Elaboración de perfiles (ciencia de la información)

Los perfiles se pueden clasificar según la forma en que se han generado ( Fayyad, Piatetsky-Shapiro y Smyth 1996 ) ( Zarsky y 2002-3 ) harv error: no target: CITEREFZarsky2002-3 ( help ) . Por un lado, los perfiles se pueden generar probando una correlación hipotética. Esto se llama perfilado descendente o aprendizaje supervisado . Esto es similar a la metodología de la investigación científica tradicional en que comienza con una hipótesis y consiste en probar su validez. El resultado de este tipo de perfilado es la verificación o refutación de la hipótesis. También se podría hablar de perfilado deductivo. Por otro lado, los perfiles se pueden generar explorando una base de datos, utilizando el proceso de minería de datos para detectar patrones en la base de datos que no se habían hipotetizado previamente. En cierto modo, se trata de generar hipótesis: encontrar correlaciones que uno no esperaba o ni siquiera había pensado. Una vez extraídos los patrones, estos entrarán en el bucle —descrito anteriormente— y se pondrán a prueba con nuevos datos. Esto se denomina aprendizaje no supervisado .

Dos aspectos son importantes con respecto a esta distinción. Primero, los algoritmos de aprendizaje no supervisado parecen permitir la construcción de un nuevo tipo de conocimiento, no basado en hipótesis desarrolladas por un investigador ni en relaciones causales o motivacionales, sino exclusivamente en correlaciones estocásticas. Segundo, los algoritmos de aprendizaje no supervisado parecen permitir, por lo tanto, un tipo de construcción de conocimiento inductivo que no requiere justificación teórica ni explicación causal ( Custers 2004 ) .

Algunos autores afirman que si la aplicación de perfiles basados ​​en el reconocimiento de patrones estocásticos computarizado «funciona», es decir, permite predicciones fiables de comportamientos futuros, la explicación teórica o causal de estos patrones deja de ser relevante ( Anderson 2008 ) . Sin embargo, la idea de que los algoritmos «ciegos» proporcionen información fiable no implica que dicha información sea neutral. En el proceso de recopilación y agregación de datos en una base de datos (los tres primeros pasos del proceso de construcción de perfiles), se realizan traducciones de eventos de la vida real a datos legibles por máquina . Estos datos se preparan y limpian para permitir su procesamiento inicial. El posible sesgo deberá identificarse en estos puntos, así como en la elección de los algoritmos desarrollados. No es posible extraer de una base de datos todas las posibles correlaciones lineales y no lineales, lo que significa que las técnicas matemáticas desarrolladas para la búsqueda de patrones determinarán los patrones que se puedan encontrar. En el caso de la elaboración de perfiles mediante máquinas, el posible sesgo no se basa en prejuicios del sentido común ni en lo que los psicólogos denominan estereotipos, sino en las técnicas informáticas empleadas en las etapas iniciales del proceso. Estas técnicas son prácticamente invisibles para aquellos a quienes se les aplican los perfiles (ya que sus datos coinciden con los perfiles del grupo correspondiente).

Los perfiles también deben clasificarse según el tipo de sujeto al que se refieren. Este sujeto puede ser un individuo o un grupo de personas. Cuando un perfil se construye con los datos de una sola persona, se denomina perfilado individual ( Jaquet-Chiffelle 2008 ) . Este tipo de perfilado se utiliza para descubrir las características particulares de un individuo, para permitir la identificación única o la prestación de servicios personalizados. Sin embargo, la prestación de servicios personalizados a menudo también se basa en el perfilado de grupos, que permite categorizar a una persona como un tipo determinado, basándose en que su perfil coincide con un perfil construido a partir de grandes cantidades de datos sobre un gran número de otras personas. Un perfil de grupo puede referirse al resultado de la minería de datos en conjuntos de datos que se refieren a una comunidad existente que se considera como tal, como un grupo religioso, un club de tenis, una universidad, un partido político, etc. En ese caso, puede describir patrones de comportamiento previamente desconocidos u otras características de dicho grupo (comunidad). Un perfil de grupo también puede referirse a una categoría de personas que no forman una comunidad, pero que comparten patrones de comportamiento u otras características previamente desconocidas ( Custers, 2004 ) . En ese caso, el perfil de grupo describe comportamientos específicos u otras características de una categoría de personas, como por ejemplo mujeres con ojos azules y cabello rojo, o adultos con brazos y piernas relativamente cortos. Se puede encontrar que estas categorías se correlacionan con riesgos para la salud, capacidad de generar ingresos, tasas de mortalidad, riesgos crediticios, etc.

