5 اصول اخلاق داده برای تجارت

داده ها می توانند برای تصمیم گیری و تأثیرگذاری در مقیاس استفاده شوند. با این حال ، این منبع قدرتمند با چالش هایی همراه است. چگونه سازمان ها می توانند از نظر اخلاقی داده ها را جمع آوری ، ذخیره و استفاده کنند؟چه حقوقی باید تأیید شود؟زمینه اخلاق داده این سؤالات را مورد بررسی قرار می دهد و پنج اصل راهنما را برای متخصصان مشاغل که داده ها را اداره می کنند ، ارائه می دهد.

اخلاق داده چیست؟

اخلاق داده شامل تعهدات اخلاقی جمع آوری ، محافظت و استفاده از اطلاعات شناسایی شخصی و نحوه تأثیر آن بر افراد است.

"اخلاق داده می پرسد ،" آیا این کار درستی است؟ "و" آیا می توانیم بهتر عمل کنیم؟ "

اخلاق داده ها بیشترین نگرانی را برای تحلیلگران ، دانشمندان داده و متخصصان فناوری اطلاعات دارند. با این حال ، هرکسی که داده ها را اداره می کند ، باید در اصول اساسی خود کاملاً آگاه باشد.

به عنوان مثال ، شرکت شما ممکن است از اولین باری که آدرس ایمیل خود را در وب سایت شما ارسال می کند تا پنجمین بار که محصول شما را خریداری می کند ، داده های مربوط به سفرهای مشتریان را جمع آوری و ذخیره کند. اگر یک بازاریاب دیجیتال هستید ، احتمالاً روزانه با این داده ها تعامل دارید.

در حالی که ممکن است شما فردی مسئول اجرای کد ردیابی ، مدیریت یک پایگاه داده یا نوشتن و آموزش یک الگوریتم یادگیری ماشین نباشید ، درک اخلاق داده می تواند به شما امکان دهد تا مواردی از جمع آوری ، ذخیره سازی یا استفاده از داده های غیر اخلاقی را بدست آورید. با این کار ، می توانید از امنیت مشتریان خود محافظت کرده و سازمان خود را از مسائل حقوقی نجات دهید.

در اینجا پنج اصل اخلاق داده برای اعمال در سازمان شما آورده شده است.

کتاب الکترونیکی رایگان: راهنمای مبتدی برای داده ها و تجزیه و تحلیل

امروز به کتاب الکترونیکی رایگان خود دسترسی پیدا کنید.

5 اصول اخلاق داده برای متخصصان مشاغل

1. مالکیت

اولین اصل اخلاق داده این است که فرد بر اطلاعات شخصی خود مالکیت دارد. درست همانطور که در نظر گرفتن یک مورد که متعلق به شما نیست ، سرقت در نظر گرفته می شود ، جمع آوری داده های شخصی شخصی بدون رضایت آنها غیرقانونی و غیر اخلاقی است.

برخی از روشهای متداول که می توانید رضایت خود را بدست آورید ، از طریق توافق نامه های کتبی امضا شده ، سیاست های حریم خصوصی دیجیتال که از کاربران می خواهد با شرایط و ضوابط یک شرکت موافقت کنند ، و پاپ آپ با کادر انتخابی که به وب سایت ها اجازه می دهد رفتار آنلاین کاربران را با کوکی ها ردیابی کنند. هرگز فرض نکنید که مشتری با جمع آوری داده های آنها خوب است. همیشه برای جلوگیری از معضلات اخلاقی و قانونی مجوز بخواهید.

2. شفافیت

علاوه بر داشتن اطلاعات شخصی خود ، موضوعات داده حق دارند بدانند که چگونه قصد دارید برای جمع آوری ، ذخیره و استفاده از آن استفاده کنید. هنگام جمع آوری داده ها ، شفافیت را اعمال کنید.

به عنوان مثال ، تصور کنید که شرکت شما تصمیم گرفته است یک الگوریتم را برای شخصی سازی تجربه وب سایت بر اساس عادات خرید افراد و رفتار سایت پیاده سازی کند. شما باید یک خط مشی بنویسید که توضیح می دهد کوکی ها برای ردیابی رفتار کاربران استفاده می شوند و داده های جمع آوری شده در یک پایگاه داده ایمن ذخیره می شوند و یک الگوریتم را آموزش می دهند که یک تجربه وب سایت شخصی را فراهم می کند. این حق کاربر است که به این اطلاعات دسترسی داشته باشد تا آنها بتوانند کوکی های سایت شما را بپذیرند یا آنها را رد کنند.

نگه داشتن یا دروغ گفتن در مورد روش ها یا اهداف شرکت شما فریب است و هم غیرقانونی و هم برای افراد داده شما ناعادلانه است.

