Las tecnologías de protección de la privacidad y los retos de su adopción masiva

El sector publicitario se encuentra en una encrucijada. Las estrictas normativas sobre privacidad y la evolución de las expectativas de los usuarios están obligando a alejarse de los métodos tradicionales de personalización, poniendo patas arriba prácticas tan arraigadas como el uso de cookies de seguimiento de terceros.

Lo vemos reflejado en el aumento del bloqueo de anuncios y las exclusiones voluntarias; en políticas como la GDPR en Europa, la CCPA en California y la LGPD en Brasil; y en soluciones de plataforma como SKAdNetwork de Apple y la próxima eliminación de cookies de Google. Esto ha dado lugar a una imagen incompleta del viaje del consumidor, que afecta a la entrega de anuncios, las conversiones y la medición.

Ahora que el sector de la publicidad está dejando de identificar a usuarios individuales en sitios y aplicaciones, las Tecnologías de Mejora de la Privacidad (PET) han pasado a primer plano. Soluciones como la Computación Multipartita Segura y los Entornos de Ejecución de Confianza permiten el procesamiento y análisis seguro de los datos al permitir que varias partes computen funciones sobre sus datos sin revelar los propios datos subyacentes, preservando así la confidencialidad y la privacidad. Y aunque actualmente existen varios PET y se espera que surjan más -véanse los precursores, más abajo-, el reto clave ahora es hacer que estas tecnologías funcionen para todos.

De hecho, aunque la gama de PET que ya se ofrece es muy prometedora, su adopción se enfrenta a varios obstáculos.

Por ejemplo, los métodos de seguimiento tradicionales permiten atribuir con precisión las conversiones a impresiones publicitarias concretas. Las PET, por su diseño, ocultan los datos individuales de los usuarios, lo que dificulta la atribución definitiva de las conversiones a anuncios o campañas específicos. Esto puede dificultar a los anunciantes la evaluación de la verdadera eficacia de sus esfuerzos.

Esto se ve agravado por la falta de normalización, que dificulta a los anunciantes y a las plataformas la integración fluida de las distintas PET y garantiza una medición coherente en todas las plataformas. Las PET también pueden añadir complejidad y coste al flujo de trabajo publicitario.

Equilibrar estas cargas con el valor que se obtiene de la medición que preserva la privacidad es esencial, y ahora está al frente de nuestros esfuerzos colectivos para hacer que las tecnologías funcionen.

Obstáculos para la adopción masiva

Sin embargo, creo que el verdadero quid de la cuestión es la escalabilidad. Las soluciones adoptadas en mercados como EE.UU. y el Reino Unido pueden no ser viables financiera o legalmente en mercados más pequeños. O sin un intercambio adecuado de conocimientos tecnológicos, los agentes más pequeños pueden no estar motivados para invertir en estas tecnologías, lo que limita su adopción global.

Para abordar este problema, la industria publicitaria debe empezar a desarrollar soluciones adaptables y económicamente viables. Esto podría implicar la elaboración de ofertas de PET escalonadas que se adapten a distintos niveles de presupuesto y capacidad técnica, o la promoción de proyectos de código abierto para una mayor accesibilidad.

Además, aunque es positivo que la industria esté explorando tantas PET diferentes, es una situación que puede resultar ineficaz, ya que las empresas se esfuerzan por adaptarse a protocolos diferentes en numerosas plataformas, diluyendo las esperanzas de una solución más unificada.

Por tanto, es imperativo que el sector establezca las mejores prácticas estándar y avance hacia un número menor de métodos de integración de datos más eficientes.

De hecho, reconociendo los retos y fomentando la colaboración, el sector puede aprovechar las PET para construir un panorama publicitario más sostenible que tenga la escala necesaria para triunfar.

La colaboración es la clave

A lo largo del próximo año, todos podemos contribuir comprometiéndonos con el sector en las propuestas, especialmente en temas como los métodos de Atribución Privada Interoperable (IPA) y las Sugerencias Ad Topic, que pretenden mejorar la privacidad manteniendo la eficacia de la publicidad online.

