前有谷歌禁用第三方cookie，后有蘋果推出ATT隱私新政，個性化廣告首當其沖，隱私安全終成互聯(lián)網(wǎng)公司繞不開的命題。
前有谷歌禁用第三方cookie，后有蘋果推出ATT隱私新政，個性化廣告首當其沖，隱私安全終成互聯(lián)網(wǎng)公司繞不開的命題。上周三，Graham Mudd在Facebook官網(wǎng)主頁上發(fā)布了一篇名為“Privacy-Enhancing Technologies and Building for the Future”（隱私增強技術(shù)和面對未來的建設(shè)）的文章。其在文中提到：“必須承認的是，數(shù)字廣告勢必要減少對個人第三方數(shù)據(jù)的依賴，這也是我們多年來一直投資建設(shè)一系列隱私增強技術(shù)，并與行業(yè)一同制定標準以支持下一時代的原因?！?/section>毫無疑問，F(xiàn)acebook的龐大廣告帝國正是建立在跨平臺用戶追蹤的個性化能力基礎(chǔ)之上，而隱私監(jiān)管的收緊則對其帶來了諸多限制。今年年初，TOP君曾在文章里分析過，蘋果的隱私條款將對Facebook廣告的轉(zhuǎn)化追蹤能力、定向能力以及Facebook Audience Network的個性化能力產(chǎn)生一定影響。這也是當時Facebook從中小企業(yè)利益切入，利用各種公關(guān)手段高調(diào)控訴蘋果的主要原因，不過最終依然難以撼動大局。正如歷史不會倒退，隱私保護的趨勢不會逆轉(zhuǎn)，已經(jīng)融入人們?nèi)粘Ｉ畹膫€性化營銷活動也不會突然消失，F(xiàn)acebook勢必要在個性化廣告與個人隱私之間找到和解之道。“我們相信營銷個性化對用戶和企業(yè)而言仍是最佳體驗。沒有個性化廣告，企業(yè)將更難啟動和發(fā)展，新的產(chǎn)品與服務(wù)也會更難被人們發(fā)現(xiàn)，并且成本也會更高。同樣，人們將會看到很多不相關(guān)、不及時且不感興趣的廣告?；ヂ?lián)網(wǎng)不再是免費且自由的場所，讀新聞、聊天、娛樂也許都需要付費，對無法承擔訂閱費的人來說將變得難以訪問，”Graham Mudd寫道。從這篇文章里，我們深刻感受到，邁向個性化廣告下一時代的鑰匙正是利用技術(shù)解決隱私安全問題，形成大規(guī)模應(yīng)用，并得到社會認可。建設(shè)未來的重要一環(huán)就是研發(fā)一系列隱私增強技術(shù)（Privacy-enhancing technologies，簡稱PETs) ，使得Facebook在保障個人隱私的同時還能夠做廣告效果度量和優(yōu)化，這其中廣告主和平臺任何一方都不能得到用戶的個人信息。隱私增強技術(shù)是數(shù)字廣告下一代的核心“我們相信PETs將會支撐起下一代數(shù)字廣告，”Graham表示。PETs主要涉及到密碼學(xué)和統(tǒng)計學(xué)技術(shù)。總體來說，這些技術(shù)能夠通過最小化數(shù)據(jù)處理量來保護個人信息安全，與此同時保留廣告度量、個性化等核心功能。這其中，F(xiàn)acebook主要介紹了三種常用技術(shù)：secure multi-party computation（安全多方計算技術(shù)，簡稱MPC）、on-device learning和differential privacy（差分隱私）。TOP君用比較通俗的話術(shù)分別介紹下各自邏輯。安全多方計算（MPC）是一種密碼學(xué)技術(shù)，即多方將各自數(shù)據(jù)分別加密，再進行交換與學(xué)習(xí)，從而實現(xiàn)對廣告效果的度量與優(yōu)化。