Hola amigos, hoy es sábado, sabadete, así que toca hilo sobre #privacidad y #eticadelosdatos. Hoy hablaremos sobre la localización de los usuarios y la discriminación de precios. Diferentes casos en varios sectores te harán ver que tú también eres víctima de esta discriminación.
Las políticas de precios online generalmente no son transparentes para los clientes y se basan en parámetros que se desconocen por completo. Esto abre una serie de oportunidades para la llamada diferenciación de precios y discriminación de precios.
Antes de seguir, aclaremos ciertos términos que pueden llevar a confusión. Existe una importante diferencia entre la DISCRIMINACIÓN de precios y la DIFERENCIACIÓN de precios.
La diferenciación de precios describe una estrategia para determinar el precio de un producto o servicio en función de las necesidades de un cliente potencial, no depende de las características del cliente.
Sin embargo, en la discriminación de precios, el precio se determina en función de los atributos personales de un cliente potencial, como la ubicación, el estado financiero, las posesiones, el género o el comportamiento.
Desde un punto de vista técnico, una plataforma online puede aprovechar muchos tipos de técnicas para identificar a un usuario, que sería el punto de partida para la discriminación de precios.
En la práctica, las huellas digitales del navegador proporcionan más información sobre un cliente que los métodos basados en cookies, incluidos los atributos de software, como el agente de usuario utilizado, o los plugins instalados.
No hay nada mejor que demostrar las cosas científicamente. En el paper “An Empirical Study on Online Price Differentiation” se aplicaron las huellas digitales reales para simular diferentes sistemas y analizar los cambios de precios correspondientes. syssec.ruhr-uni-bochum.de/media/emma/ver…
Para lograr este objetivo, los autores implementaron un escáner de precios automatizado capaz de disfrazarse como un sistema arbitrario que aprovecha las huellas digitales del sistema del mundo real y buscaron diferencias de precios relacionadas con:
1. Ubicación del usuario,
2. Sistemas específicos representados por sus huellas digitales, y
3. Características únicas de las huellas digitales.
2. Sistemas específicos representados por sus huellas digitales, y
3. Características únicas de las huellas digitales.
En este estudio empírico se examinaron varios sitios web de reserva de alojamiento y una plataforma de proveedor de alquiler de automóviles para identificar qué parámetros afectan el precio de un activo.
El resultado mostró la existencia de discriminación de precios BASADA EN LA UBICACIÓN, mientras que, los cambios de precios basados en las huellas digitales del sistema se encuentran en casos únicos y no revelan una discriminación sistemática.
En este otro paper, “Proxy Discrimination in Data-Driven Systems”, arxiv.org/pdf/1707.08120… se explican cómo funcionan varios ejemplos de modelos (árboles de decisión) utilizados por un banco para aceptar solicitudes de préstamos hipotecarios.
El banco utiliza la raza, el código postal y el nivel de interés del cliente. Los códigos postales w1 y w2 son predominantemente blancos, mientras que los códigos postales b1 y b2 son predominantemente negros. El interés en el préstamo (alto o bajo) es independiente de la raza. 
Un banco usa explícitamente la raza para evaluar la elegibilidad de préstamos. Esta forma de uso explícito de información protegida se puede descubrir mediante los métodos de experimentación de caja negra que establecen efectos causales entre datos de entradas y datos de salida.
En la figura b) el Código Postal de los solicitantes es indicativo de su raza. Por lo tanto, el banco puede usar el código postal en lugar de la raza para evaluar la elegibilidad del préstamo.
El ejemplo d) no usa la raza directamente, pero la infiere a través de asociaciones y luego la usa. Los métodos existentes pueden detectar tales asociaciones entre clases protegidas y resultados en datos de observación.
(Uso de proxy enmascarado, Fig. d) Esta es una versión más insidiosa del ejemplo b). Para enmascarar la asociación entre el resultado y la raza, el banco ofrece préstamos no solo a la población blanca, sino también a aquellos con bajo interés expresado en préstamos.
Por lo tanto, a personas que tendrían menos probabilidades de aceptar un préstamo si se les ofreciera uno. La figura d) es un ejemplo de dicho algoritmo.
Si bien no hay asociación entre raza y resultado tanto en los Ejemplos c) y d), hay una diferencia clave entre ellos: En el ejemplo d), hay un cálculo intermedio basado en códigos postales que predice la raza, y se usa para tomar la decisión. Es un caso de uso de proxy.
Para maximizar las ganancias, a los vendedores les gusta participar en la discriminación de precios: establecer precios más altos para los consumidores que están dispuestos a pagar más y precios más bajos para los consumidores que están dispuestos a pagar menos.
Impulsado por el Big Data, la discriminación algorítmica de precios es capaz de analizar a la población de clientes potenciales en subcategorías cada vez más finas, cada una con un precio diferente.
En algunos casos, los vendedores incluso pueden establecer precios personalizados, reducir la curva de demanda y establecer un precio diferente para cada consumidor.
B&Q, una multinacional británica, probó etiquetas de precios digitales, en sus tiendas físicas, que interactuaban con los móviles de los clientes y ajustaban el precio mostrado en función de los datos de las tarjetas de fidelización y los hábitos de gasto del cliente.
La discriminación de precios se basa en la capacidad de identificar la disposición de pago del consumidor. De hecho, este dato es fundamental para cualquier discusión sobre discriminación de precios.
