信息|MarTech 营销数据闭环（七）数据合规( 五 ) 红魔|中兴通讯|倪飞|品牌|中兴

目前，隐私保护计算市场正面临一片蓝海，从隐私计算总体竞争格局来看，蚂蚁集团、微众银行等金融行业具备一定技术和市场积累，在竞争中具有先发优势，而像锘崴科技、瑞莱智慧等企业，凭借顶尖科研团队，也能够在市场竞争不充分时占领一席之地。
隐私保护计算不是某一个具体技术，由密码学、人工智能、安全硬件等许多领域交叉融合而成。从技术原理上看，隐私计算主要分为密码学和安全硬件两大领域。密码学技术目前以多方安全计算为代表，同态加密还在研发早期，安全硬件领域主要指可信执行环境。
此外，应用于算法的联邦学习技术，也是基于密码学技术，但与其他密码学应用技术重叠越来越多，大有替代可能。
（1）联邦学习（FL）：在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习；
（2）同态加密（HE）：对密文进行特定的代数运算后得到仍然是加密的结果，将其解密所得到的结果与明文计算的运算结果一样；
（3）多方安全计算（MPC）：在保障隐私的前提下，多个参与方各自输入信息，并得到一个运算结果。多方安全计算的实现包含多个关键的底层密码学协议或框架，主要包括不经意传输、混淆电路、秘密分享等；
（4）可信执行环境（TEE）：基于硬件防护能力的隔离执行环境中计算，实现数据安全和隐私保护功能。
不过，隐私保护计算技术并不能彻底解决法律问题。他的应用场景是保障企业在数据共享和流通过程中的隐私安全性。
也就是说，隐私保护计算的核心价值在于，即使不对外提供数据，也能实现数据的流动与共享，完成算法模型训练，赋能品牌。
以上，就是营销数据闭环专题的完结篇，再回顾下整个系列，从数据收集、数据治理、数据管理、数据洞察、效果评估到数据合规，通过7篇把品牌如果建立营销数据闭环进行了讲解，由于水平有限，肯定存在错误，如果发现，欢迎与我联系指正。
本文由 @刘生原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。