3. حریم خصوصی

یکی دیگر از مسئولیت های اخلاقی که با رسیدگی به داده ها همراه است ، تضمین حریم خصوصی افراد داده است. حتی اگر مشتری رضایت شرکت شما را برای جمع آوری ، ذخیره و تجزیه و تحلیل اطلاعات شناسایی شخصی خود (PII) ارائه دهد ، این بدان معنی نیست که آنها می خواهند آن را در دسترس عموم قرار دهند.

PII هرگونه اطلاعاتی است که به هویت فرد مرتبط است. برخی از نمونه های PII عبارتند از:

• نام و نام خانوادگی
• تاریخ تولد
• آدرس خیابان
• شماره تلفن
• کارت امنیت اجتماعی
• اطلاعات کارت اعتباری
• شماره حساب بانکی
• شماره پاسپورت

برای محافظت از حریم خصوصی افراد ، اطمینان حاصل کنید که داده ها را در یک پایگاه داده ایمن ذخیره می کنید ، بنابراین به دست اشتباه نمی رسد. روشهای امنیت داده که به محافظت از حریم خصوصی کمک می کنند شامل محافظت از رمز عبور دوتایی و رمزگذاری پرونده است.

برای متخصصانی که به طور مرتب داده های حساس را کنترل و تجزیه و تحلیل می کنند ، هنوز می توان اشتباهات را انجام داد. یکی از راه های جلوگیری از لغزش ، شناسایی یک مجموعه داده است. هنگامی که تمام قطعات PII برداشته می شوند ، یک مجموعه داده شناسایی می شود و فقط داده های ناشناس باقی می ماند. این به تحلیلگران این امکان را می دهد تا بدون اتصال به داده های خاص به هویت های فردی ، روابط بین متغیرهای مورد علاقه را پیدا کنند.

4. قصد

هنگام بحث در مورد هر شاخه اخلاق ، اهداف مهم است. قبل از جمع آوری داده ها ، از خود بپرسید که چرا به آن احتیاج دارید ، چه چیزی از آن به دست خواهید آورد ، و چه تغییراتی را می توانید پس از تجزیه و تحلیل ایجاد کنید. اگر قصد شما این است که به دیگران آسیب برساند ، از نقاط ضعف افراد خود یا هر هدف مخرب دیگر سود ببرد ، جمع آوری داده های آنها اخلاقی نیست.

هنگامی که اهداف شما خوب است - به عنوان مثال ، جمع آوری داده ها برای به دست آوردن درک از تجربیات مراقبت های بهداشتی زنان ، بنابراین می توانید برنامه ای را برای رفع یک نیاز فشرده ایجاد کنید - شما هنوز هم باید قصد خود را در پشت مجموعه هر قطعه از داده ها ارزیابی کنید.

آیا برخی از داده های داده وجود دارد که برای مشکل مورد نظر اعمال نمی شود؟به عنوان مثال ، آیا لازم است بپرسید که آیا شرکت کنندگان با سلامت روانی خود می جنگند؟این داده ها می توانند حساس باشند ، بنابراین جمع آوری آن در صورت غیر ضروری اخلاقی نیست. تلاش کنید تا حداقل مقدار قابل دوام داده را جمع آوری کنید ، بنابراین ضمن ایجاد تغییر ، تا حد امکان از افراد خود استفاده می کنید.

5. نتایج

حتی اگر اهداف خوب باشد ، نتیجه تجزیه و تحلیل داده ها می تواند آسیب ناخواسته به افراد یا گروه های افراد وارد کند. این یک تأثیر متفاوت نامیده می شود ، که در قانون حقوق مدنی غیرقانونی بیان شده است.

در اصول علوم داده ، استاد هاروارد Latanya Sweeney نمونه ای از تأثیر متفاوت را ارائه می دهد. هنگامی که سوئینی نام خود را به صورت آنلاین جستجو کرد ، تبلیغاتی مطرح شد که می خواند ، "لاتانیا سوئینی ، دستگیر شد؟"او دستگیر نشده بود ، بنابراین این عجیب بود.

"چه نامهایی ، اگر آنها را جستجو کنید ، تبلیغات دستگیر شده اید؟"سوینی در این دوره می پرسد."آنچه من پیدا کردم این بود که اگر نام شما بیشتر به یک کودک سیاه پوست داده می شد تا یک کودک سفید پوست ، نام شما 80 درصد بیشتر به احتمال زیاد تبلیغ می شود که می گوید دستگیر شده اید."

