ထို့ကြောင့်အင်တာနက်လောကတွင် personal data များကိုအသုံးပြုမည့်စီးပွားရေးလုပ်ငန်းများနှင့် သားကောင်များအနေဖြင့်ရှိနေသည့် အင်တာနက်သုံးစွဲသူများအကြား အလုပ်များရှုပ်နေကြဦးမည်ဖြစ်သည်။

 

၁. Abine ကထုတ်လုပ်လိုက်သော Do Not Track Plus ဆိုသည့် browser extension က cookie များကို block လုပ်နိုင်ပြီး third party များဖြစ်ကြသော ad network များ၊ data aggregraters များရန်က ကာကွယ်နိုင်သည်။ DNT+ ကို fine.pcworld.com/73080 မှတဆင့်ရရှိနိုင်သည်။ site တစ်ခုကိုဝင်လိုက်လို့ သင့် personal data များကိုယူနေသည်ဆိုပါက icon လေးကလှုပ်နေမည်ဖြစ်သည်။

၂. စနစ်တကျမဟုတ်သော အချက်အလက်များစုဆောင်းခြင်း၊ ဝေမျှခြင်း၊ ရောင်းချခြင်း၊ သိမ်းဆည်းခြင်းများသည် ကျွန်ုပ်တို့အားလုံးကို အနှောင့်အယှက်ဖြစ်ပေါ်စေသည်။

၃. Social network အသုံးပြုမှုများတိုးတက်လာသည်နှင့်အမျှ privacy ကိစ္စများလည်းကျဆင်းလာသည်။

၄. Browser အတွင်းပိုင်းကိုထဲထဲဝင်ဝင်လေ့လာကြည့်လျှင် cookie များကိုမည်သို့သိမ်းထားသည်ကိုတွေ့နိုင် သည်။ Free site ဖြစ်သော Dictionary.com ကဲ့သို့သော website များတွင် cookie ပေါင်း ၅၅အထိဖန်တီးနိုင်ကြောင်းတွေ့ရသည်။ ထိုကဲ့သို့အလားတူပင် DoubleClick, Yahoo, Google များတွင်လည်းတွေ့နိုင်သည်။

၅. Google Chrome ကဲ့သို့သော အချို့ browser များတွင် သုံးစွဲသူများ၏ username နှင့်အချက်အလက်များ ကိုသိမ်းထားသော cookie များမှတဆင့်ခိုးယူလေ့ရှိသော third party cookie များကို block လုပ်နိုင်စွမ်းရှိ သည်။

၆. မတူညီသော data များကို မတူညီသော နည်းလမ်းများနှင့်ရယူရန်ကြိုးစားလာကြခြင်းသည် စစ်ဖြစ်ရန်အတွက် စစ်လက်နက်ပြင်ဆင်နေသည်နှင့်တူသည်။

၇. စားသုံးသူများအတွက်ပိုမိုကောင်းမွန်သောဝန်ဆောင်မှုလုပ်ငန်းများပြုလုပ်ရန် ဈေးကွက်ထဲတွင် အခွင့်အရေး များစွာရှိနေသည်။

၈. Firefox 11, Internet Explorer 9, 10 စသည်များတွင် track မလိုက်ရန်အတွက် ကာကွယ်ထားပါက ၎င်းကိုလေးစားသောအားဖြင့် online မှကြော်ငြာလုပ်ငန်းရှင်များကလည်း track မလုပ်ကြပါ။

 

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