Facebook 重建广告系统，个性化广告即将改朝换代

从去年开始，Facebook 一直反对苹果升级「iOS 14」版本的隐私政策，称其对广告投放产生了严重的负面影响。而苹果 CEO 库克攻击
Facebook 将用户视为产品，利用他们的隐私赚钱。
上周三，Facebook 产品营销副总裁 Graham Mudd 提到 Facebook
广告系统正在重建：「可以肯定的是，未来五年个性化广告的发展对行业具有重要意义。提前投资将使我们所有的客户受益，并帮助我们塑造未来的广告生态系统。因为数据和个性化几乎占据了我们所有系统的核心地位，从广告定位到优化再到测量，下一步
2 年内，Facebook 几乎所有的系统都将重建，事实上，这已经在进行中了。」
一、未来已来，个性化广告的下一时代
谷歌禁止第三方 cookie，苹果苹果推出 ATT 新的隐私政策，个性化广告首当其冲，隐私安全最终成为互联网公司无法回避的命题。
上周三，Graham Mudd 在 Facebook 官网主页上发布了一篇文章，名为「Privacy-Enhancing Technologies and
Building for the
Future」文章(隐私增强技术和未来建设)。文章中提到:「必须承认，数字广告必然会减少对个人第三方数据的依赖，这就是为什么我们多年来一直在投资建设一系列隐私增强技术，并与行业一起制定标准来支持下一个时代。」
毫无疑问，Facebook 庞大的广告帝国是基于跨平台用户跟踪的个性化能力，而隐私监管的收紧给它带来了许多限制。
今年年初，有文章分析说苹果的隐私条款将是 Facebook 广告的转型跟踪能力、定向能力和 Facebook Audience Network
个性化能力有一定的影响。这也是当时 Facebook 从中小企业利益入手，利用各种公关手段高调起诉苹果的主要原因，但仍难以撼动大局。
正如历史不会倒退，隐私保护的趋势不会逆转，融入人们日常生活的个性化营销活动也不会突然消失，Facebook
在个性化广告和个人隐私之间找到和解势在必行。
「我们相信，个性化的营销仍然是用户和企业的最佳体验。如果没有个性化的广告，企业将更难启动和开发，新产品和服务将更难被发现，成本将更高。同样，人们也会看到许多不相关、不及时、不感兴趣的广告。互联网不再是一个免费和免费的地方。阅读新闻、聊天和娱乐可能需要付费，对于那些能承担订阅费的人将很难访问」Graham
Mudd 写。
从本文中，我们深刻感受到，下一个时代个性化广告的关键是利用技术解决隐私安全问题，形成大规模应用，得到社会的认可。未来建设的重要环节是开发一系列隐私增强技术（Privacy-
enhancing technologies，简称PETs)，使 Facebook
在保护个人隐私的同时，也可以测量和优化广告效果，其中广告商和平台的任何一方都无法获得用户的个人信息。
隐私增强技术是下一代数字广告的核心
「我们相信 PETs 将支撑下一代数字广告」Graham 表示。
PETs 主要涉及密码学和统计学技术。一般来说，这些技术可以通过最小化数据处理量来保护个人信息的安全，同时保留广告测量、个性化等核心功能。
这其中，Facebook 主要介绍三种常用技术：secure multi-party computation(安全多方计算技术简称 MPC）、on-
device learning 和 differential privacy(差别隐私)。下面我们分别用比较流行的词语来介绍各自的逻辑。
1.安全多方计算（MPC）
安全多方计算（MPC）它是一种密码技术，即多方加密各自的数据，然后交换和学习，以测量和优化广告效果。在数据传输、存储、应用等过程中，整个数据处于加密状态，任何一方都看不到其他数据。
在广告效果测量场景中，广告商过去会加密数据，然后传输给平台或第三方，平台或第三方可以在收到数据后解密以获得洞察力，这意味着至少其中一方会看到用户从点击到购买的整个路径数据。
如果 MPC
技术应用，意味着一方只能看到用户点击数据，另一方只能看到用户购买数据，在加密条件下，双方交换加密数据包，对另一方数据再次加密，所以两个数据包各有两个锁，确保双方除了匹配结果不会获得其他信息，也不需要授权数据给其他方，以降低数据隐私泄露的风险。

双方分别“锁定”数据，然后再次交换锁定的数据“锁定”，以确保双方获得的信息一致，防止隐私泄露。例如，在广告优化场景中，广告客户希望知道品牌中点击用户的平均消费量，MPC技术还可以在不披露任何个人数据的情况下向广告客户提供最终计算结果。一般原则是将每个转化用户的消费数据进行拆分，然后进行重组、聚合、添加，最后除以总人数，得到平均消费量。这样，广告商不仅可以获得所需的广告效果数据，优化后续的投放策略，还可以确保个人消费数据的安全