La disposición de pago del consumidor es una función de preferencias y percepciones (erróneas). Piensen en el ejemplo de darnos de alta en el gimnasio.
Muchos clientes creen FALSAMENTE que asistirán, al menos, una vez por semana y sobreestiman el beneficio de la membresía. Por lo tanto, están dispuestos a pagar más.
Las grandes plataformas online usan Big Data y algoritmos sofisticados para identificar y establecer un precio personalizado igual a la disposición de pago, aunque equivocado, del consumidor.
Cuando la disposición de pago del consumidor refleja tanto las preferencias como las percepciones erróneas que inflan la demanda, la discriminación de precios perjudica aún más a los consumidores y también puede reducir la eficiencia.
El daño a los consumidores aumenta, ya que los consumidores pagan un precio que es igual a su beneficio percibido, que excede de su beneficio real.
Volvamos a la ubicación del comprador como medidor de precios. El precio de los vendedores discrimina en función de varios tipos de información, incluida la ubicación de los consumidores, la hora del día, el sistema operativo y el navegador, su historial de compras...
En el paper “Measuring Price Discrimination and Steering on E-commerce Web Sites” ccs.neu.edu/home/cbw/stati… los autores demostraron que los vendedores pueden recopilar esta información ellos mismos, o comprarla a los data brokers.
Los autores analizaron datos de 300 consumidores que visitaron 16 webs de comercio electrónico y encontraron evidencias de personalización en cuatro minoristas generales y cinco webs de viajes, incluidos los casos en que los sitios alteraron los precios en cientos de dólares.
La evidencia sugiere que la ubicación geográfica de un consumidor afecta las decisiones de precios de los vendedores. Por ejemplo, Uber recopila datos geográficos ricos sobre sus clientes y los usa para discriminar los precios.
Además, se descubrió que Amazon, Staples y la tienda de videojuegos Steam varían el precio por ubicación geográfica hasta en un 166%. nytimes.com/2010/08/08/mag…
Fuente: “Detecting price and search discrimination on the Internet”
citeseerx.ist.psu.edu/viewdoc/downlo…
citeseerx.ist.psu.edu/viewdoc/downlo…
Según los informes, Uber usa el tiempo, además de la ubicación, para discriminar los precios, calculando la disposición de pago de un pasajero para una ruta en particular a una determinada hora del día y ajustando los precios en consecuencia. bloomberg.com/news/articles/…
Todos los precios no son iguales. Los visitantes de la web de Home Depot pueden asumir que obtienen el mismo trato que todos los demás pero, en realidad, el minorista cobra precios más altos o más bajos según el CÓDIGO POSTAL de cada visitante individual. consumerreports.org/prices-price-c…
Los precios personalizados ocurren en mercados donde los consumidores no tienen información sobre cuánto pagan otros consumidores, y en mercados donde los precios diferenciales se combinan con productos heterogéneos. Las comparaciones entre consumidores se vuelven difíciles.
Una táctica más conocida empleada por las aerolíneas altera las tarifas en función de factores como la hora del día, el día de la semana y el código postal del viajero. edition.cnn.com/travel/article…
La aplicación de reserva el mismo día, HotelTonight, introdujo recientemente dos características que muestran tarifas con descuento a los usuarios en función de su ubicación. ¿Cómo es esto posible?
En el instante en que ingresa el dominio de un vendedor electrónico, la compañía puede ver todo, desde su historial de navegación, hasta su código postal. pcmag.com/article/317884…
La tecnología permite a los proveedores rastrear a los usuarios a través de múltiples navegadores. No es de extrañar que Amazon pueda actualizar sus precios para cada cliente cada 10 minutos. retailtouchpoints.com/features/speci…
Cada vez más, las decisiones que afectan nuestras vidas, como dónde vamos al colegio o universidad, si obtenemos un préstamo, a la hora de comprar un coche, obtener un trabajo, cuánto pagamos por el seguro de salud, no las toman los humanos, sino modelos matemáticos.
Pero, como Cathy O'Neil revela en su libro “Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy” amazon.com/Weapons-Math-D… los modelos algorítimos son opacos, no regulados e incontestables, incluso cuando están equivocados.
En su libro, Cathy O’Neil cuenta que si un estudiante pobre no puede obtener un préstamo porque un modelo algorítmico lo considera demasiado arriesgado, en virtud de su código postal, se le corta el tipo de educación que podría sacarlo de la pobreza.
Esto produce una espiral viciosa, maquiavélica y discriminatoria que impide que toda una clase social desfavorecida pueda salir del hoyo.
“Los modelos algorítmicos catapultan a los afortunados y castigan a los oprimidos, creando un cóctel tóxico para la democracia. Bienvenido al lado oscuro del Big Data”.
La próxima vez que vayas a un establecimiento y te pidan tu código postal, niégate. Si se enfadan, o te dicen que no pueden seguir con la venta, que cruzarán con tu tarjeta de débito/crédito, nombre, importe de la venta y productos/servicios comprados, para hacer un perfil...
diles que quieres hablar con su Delegado de Protección de Datos alegando tu derecho a no dar ciertos datos que puede tener implicaciones discriminatorias. Si se niegan, hoja de reclamaciones. El siguiente paso, es denunciarlo, y yo, estoy dispuesta a hacerlo.
Como siempre, gracias por leerme.
