|
“可以肯定的是，未来五年个性化广告的发展对行业意义重大，提前投资将使我们所有客户收益，并能帮助我们塑造未来广告生态。因为数据与个性化几乎占据我们所有系统的核心位置，从广告定向到优化再至度量，接下来2年内，Facebook上几乎所有系统都将重建，事实上这已经在进行中了。” ——Facebook产品营销副总裁Graham Mudd  未来已来，个性化广告的下一时代前有谷歌禁用第三方cookie，后有苹果推出ATT隐私新政，个性化广告首当其冲，隐私安全终成互联网公司绕不开的命题。上周三，Graham Mudd在Facebook官网主页上发布了一篇名为“Privacy-Enhancing Technologies and Building for the Future”（隐私增强技术和面对未来的建设）的文章。其在文中提到：“必须承认的是，数字广告势必要减少对个人第三方数据的依赖，这也是我们多年来一直投资建设一系列隐私增强技术，并与行业一同制定标准以支持下一时代的原因。”毫无疑问，Facebook的庞大广告帝国正是建立在跨平台用户追踪的个性化能力基础之上，而隐私监管的收紧则对其带来了诸多限制。今年年初，TOP君曾在文章里分析过，苹果的隐私条款将对Facebook广告的转化追踪能力、定向能力以及Facebook Audience Network的个性化能力产生一定影响。这也是当时Facebook从中小企业利益切入，利用各种公关手段高调控诉苹果的主要原因，不过最终依然难以撼动大局。正如历史不会倒退，隐私保护的趋势不会逆转，已经融入人们日常生活的个性化营销活动也不会突然消失，Facebook势必要在个性化广告与个人隐私之间找到和解之道。“我们相信营销个性化对用户和企业而言仍是最佳体验。没有个性化广告，企业将更难启动和发展，新的产品与服务也会更难被人们发现，并且成本也会更高。同样，人们将会看到很多不相关、不及时且不感兴趣的广告。互联网不再是免费且自由的场所，读新闻、聊天、娱乐也许都需要付费，对无法承担订阅费的人来说将变得难以访问，”Graham Mudd写道。从这篇文章里，我们深刻感受到，迈向个性化广告下一时代的钥匙正是利用技术解决隐私安全问题，形成大规模应用，并得到社会认可。建设未来的重要一环就是研发一系列隐私增强技术（Privacy-enhancing technologies，简称PETs) ，使得Facebook在保障个人隐私的同时还能够做广告效果度量和优化，这其中广告主和平台任何一方都不能得到用户的个人信息。隐私增强技术是数字广告下一代的核心“我们相信PETs将会支撑起下一代数字广告，”Graham表示。PETs主要涉及到密码学和统计学技术。总体来说，这些技术能够通过最小化数据处理量来保护个人信息安全，与此同时保留广告度量、个性化等核心功能。这其中，Facebook主要介绍了三种常用技术：secure multi-party computation（安全多方计算技术，简称MPC）、on-device learning和differential privacy（差分隐私）。TOP君用比较通俗的话术分别介绍下各自逻辑。安全多方计算（MPC）是一种密码学技术，即多方将各自数据分别加密，再进行交换与学习，从而实现对广告效果的度量与优化。在数据传输、存储、应用等过程中，数据全程处于加密状态，任何一方都不会看到其他方数据。在广告效果度量场景中，以往，广告主会对数据加密，然后传输给平台方或第三方，而平台或第三方在接收到数据之后可以解密，从而获得洞察，这意味着至少其中一方会看到用户从点击到购买的全路径数据。如果MPC技术得到应用，则意味着一方只能看到其所拥有的用户点击数据，另一方只能看到用户购买数据，在加密条件下，双方交换各自已经加密的数据包并对另一方数据再次加密，这样两个数据包都各自上了两道锁，保证双方最终除了匹配结果之外不会获得其他信息，也无需再将数据授权给其他方，从而降低数据隐私泄露风险。而在广告优化场景中，例如广告主想知道点击用户在该品牌的平均消费金额，MPC技术也能实现在不泄露任何个人数据的情况下给到广告主最终计算结果。大致原理是，对每位转化用户的消费数据进行拆分，然后重新洗牌、聚合、加和，最终除以总人数得到平均消费金额。这样广告主既得到了想要的广告效果数据以优化后续投放策略，又保证了个人消费数据的安全。Facebook透露，目前MPC技术已经开始投入使用。去年，其已经开始测试一个叫Private Lift Measurement的解决方案，其中包括利用MPC技术帮助广告主进行效果度量，预计明年就会面向全部广告主开放使用。此外，Facebook也已经推出了隐私计算开源框架，任何开发人员都可以使用 MPC 创建以隐私为中心的测量产品。