花旗全球投资：在隐私时代如何利用客户数据

点滴科技资讯

重点

1、公司必须利用数据驱动的战略在数字时代进行竞争——然而，新的隐私法限制了客户数据的收集和使用方式。

2、目前已经出现了几种新的工具和技术来帮助企业共享和分析数据，同时保护隐私——包括差分隐私、多方计算和合成数据。

3、虽然这三种技术都解决了重要的数据共享问题，但合成数据最有希望实现人工智能和机器学习的安全使用。

对于想要在数字时代竞争的公司来说，数据是必不可少的资源。为了保持相关性，现代企业必须利用数据驱动的策略来获取新客户、满足他们的需求并确保有效沟通。

金融行业收集并使用大量客户数据，从实时客户洞察到准确的风险分析和流程自动化，无所不包。最大限度地发挥这些数据的潜力需要金融机构 (FI) 连接并协作处理这些数据——然而，这对于现有的金融机构来说尤其困难，因为这些数据通常由整个企业的各种系统收集和保存。这通常会导致数据孤岛限制协作，导致质量问题和格式不一致，最重要的是阻止业务领导者全面了解业务。

这个问题因世界各地越来越多的隐私法规而变得更加复杂。随着越来越多的社会和经济活动发生在网上，消费者越来越关注他们的隐私，欧洲的通用数据保护条例(GDPR) 和加州消费者隐私法案(CCPA) 等法律正在将他们的数据控制权交还给他们。这使得数据保护成为组织的关键优先事项，因为不符合这些规定可能会产生严重的财务影响。

幸运的是，一些新的工具、技术和初创公司正在帮助公司分析和共享客户数据，同时保护他们的隐私。

数据共享的挑战

从历史上看，公司利用数据匿名化（删除或加密数据集中的敏感信息）等技术来保护客户隐私。然而，这些传统做法在今天还不够：在最近的一项研究中，研究人员能够仅从四条随机信息中识别出消费者信用卡数据库中 90% 的个人。

组织内的数据协作也受到数据泄露的挑战，每年影响数千家公司，平均每家公司损失 386 万美元。数据泄露统计数据显示，攻击者非常积极地访问个人和财务信息，以便将其用于从数据勒索到身份盗窃的攻击。

因此，许多企业和数据所有者目前限制他们在内部共享的数据也就不足为奇了。尽管这有助于保护机密信息，但它也使大量有价值的数据无法用于商业用途。即使数据所有者认为共享数据的好处大于风险，批准过程通常也需要数月时间——有时会以请求被拒绝而告终。

技术解决方案和供应商

近年来，几家科技公司通过解决方案解决了这些挑战，这些解决方案帮助企业促进数据共享，同时减少摩擦和降低数据隐私风险。这些解决方案通常遵循以下三种方法之一：

.差分隐私

差分隐私通过限制用户访问和分析汇总的统计数据来保护个人客户的信息。例如，在使用差分隐私分析 Netflix 用户评分时，可以知道有 1000 万人给“怪奇物语”系列五颗星，但无法重新识别特定人给出的分数。差分隐私解决方案也可能将“噪声”（即随机数据）注入数据集或模型中，以保护个人隐私。

鉴于我们收集的数据的数量和敏感性，差分隐私对金融机构来说尤其具有前景。该技术还支持内部和外部的数据协作，因为多方可以创建一个联合数据库，以便在不暴露其敏感数据的情况下跨业务和地域生成洞察力和价值。Infosum、LeapYear和Privitar等初创公司提供的解决方案利用差异隐私来帮助企业汇总和提供对敏感数据的访问，而不会危及客户隐私。

.多方计算

多方计算 (MPC) 使用密码学来帮助他们之间信任有限的各方共享和分析数据，而不会泄露底层数据集。它也称为“安全计算”，它允许不同的公司通过发送既保留问题参数又保留结果的加密查询来从彼此的数据集中受益。例如，不同金融机构的金融犯罪和合规团队可以使用 MPC 安全地共享信息，同时遵守隐私和金融监管。Duality Technologies和ENVEIL等新兴初创公司提供 MPC 解决方案。

.合成数据

合成数据是一种在保护隐私的同时利用数据的相对较新且完全不同的方法。合成数据公司不是更改或保护数据，而是使用机器学习 (ML) 来分析真实数据集并生成模仿其特征和多样性的假数据。与阻止访问所有归类为“私人”的信息（例如姓名和 IP 地址）的经典数据匿名化技术不同，合成数据允许公司利用完整的数据集，提高准确性和可用性，同时帮助团队更加协作和高效地工作，因为他们知道他们使用的数据没有安全风险。

因此，合成数据对于与第三方共享数据特别有用。例如，如果一家公司想要测试一种可以预测客户流失的新技术，而不是共享真实的客户数据，它可以共享从没有重新识别风险的数据中生成的合成数据。Mostly.ai、Hazy、Datomize、Tonic和Gretel.ai等初创公司正在帮助公司做到这一点。

资料来源：花旗风险投资

基于 AI 的模型需要基于 AI 的隐私

去年，地球上的每个人平均每秒创建1.7 兆字节的数据。在这种信息的冲击下，企业越来越多地使用 AI 和 ML 技术来获取洞察力。通过扩展，他们还需要实施基于人工智能的隐私解决方案，为他们提供大规模的可用数据。在上面讨论的技术中，合成数据的独特之处在于它使用 ML 来实现这种规模并帮助公司控制隐私和实用性之间的平衡——最大化外部数据共享的数据安全性和最大化内部协作的实用性。

然而，随着数字世界变得越来越复杂，这三种技术肯定会出现用例。随着当今技术的发展，内部共享数据、与外部供应商合作以及及时评估新产品的能力将成为改进企业产品和服务的关键竞争优势。

注：本文来源于网络，仅供参考学习