在數(shù)據(jù)傳輸、存儲、應(yīng)用等過程中，數(shù)據(jù)全程處于加密狀態(tài)，任何一方都不會看到其他方數(shù)據(jù)。在廣告效果度量場景中，以往，廣告主會對數(shù)據(jù)加密，然后傳輸給平臺方或第三方，而平臺或第三方在接收到數(shù)據(jù)之后可以解密，從而獲得洞察，這意味著至少其中一方會看到用戶從點擊到購買的全路徑數(shù)據(jù)。如果MPC技術(shù)得到應(yīng)用，則意味著一方只能看到其所擁有的用戶點擊數(shù)據(jù)，另一方只能看到用戶購買數(shù)據(jù)，在加密條件下，雙方交換各自已經(jīng)加密的數(shù)據(jù)包并對另一方數(shù)據(jù)再次加密，這樣兩個數(shù)據(jù)包都各自上了兩道鎖，保證雙方最終除了匹配結(jié)果之外不會獲得其他信息，也無需再將數(shù)據(jù)授權(quán)給其他方，從而降低數(shù)據(jù)隱私泄露風險。而在廣告優(yōu)化場景中，例如廣告主想知道點擊用戶在該品牌的平均消費金額，MPC技術(shù)也能實現(xiàn)在不泄露任何個人數(shù)據(jù)的情況下給到廣告主最終計算結(jié)果。大致原理是，對每位轉(zhuǎn)化用戶的消費數(shù)據(jù)進行拆分，然后重新洗牌、聚合、加和，最終除以總?cè)藬?shù)得到平均消費金額。這樣廣告主既得到了想要的廣告效果數(shù)據(jù)以優(yōu)化后續(xù)投放策略，又保證了個人消費數(shù)據(jù)的安全。Facebook透露，目前MPC技術(shù)已經(jīng)開始投入使用。去年，其已經(jīng)開始測試一個叫Private Lift Measurement的解決方案，其中包括利用MPC技術(shù)幫助廣告主進行效果度量，預(yù)計明年就會面向全部廣告主開放使用。此外，F(xiàn)acebook也已經(jīng)推出了隱私計算開源框架，任何開發(fā)人員都可以使用 MPC 創(chuàng)建以隱私為中心的測量產(chǎn)品。On-device learning，即系統(tǒng)可直接在用戶設(shè)備上基于歷史數(shù)據(jù)來找到一些有用的模式，并通過不斷學(xué)習(xí)優(yōu)化算法模型，此過程無需再將個人數(shù)據(jù)發(fā)送到遠程服務(wù)器或云，即可實現(xiàn)預(yù)測。例如如果愛健身的人群可能也是蛋白奶昔的潛在購買用戶，那么On-device learning就能通過學(xué)習(xí)找出二者之間的關(guān)聯(lián)模型，這一過程中，用戶個人信息不會上傳到Facebook的服務(wù)器，只會保留在設(shè)備上，避免了隱私泄露風險。那么On-device learning又是通過什么原理來實現(xiàn)對隱私的保護的呢？通俗來講，在每個設(shè)備上，都有一個獨立、安全的“小房子”，用來收集用戶在各個APP內(nèi)的數(shù)據(jù)，通常稱之為Sandbox（沙箱）。像APP下載、購買記錄等數(shù)據(jù)都會保存在這里，不會與其他方共享。在沙箱里，系統(tǒng)就可以根據(jù)用戶在設(shè)備上的一系列行為來學(xué)習(xí)得到一些模式，如一個人喜歡聽搖滾樂，經(jīng)常在晚上網(wǎng)購等，然后對這些模式進行匯總，保證其不會被識別。