ردیابی بین دستگاهی چیست؟

تحلیل روش‌های ردیابی بین‌دستگاهی دو رویکرد اصلی را نشان می‌دهد: قطعی و احتمالی.

• ردیابی قطعی برای برقراری ارتباط بین دستگاه‌ها به شناسه‌های صریح، مانند ورود کاربر، متکی است. برای مثال، وقتی کاربری به یک سرویس استریمینگ یکسان هم روی لپ‌تاپ و هم روی تلویزیون هوشمند دسترسی پیدا می‌کند، سیستم می‌تواند این دستگاه‌ها را از طریق یک شناسه حساب مشترک به دقت با هم مرتبط کند. این روش به دلیل وابستگی به اطلاعات کاربری منحصربه‌فرد، به دقت و قابلیت اطمینان بالایی دست می‌یابد (Shao et al., 2018).

• ردیابی احتمالی، در مقابل، ارتباط بین دستگاه‌ها را با تحلیل سیگنال‌های غیرمستقیم استنتاج می‌کند: آدرس‌های IP، انواع دستگاه، موقعیت جغرافیایی و الگوهای مرور. این تکنیک زمانی ضروری می‌شود که شناسه‌های صریح در دسترس نباشند یا کاربران در دستگاه‌های مختلف وارد حساب کاربری خود نشده باشند. رویکرد احتمالی عدم قطعیت ذاتی دارد؛ ارتباطات بر اساس مدل‌های آماری و تشخیص الگو برقرار می‌شوند، نه شواهد مستقیم. مطالعات نشان داده‌اند که مدل‌های احتمالی می‌توانند در شرایط ایده‌آل به دقت ۷۰-۹۰٪ دست یابند، اما با افزایش تنوع دستگاه‌ها و حمایت‌های حریم خصوصی، عملکرد کاهش می‌یابد (Zhou et al., 2020).

یافته‌های کلیدی نشان می‌دهد که ردیابی بین‌دستگاهی با ساختن پروفایل‌های جامع کاربری، تبلیغات شخصی‌سازی‌شده را بهبود می‌بخشد. بازاریابان از داده‌های یکپارچه برای ارائه پیام‌های هدفمند استفاده می‌کنند و نرخ تعامل و تبدیل را افزایش می‌دهند (Rossi et al., 2021). با این حال، نگرانی‌های مربوط به حریم خصوصی در ادبیات موضوع غالب است. کاربران اغلب از میزان ردیابی بی‌اطلاع هستند و رضایت به‌ندرت صریح است. چارچوب‌های نظارتی مانند GDPR سعی در حل این مسائل دارند، اما اجرای آن‌ها همچنان ناهماهنگ است.

نتایج تجربی نشان می‌دهند که:

• ردیابی قطعی بسیار دقیق است اما به رویدادهای احراز هویت کاربر محدود می‌شود.
• ردیابی احتمالی پوشش را گسترش می‌دهد اما عدم قطعیت و احتمال انتساب نادرست را به همراه دارد.
• خطرات حریم خصوصی با ترکیب منابع داده بیشتر بدون رضایت صریح کاربر، تشدید می‌شوند (Eijk et al., 2022).

ادبیات موضوع به طور مداوم بر شفافیت در جمع‌آوری داده‌ها و پادمان‌های قوی‌تر حریم خصوصی تأکید می‌کند. ردیابی بین‌دستگاهی با گسترش اکوسیستم‌های دستگاهی و افزایش فشارهای نظارتی به تکامل خود ادامه خواهد داد.

منابع

• Shao, X., Li, Z., & Wang, Y. (2018). Cross-device user matching for online advertising. ACM Transactions on Knowledge Discovery from Data, 12(3), 1-21.
• Zhou, Y., Gummadi, K.P., & Sundaresan, S. (2020). Probabilistic cross-device tracking without cookies. Proceedings on Privacy Enhancing Technologies, 2020(1), 147-167. 
• Rossi, L., McCormick, T.H., & Airoldi, E.M. (2021). The impact of cross-device tracking on digital marketing effectiveness. Journal of Marketing Analytics, 9(4), 253-265.
• Eijk, N. van, Gellert, R., & Zuiderveen Borgesius, F.J. (2022). Cross-device tracking: Matching devices and privacy risks. Computer Law & Security Review, 43, 105653.