También es imperativo adoptar soluciones tecnológicas de código abierto como Private Computation y Private Matching, que se convertirán en herramientas cruciales. Además, el codesarrollo de soluciones con consorcios del sector, como los proyectos de medición cross-media de la Federación Mundial de Anunciantes (WFA), y la colaboración con grupos como el Consorcio World Wide Web (W3C) y el Laboratorio Tecnológico de la Oficina de Publicidad Interactiva (IAB) reforzarán nuestros esfuerzos colectivos.

Impulsar la educación de la industria es igualmente esencial. Participando en diversos consejos del sector, en la Cumbre de la Innovación de PET, en los eventos del Laboratorio Tecnológico de la IAB y colaborando con miembros de grupos como Privacy for America (PRAM), todas las partes interesadas pueden mantenerse informadas y contribuir de forma significativa.

Seguir estos pasos garantizará un enfoque más cohesionado, consciente de la privacidad y eficaz de la integración de datos en la publicidad, sentando las bases para una industria más responsable y eficaz. Sin embargo, quizá lo más crucial de todo sea que la colaboración de todo el mercado nos ofrezca la mejor esperanza de encontrar soluciones de aplicación universal, abordando así los retos de escalabilidad que actualmente impiden nuestro progreso.

Tecnologías de mejora de la privacidad actualmente en desarrollo

• Computación multipartita segura (MPC): Esta técnica permite que varias partes calculen una función sobre sus datos sin revelarse mutuamente sus datos individuales. Por ejemplo, la MPC podría utilizarse para que una plataforma como Facebook midiera la eficacia de una campaña publicitaria sin saber qué usuarios vieron el anuncio.
• Entornos de ejecución de confianza (TEE): Los datos se procesan dentro de un hardware seguro que utiliza la encriptación para crear un entorno confidencial.
• Aprendizaje en el dispositivo: Encuentra patrones útiles en los datos históricos para hacer predicciones, garantizando al mismo tiempo que los datos individuales de las personas permanezcan en sus dispositivos.
• Agregación/anonimato K: Garantiza que al menos un número mínimo de puntos de datos con identificadores eliminados, aquí denominados «k», se incluyan en el resultado.
• Privacidad diferencial: Esta técnica añade ruido a los datos de forma que se preserve su exactitud general pero se proteja la privacidad de los usuarios individuales. Por ejemplo, la privacidad diferencial podría utilizarse para permitir a las plataformas online compartir estadísticas agregadas sobre el comportamiento de los usuarios sin revelar el comportamiento de ningún usuario individual.
• Salas blancas: son entornos seguros que se utilizan para compartir y analizar datos de forma segura entre organizaciones, sin comprometer la privacidad de los usuarios ni la seguridad de los datos. Permiten obtener insights colaborativos al tiempo que garantizan que la información sensible permanezca protegida, cumpliendo la normativa sobre privacidad de datos. Este enfoque facilita las asociaciones y la toma de decisiones basadas en datos sin un intercambio directo de datos doblemente ciego.
• Aprendizaje federado: Esta técnica permite entrenar modelos de aprendizaje automático sobre datos descentralizados, sin necesidad de recopilar todos los datos en un solo lugar. Puede utilizarse para mejorar la precisión del sistema de segmentación publicitaria de una plataforma sin comprometer la privacidad del usuario.
• Cifrado homomórfico: Esta técnica permite realizar cálculos sobre datos encriptados, sin necesidad de desencriptarlos primero. Podría utilizarse para permitir que una plataforma analizara los datos de un usuario sin ver nunca los datos en su forma de texto claro.
• Atribución Privada Interoperable: un marco diseñado para medir la eficacia publicitaria preservando la privacidad del usuario en diferentes plataformas y servicios.
• Sugerencias de temas publicitarios: indicadores utilizados en la publicidad en línea para sugerir la relevancia de un anuncio basándose en el contenido o el contexto, sin basarse en datos personales del usuario, para mantener la privacidad.
• Arquitectura de solución federada: un enfoque descentralizado que procesa los datos localmente en los dispositivos de los usuarios, mejorando la privacidad al compartir sólo insights, no datos en bruto, con servidores centrales.