数据隐私保护时代下的营销新前沿：数据围墙专题2 ：数据隐私保护时代下的营销

原标题：数据隐私保护时代下的营销新前沿：数据围墙专题2
这是本刊的第1327篇原创文章
“前言：随着我国法律法规对于消费者数据愈加严格的重视和保护，未来，不管是品牌广告主还是第三方数据公司，在数据层面也将会面临更多的挑战和危机，而掌握大量数据的媒体平台将会越发强大。
当然，目前全行业也正在探讨解决方案及方式，比如起源于美国的隐私计算技术可能是有效的解决方案之一。顾名思义，隐私计算就是指面向隐私保护的计算系统与技术，涵盖数据的产生、存储、计算、应用、销毁等信息流程全过程，想要达成的效果是使数据在各个环节中“可用不可见” ，这样就能够在合法合规的范畴之内将数据进行价值挖掘与应用。
但是，目前隐私计算发展的并不成熟，未来还有很长的路要走。而横亘在发展前路上的这座大山，品牌广告主及第三方数据公司是必须要设法逾越过去的。品牌广告主侧应该如何去做？第三方公司应该又应该如何去做？隐私计算是否行之有效，未来的发展趋势及挑战有哪些？除了隐私计算，目前还有哪些解决方案？”
推荐阅读：品效协同的困境仅仅是数据“围墙花园”吗？丨数据围墙专题①
自2020年以来，最新发布的《民法典》已纳入个人信息保护的相关内容。央行、工信部、公安部等各大监管都出台了一系列政策，对数据的安全使用规范提出了更加为严格的要求。随着品牌广告越来越重视广告效果的输出，效果广告越来越重视品牌对消费者心智的影响，品效协同成为广告主共同诉求。同时，在品牌营销中，对品牌主、媒体及数据方的数据资产的保护问题也是重中之重。如何在数据安全与提高效果的二元对立中取得平衡，已经成为整个行业的共性痛点。

文章图片
1
隐私计算在工业界的大规模应用
将成破局之钥
1、隐私计算的主流技术介绍根据中国信息通信研究院的定义，隐私计算是指在保证数据提供方不泄露敏感数据的前提下，对数据进行分析计算并能验证计算结果的信息技术。广义上是指面向隐私保护的计算系统与技术，涵盖数据的产生、存储、计算、应用、销毁等信息流转的全生命周期，完成计算任务，使得数据在各个环节中“可用但不可见” 。说的更通俗一些，就是在保证数据安全的前提下，让数据可以自由流通或共享，消除数据孤岛问题，从而释放更大的数据价值，提升生产效率，推进产业创新。 2、安全多方计算（MPC）由于隐私计算中包含的技术的多样性，不同的公司或项目将根据其技术优势采用不同的技术路线来实现其应用目的。基于加密的技术应用就是其中之一。安全多方计算，同态加密和零知识证明等技术都属于此类。核心思想是设计特殊的加密算法和协议，以支持对加密数据进行直接计算（即不涉及数据的明文内容），以获得所需的计算结果。 3、可信计算（TEE）隐私计算的第二条路径是基于可信执行环境技术的可信计算，该技术以英特尔的SGX、AMD的SEV和ARM的TrustZone等技术为代表。它的核心思想是使用受信任的硬件作为载体，提供硬件级别的强安全性隔离和通用的计算环境，并在完善的加密服务的支持下形成“机密室” 。只能在“机密室”中解密和计算数据，没有其他方法可以访问数据的纯文本内容。数据在离开“机密室”之前将被自动加密，以实现“可用不可见” 。 4、联邦学习（federatedlearning)隐私计算发展中的另一个重要技术方向是联邦学习。联邦学习本质上是一种分布式机器学习技术或机器学习框架。其目标是在确保数据隐私和安全性以及法律合规性的基础上，进行数据联合训练并建立共享的机器学习模型。随着技术的发展，联邦学习可以分为横向联邦学习和纵向联邦学习。其中横向联邦学习，即当两个数据集的用户特征重叠并且用户重叠较少时，我们可以对模型梯度进行加密后建模，这个建模形式在金融业，特别是联合风控这些对数据安全和可信任度有着强需求的领域，已经有了大规模工业界的落地案例。

文章图片
应用领域较为局限
（主流技术对比）

文章图片
2
业界应用案例及产品结构