所以，站在企业的角度，加强对隐私数据保护的重视是早晚的事情。

以广告投放为例，企业自有的第一方数据价值很大。例如不少DMP提供了数据建模功能，如果将高质量的一方数据接入后，就能够在全量用户中精准锁定更多目标用户。

虽然利益就在眼前，但企业在是否接入数据上也有自身的顾虑：一方面，它们担忧平台方没有能力防止数据泄漏，进而对用户隐私造成不良影响，这会增加合规和品牌形象风险；另一方面，数据也是企业的商业机密，将数据接入后，经营者也会担忧被泄漏给其他企业甚至竞争对手。

所以在这个问题上，广告主的考量更加复杂，它们既要考虑用户的利益，也要顾及自己的利益。久而久之，极易形成“数据孤岛”，让数据价值无法得到充分释放。

需要更加安全的数据环境，是广告主正在形成的痛点。如果跟踪互联网平台的最新技术发展，你会发现诸如联邦学习这样的技术在各种场合被越来越频繁地提及。

联邦学习之所以被重视，很大程度上是因为它能够确保用户隐私和数据安全。这项技术是让每一个拥有数据源的组织单独训练模型，之后再让各个组织基于各自模型交流，最终通过模型聚合生成全局模型。简单来说，它交换模型、但不交换数据，因此减少了隐私暴露和泄漏的风险。

类似的联邦学习类技术还有很多，包括共享学习、知识联邦、联邦智能等等。如果从更大的范畴去看，它们又都属于隐私计算，而隐私计算回应的核心问题就是如何在降低隐私泄漏风险的同时，让数据能够物尽其用。

互联网行业对隐私计算的重视程度逐年上升，例如2020年Gartner技术成熟度曲线中就出现了与隐私计算相关的技术。而在国内，包括阿里巴巴、腾讯、百度和字节跳动在内的平台也都在积极推出各自的技术产品。

5、广告如何保护隐私？

具体到广告，也有更多新兴的技术产品开始出现。腾讯广告在升级后的DMP中就上线了“联合专区”功能。这个专区中的一大亮点是为广告主打造了“数据保险箱”，让企业能够放心地接入一方数据，同时享受自有高质量数据和平台全量数据及先进技术带来的投放红利。

在保护隐私数据安全方面，巨量引擎也明显发力。

一方面，它将联邦学习技术引入数字广告场景，让广告主和平台方在不披露明文数据的前提下共同训练模型。这样，广告投放不交换数据也能充分享受双方数据协同带来的价值；

另一方面，它在12月初也推出了DataHub安全解决方案。这个方案为合作伙伴开辟了与巨量引擎广告系统相隔离的独立存储空间，并在保证个体粒度数据“可用不可见”的前提下，实现监测、分析、洞察乃至鉴权等多维功能。这些技术的引入既控制了用户隐私泄漏的风险，也让企业能够放心地接入一方数据，实现投放效果提升。