از این مثال مشخص نیست که آیا تأثیر متفاوت عمدی بوده یا نتیجه تعصب غیر عمدی در یک الگوریتم است. در هر صورت ، این پتانسیل را دارد که صدمات واقعی را انجام دهد که به طور نامتناسب بر گروه خاصی از افراد تأثیر می گذارد.

متأسفانه ، شما نمی توانید با اطمینان از تأثیر تجزیه و تحلیل داده های شما تا زمانی که کامل شود. با در نظر گرفتن این سؤال از قبل ، می توانید هرگونه وقوع احتمالی تأثیر متفاوت را بدست آورید.

استفاده اخلاقی از الگوریتم ها

اگر نقش شما شامل نوشتن ، آموزش یا دست زدن به الگوریتم های یادگیری ماشین است ، در نظر بگیرید که چگونه می توانند به طور بالقوه هر یک از پنج اصل اخلاق داده داده را نقض کنند.

از آنجا که الگوریتم ها توسط انسان نوشته شده است ، تعصب ممکن است عمداً یا ناخواسته وجود داشته باشد. الگوریتم های مغرضانه می توانند آسیب جدی به مردم وارد کنند. در اصول علوم داده ، سوئینی روشهای زیر را تشریح می کند که تعصب می تواند به الگوریتم های شما برسد:

• آموزش: از آنجا که الگوریتم های یادگیری ماشین بر اساس داده هایی که با آنها آموزش داده شده اند یاد می گیرند ، یک مجموعه داده غیر نماینده می تواند باعث شود الگوریتم شما به نفع برخی از نتایج نسبت به دیگران باشد.
• کد: اگرچه هر تعصب موجود در الگوریتم شما امیدوارم غیر عمدی باشد ، اما این احتمال را که به طور خاص برای تولید نتایج مغرضانه نوشته شده باشد ، رد نکنید.
• بازخورد: الگوریتم ها همچنین از بازخورد کاربران یاد می گیرند. به همین ترتیب ، آنها می توانند تحت تأثیر بازخورد مغرضانه قرار بگیرند. به عنوان مثال ، یک بستر جستجوی شغلی ممکن است از یک الگوریتم برای توصیه نقش ها به نامزدها استفاده کند. اگر استخدام مدیران به طور مداوم نامزدهای مرد سفید پوست را برای نقش های خاص انتخاب کنند ، الگوریتم در آینده یاد می گیرد و فقط لیست های شغلی را برای نامزدهای مرد سفید پوست ارائه می دهد. این الگوریتم می آموزد که وقتی این لیست را برای افراد با ویژگی های خاصی فراهم می کند ، بیشتر "صحیح" است ، که منجر به افزایش این رفتار می شود.

تینگلی در اصول علوم داده می گوید: "هیچ الگوریتم یا تیمی کامل نیست ، اما تلاش برای بهترین ها مهم است.""استفاده از ارزیابان انسانی در هر مرحله از فرآیند علوم داده ، اطمینان حاصل کنید که داده های آموزش واقعاً نماینده جمعیت هایی هستند که تحت تأثیر الگوریتم قرار می گیرند ، و درگیر کردن ذینفعان و سایر دانشمندان داده با پیشینه های متنوع می تواند به ایجاد الگوریتم های بهتر برای آینده ای روشن تر کمک کند. "

استفاده از داده ها برای خوب

در حالی که استفاده اخلاقی از داده ها یک تلاش روزمره است ، دانستن اینکه ایمنی و حقوق افراد داده شما دست نخورده است ، ارزش کار را دارد. هنگامی که از نظر اخلاقی اداره می شود ، داده ها می توانند شما را قادر به تصمیم گیری و ایجاد تغییر معنی دار در سازمان و جهان کنند.

آیا علاقه مند به پیشبرد سواد داده خود هستید؟راهنمای مبتدی ما به داده ها و تجزیه و تحلیل ها را بارگیری کنید تا بدانید که چگونه می توانید از قدرت داده ها برای موفقیت حرفه ای و سازمانی استفاده کنید.

درباره نویسنده

کاترین کوت یک هماهنگ کننده بازاریابی در دانشکده بازرگانی هاروارد به صورت آنلاین است. او قبل از پیوستن به HBS Online ، در یک راه اندازی اولیه SaaS کار کرد و در آنجا اشتیاق خود را برای نوشتن محتوا و در یک آژانس مشاوره دیجیتال ، جایی که در SEO تخصص داشت ، پیدا کرد. کاترین دارای یک کارشناسی ارشد است. از صلیب مقدس ، جایی که او در حال مطالعه روانشناسی ، آموزش و ماندارین چینی بود. هنگامی که در محل کار نیستید ، می توانید پیاده روی ، اجرای یا تماشای تئاتر یا شکار بهترین همبرگر در بوستون را پیدا کنید.