Si se aplica un perfil individual a la persona de la que se extrajo, se trata de elaboración de perfiles individuales directos. Si se aplica un perfil grupal a una persona cuyos datos coinciden con el perfil, se trata de elaboración de perfiles individuales indirectos, ya que el perfil se generó utilizando datos de otras personas. De manera similar, si se aplica un perfil grupal al grupo del que se extrajo, se trata de elaboración de perfiles grupales directos ( Jaquet-Chiffelle 2008 ) . Sin embargo, en la medida en que la aplicación de un perfil grupal a un grupo implica la aplicación de dicho perfil a los miembros individuales del grupo, tiene sentido hablar de elaboración de perfiles grupales indirectos, especialmente si el perfil grupal no es distributivo.

Los perfiles de grupo también pueden dividirse según su carácter distributivo ( Vedder 1999 ) . Un perfil de grupo es distributivo cuando sus propiedades se aplican por igual a todos los miembros del grupo: todos los solteros son no casados, o todas las personas con un gen específico tienen un 80 % de probabilidad de contraer una enfermedad específica. Un perfil es no distributivo cuando no se aplica necesariamente a todos los miembros del grupo: el grupo de personas con un código postal específico tiene una capacidad de ingresos promedio de XX, o la categoría de personas con ojos azules tiene una probabilidad promedio del 37 % de contraer una enfermedad específica. Cabe señalar que, en este caso, la probabilidad de que un individuo tenga una capacidad de ingresos determinada o contraiga la enfermedad específica dependerá de otros factores, como el sexo, la edad, los antecedentes familiares, la salud previa y la educación. Resulta evidente que, aparte de perfiles tautológicos como el de los solteros, la mayoría de los perfiles de grupo generados mediante técnicas informáticas no son distributivos. Esto tiene implicaciones de gran alcance para la precisión de la elaboración de perfiles individuales indirectos basados ​​en la comparación de datos con perfiles grupales no distributivos. Además de que la aplicación de perfiles precisos puede ser injusta o causar estigmatización indebida, la mayoría de los perfiles grupales no serán precisos.

La elaboración de perfiles de consumidores es una forma de análisis de clientes , donde los datos de los clientes se utilizan para tomar decisiones sobre la promoción de productos , el precio de los productos, así como la publicidad personalizada . ^{[ 6 ]} Cuando el objetivo es encontrar el segmento de clientes más rentable, el análisis de consumidores se basa en datos demográficos , datos sobre el comportamiento del consumidor , datos sobre los productos comprados, el método de pago y encuestas para establecer perfiles de consumidores. Para establecer modelos predictivos a partir de bases de datos existentes , se utiliza el método estadístico de Descubrimiento de Conocimiento en Bases de Datos (KDD). KDD agrupa datos de clientes similares para predecir el comportamiento futuro del consumidor. Otros métodos para predecir el comportamiento del consumidor son la correlación y el reconocimiento de patrones . Los perfiles de consumidores describen a los clientes en función de un conjunto de atributos ^{[ 7 ]} y, por lo general, los consumidores se agrupan según los ingresos , el nivel de vida , la edad y la ubicación. Los perfiles de consumidores también pueden incluir atributos de comportamiento que evalúan la motivación de un cliente en el proceso de decisión de compra . Ejemplos bien conocidos de perfiles de consumidores son la clasificación geodemográfica Mosaic de hogares de Experian , Acorn de CACI y Personicx de Acxiom . ^{[ 8 ]}

En un entorno construido con inteligencia ambiental, los objetos cotidianos cuentan con sensores integrados y sistemas embebidos que les permiten reconocer y responder a la presencia y las necesidades de las personas. La inteligencia ambiental se basa en la creación de perfiles automatizados y en diseños de interacción persona-ordenador . ^{[ 9 ]} Los sensores monitorizan las acciones y comportamientos de una persona, generando, recopilando, analizando, procesando y almacenando datos personales . Algunos ejemplos tempranos de electrónica de consumo con inteligencia ambiental incluyen aplicaciones móviles , realidad aumentada y servicios basados ​​en la ubicación . ^{[ 10 ]}