當有更新時，系統(tǒng)可直接更新模式，無需再去通過匯總個人數(shù)據(jù)來重新學(xué)習(xí)，這樣雖然每一個設(shè)備只是完成了一次微小的模式更新，但成千上萬個設(shè)備匯總起來就會生成一個安全、不可識別的報告，完成一次模型的優(yōu)化，F(xiàn)acebook只需學(xué)習(xí)最終匯總成的模型，就能更好地為每個用戶推薦匹配的廣告。事實上，這項技術(shù)已經(jīng)在很多蘋果設(shè)備上廣泛應(yīng)用了。不過根據(jù)Graham，目前On-device learning應(yīng)用的最大挑戰(zhàn)其實還是運營系統(tǒng)，平臺能否利用所需的計算資源來執(zhí)行，掌控權(quán)還在蘋果手中?！叭绻磥砜梢試@這些資源的訪問和使用（以公平競爭的方式）建立一系列標準，那么就會很有意義?！?/section>3. Differential privacy（差分隱私）
差分隱私是保護個人數(shù)據(jù)被破解的一種技術(shù)手段，可以單獨使用也可以與其他技術(shù)聯(lián)合應(yīng)用。基本原理就是在數(shù)據(jù)集中混入一定比例的“噪聲”，這樣就很難會利用第三方數(shù)據(jù)反向推導(dǎo)出個人信息。例如，F(xiàn)acebook上一則廣告有118人在點擊后進行了購買，那么差分隱私技術(shù)就會從中添加或抽取隨機數(shù)量，最后使用該系統(tǒng)的人可能看到的數(shù)字會是120或是114。現(xiàn)實生活中，經(jīng)過匿名、去標識化后的數(shù)據(jù)，依然有個人身份被識別的可能。這樣的事情并不少見。TOP君給大家講兩個非常出名的故事。1997年，馬薩諸塞州州長William Weld曾同意將政府雇員就診信息公開用于學(xué)者研究，而為了保護個人隱私，這些數(shù)據(jù)其實已經(jīng)將姓名、住址等信息刪掉，去標識化了。不過一名研究生卻通過交叉比對一份選舉記錄輕松人肉出了州長，并找到了他的全部醫(yī)療記錄。同樣，在2006年，奈飛舉辦了一個算法大賽，要求利用一份匿名后的數(shù)據(jù)庫來預(yù)測用戶電影評分。而后兩位研究人員將這份數(shù)據(jù)庫通過關(guān)聯(lián)IMDb網(wǎng)站上的公開記錄，識別出了一些匿名用戶的真實身份。最終，奈飛因隱私問題停賽，不得不面對巨額罰款。由此看來，即便去標識化，依舊無法保證隱私安全，這就需要差分隱私技術(shù)在數(shù)據(jù)庫中混入“噪聲”，在保證不改變數(shù)據(jù)原有模式的基礎(chǔ)上，防止外人破解。當然，這其中也包含不同方式，涉及到不同算法。 用差分隱私技術(shù)，在數(shù)據(jù)庫中混入一定比例“噪聲”一個酒店做調(diào)查，需要顧客回答是否會帶走酒店浴袍當作紀念品。不過這種問題，很多人都不會直接承認，畢竟被別人知道會非常尷尬，于是酒店就可以用差分隱私的方法，讓系統(tǒng)只能有一部分概率得到顧客的真實回答。如果更具象化一點，可以將這里差分隱私的應(yīng)用當做一次拋硬幣，得到正面，系統(tǒng)將真實記錄顧客的回答；得到背面則會再拋一次，如果還是正面，就記為“是”，背面則為“否”。這樣酒店就不知道誰拿了浴袍，只知道有多少比例的人拿了浴袍當紀念品。
立即登錄，閱讀全文
版權(quán)說明：
本文內(nèi)容來自于TopMarketing，本站不擁有所有權(quán)，不承擔相關(guān)法律責任。文章內(nèi)容系作者個人觀點，不代表快出海對觀點贊同或支持。如有侵權(quán)，請聯(lián)系管理員（zzx@kchuhai.com）刪除！
Facebook Audience Network
專欄
閩公網(wǎng)安備 35010202001226號