On-device learning，即系统可直接在用户设备上基于历史数据来找到一些有用的模式，并通过不断学习优化算法模型，此过程无需再将个人数据发送到远程服务器或云，即可实现预测。例如如果爱健身的人群可能也是蛋白奶昔的潜在购买用户，那么On-device learning就能通过学习找出二者之间的关联模型，这一过程中，用户个人信息不会上传到Facebook的服务器，只会保留在设备上，避免了隐私泄露风险。那么On-device learning又是通过什么原理来实现对隐私的保护的呢？通俗来讲，在每个设备上，都有一个独立、安全的“小房子”，用来收集用户在各个APP内的数据，通常称之为Sandbox（沙箱）。像APP下载、购买记录等数据都会保存在这里，不会与其他方共享。在沙箱里，系统就可以根据用户在设备上的一系列行为来学习得到一些模式，如一个人喜欢听摇滚乐，经常在晚上网购等，然后对这些模式进行汇总，保证其不会被识别。当有更新时，系统可直接更新模式，无需再去通过汇总个人数据来重新学习，这样虽然每一个设备只是完成了一次微小的模式更新，但成千上万个设备汇总起来就会生成一个安全、不可识别的报告，完成一次模型的优化，Facebook只需学习最终汇总成的模型，就能更好地为每个用户推荐匹配的广告。在沙箱中，系统能学习到用户的音乐品味、旅行习惯、消费水平等各种模式总体来看，通过学习—汇总—预测的循环，On-device learning无需将用户数据外传就能实现较为精准的定向推荐。事实上，这项技术已经在很多苹果设备上广泛应用了。不过根据Graham，目前On-device learning应用的最大挑战其实还是运营系统，平台能否利用所需的计算资源来执行，掌控权还在苹果手中。“如果未来可以围绕这些资源的访问和使用（以公平竞争的方式）建立一系列标准，那么就会很有意义。”3. Differential privacy（差分隐私）差分隐私是保护个人数据被破解的一种技术手段，可以单独使用也可以与其他技术联合应用。基本原理就是在数据集中混入一定比例的“噪声”，这样就很难会利用第三方数据反向推导出个人信息。例如，Facebook上一则广告有118人在点击后进行了购买，那么差分隐私技术就会从中添加或抽取随机数量，最后使用该系统的人可能看到的数字会是120或是114。现实生活中，经过匿名、去标识化后的数据，依然有个人身份被识别的可能。这样的事情并不少见。TOP君给大家讲两个非常出名的故事。1997年，马萨诸塞州州长William Weld曾同意将政府雇员就诊信息公开用于学者研究，而为了保护个人隐私，这些数据其实已经将姓名、住址等信息删掉，去标识化了。不过一名研究生却通过交叉比对一份选举记录轻松人肉出了州长，并找到了他的全部医疗记录。同样，在2006年，奈飞举办了一个算法大赛，要求利用一份匿名后的数据库来预测用户电影评分。而后两位研究人员将这份数据库通过关联IMDb网站上的公开记录，识别出了一些匿名用户的真实身份。最终，奈飞因隐私问题停赛，不得不面对巨额罚款。由此看来，即便去标识化，依旧无法保证隐私安全，这就需要差分隐私技术在数据库中混入“噪声”，在保证不改变数据原有模式的基础上，防止外人破解。当然，这其中也包含不同方式，涉及到不同算法。一个酒店做调查，需要顾客回答是否会带走酒店浴袍当作纪念品。不过这种问题，很多人都不会直接承认，毕竟被别人知道会非常尴尬，于是酒店就可以用差分隐私的方法，让系统只能有一部分概率得到顾客的真实回答。如果更具象化一点，可以将这里差分隐私的应用当做一次抛硬币，得到正面，系统将真实记录顾客的回答；得到背面则会再抛一次，如果还是正面，就记为“是”，背面则为“否”。这样酒店就不知道谁拿了浴袍，只知道有多少比例的人拿了浴袍当纪念品。正如Graham在文中所说，新技术的发展与应用需要时间。隐私安全与个性化之间的平衡点在哪？个性化广告的下一时代究竟如何？相信行业内多方也在积极探索，而这也仅仅只是Facebook在隐私保护方面的探索伊始。Facebook, 2021. What are privacy-enhancing technologies (pets) and how will they apply to ads? About Facebook. Mudd, G., Privacy-Enhancing technologies and building for the future. Facebook for Business. Heath, A., 2021. Facebook is rebuilding its ads to know a lot less about you. The Verge.
|