Facebook透露，MPC技术已经投入使用。去年，该公司开始测试名为“私人电梯测量”的解决方案，其中包括使用MPC技术帮助广告商测量效果。预计明年将对所有广告商开放

此外，Facebook还推出了一个用于隐私计算的开源框架。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

二.On-设备学习

On-设备
学习是指系统可以根据历史数据直接在用户设备上找到一些有用的模式，并不断学习和优化算法模型。在此过程中，无需将个人数据发送到远程服务器或云即可实现预测。例如，如果热爱健身的人也可能是蛋白质奶昔的潜在买家，那么n-设备学习
可以通过学习找出两者之间的关联模型。在此过程中，用户的个人信息不会上传到Facebook服务器，而是保留在设备上，避免了隐私泄露的风险n-设备学习使用什么原则来保护隐私

一般来说，在每台设备上，都有一个独立且安全的“小房子”来收集每个应用程序中的用户数据，通常称为沙盒

应用程序下载和购买记录等数据将保存在此处，不会与其他方共享。在沙盒中，系统可以根据设备上的一系列用户行为学习一些模式。例如，一个人喜欢听摇滚乐，经常在晚上在线购买等，然后总结这些模式以确保它们不会被识别

当有更新时，系统可以直接更新模式，而无需通过总结个人数据重新学习。通过这种方式，尽管每个设备只完成了一次较小的模式更新，但数千个设备在聚合时将生成一个安全且无法识别的报告，并完成模型优化。通过学习最终的聚合模型，Facebook可以更好地为每个用户推荐匹配广告。在沙盒中，系统可以通过学习了解用户的音乐品味、旅行习惯、消费水平和其他模式–总结–预测周期，On-设备学习可以在不传输用户数据的情况下实现更准确的定向推荐

事实上，这项技术已经广泛应用于许多苹果设备。然而，据格雷厄姆说，目前n-设备学习应用程序的最大挑战实际上是操作系统。该平台是否能够使用所需的计算资源来执行仍然掌握在苹果手中

“如果未来能够围绕这些资源的访问和使用制定一系列标准（以公平竞争的方式），这将非常有意义。”三.差异隐私𞓜 差异隐私是保护个人数据不被破解的技术手段。它可以单独使用，也可以与其他技术结合使用。基本原则是将一定比例的“噪音”混合到数据集中，因此很难使用第三方数据反向推断个人信息。例如，如果118人点击Facebook上的广告并购买，差异隐私技术将添加或提取一个随机数。使用该系统的人可能看到的最后一个数字是120或114

在现实生活中，在匿名化和取消身份后，仍然存在个人身份识别的可能性。这样的事情并不少见：1997年，马萨诸塞州州长威廉·韦尔德同意披露政府雇员的医疗信息，供学者研究。为了保护个人隐私，这些数据实际上已经删除并取消了姓名、地址和其他信息的标识。然而，一名研究生通过交叉比较选举记录很容易找到州长，并找到了他的所有医疗记录。同样，2006年，Netflix举办了一次算法竞赛，要求使用匿名数据库预测用户的电影得分。然后，这两位研究人员将该数据库链接到imdb
网站上的公共记录识别了一些匿名用户的真实身份。最后，奈飞因隐私问题停赛，不得不面临巨额罚款。
从角度来看，即使去标识化，隐私安全还是无法保证的，这就需要将隐私技术混入数据库「噪声」，防止外人在不改变原始数据模式的基础上破解。当然，它还包括不同的方法，涉及不同的算法。
在数据库中混合一定比例的差分隐私技术「噪声」
举个简单的例子。
当一家酒店进行调查时，客户需要回答他们是否会带走酒店浴袍作为纪念品。然而，许多人不会直接承认问题。毕竟，被别人知道会很尴尬，所以酒店可以使用差异化隐私的方法，这样系统只能有部分概率得到客户的真实答案。
如果更具体，可以把这里差异化隐私的应用当成扔硬币，得到正面，系统会真实记录客户的回答；如果还是正面，会再扔一次。「是」，背面则为「否」。这样，酒店就不知道谁拿了浴袍，只知道有多少人拿了浴袍当纪念品。
结语：
正如 Graham
文章中提到，新技术的发展和应用需要时间。隐私安全和个性化之间的平衡在哪里？下一个个性化广告的时代是什么？我相信业内各方也在积极探索，这只是
Facebook 开始探索隐私保护。
来源 | TopMarketing（ID：TMarketing）
作者 | TOP君；编辑 | 时刻

相关推荐