3大方案，解决「用户隐私」问题！
3081
第一项解决方案是转化API 提升测试(CAPI Lift)。由于Cookie的隐私法规和浏览器政策不断变化的情况下，企业之后可能会更难通过像素代码追踪网站事件。为了应对这一挑战，Meta特地推出了转化API，让广告主可以从服务器直接收集数据并关联至 Meta。这些数据可以助您打造个性化广告、进行优化及成效衡量，从而推动营销活动取得更佳成绩。
更可靠的数据关联：转化API从服务器直接收集数据，并不使用Cookie，因此网页浏览器的设置不会影响获取客户数据的能力。它让您能更全面地控制分享的数据，同时不易受到浏览器加载错误、连接问题和广告拦截工具等问题的影响，能够建立更加可靠的数据关联，进而有助于广告投放系统减少单次操作费用。与此同时，广告主可能会获得更多分析数据，包括有关目标受众的数据，以及Meta像素代码无法捕获的特定事件。
与 Meta像素代码配合使用，双管齐下：当用户并未在其网页浏览器上禁用Cookie时，Meta像素代码依然是有效的业务工具。我们建议将转化API和Meta像素代码配合使用，巧用这套“组合拳”收集所需数据，获得关于真实顾客的更详细、准确的互动数据分析，从而更好地对相关营销活动进行跟踪、衡量、归因和优化。
在转化API的支持下： 提升测试方案依然保持了对照组和测试组的比较，对选择加入追踪（opt in） 的用戶精确衡量，同时对选择退出追踪（opt out）的用戶也能利用归总数据，对营销活动的真实成效进行全面衡量。
隐私保护强化技术，即Privacy Enhancing Technologies (PETs)是Meta 最新推出的技术，旨在保护用户隐私，在最大限度筛选非必须处理的个人信息量的同时，向消费者展示相关的个性化广告并衡量广告的真实成效。隐私保护强化技术可以通过以下方案，将用户的个人数据转化为不会泄露隐私的数据，并通过协同作用的方案，打造个性化体验及衡量营销成效。
多方计算：通过应用多方安全计算技术，对数据进行端到端加密，在实现广告成效的同时，无需透露任何明确的个人信息。多方计算可用于支持成效衡量解决方案。
设备端机器学习：设备端机器学习（On-device machine learning）可以根据洞察在用户设备端训练算法，让广告主在不与 Meta 分享消费者个人数据的情况下，将广告展示给相关受众，而无需了解用户在其他应用和网站上的操作；可用于支持广告投放和优化解决方案。
差分隐私：差异隐私的工作原理是将经过仔细计算的随机“噪声”加入数据集，以保护原始数据不被重新识别。这种技术可以单独使用，也可以与其他隐私强化技术同时使用。
在隐私保护强化技术的支持下， Meta正在测试新的提升测试方案-隐私化提升测试。隐私化提升测试能够保持其原有提升测试的优势，同时保护用户个人数据和隐私选择。
第三项解决方案是新一代营销组合模型，即Marketing Mix Modelling（MMM），利用监督式机器学习的方式，通过多变量的归因模型来建立不同营销活动和业绩之间的关联性。由于营销组合模型以汇总数据为基础进行衡量，因此并不会触及消费者的个人隐私数据，同时又能提供可行性高的宝贵洞察，帮助企业进行更为明智的营销决策。
事实上，营销组合模型一直深受快消行业与零售行业营销人员的青睐，然而这种基于多年稳定数据的建模方法在过往一直被认为不适合复杂多变的数字营销时代。如今新式的营销组合模型方案已经顺应时代趋势进行变革，显著缩短观察数据的时间范围、大幅增加数据输入量、频次和颗粒度，使用半自动化可持续跟踪的MMM工具，适应电商、科技、游戏等效果类企业的需求。在消费者隐私受到高度保护、以往各类数据获取方式严重受限的大环境下，新一代营销组合模型将能发挥前所未有的强大作用。
数据观察时间大幅缩短：随着半自动化的MMM工具以及SaaS解决方案的诞生，营销组合模型的数据观察时间得以大幅缩短，我们在短短几周内便能得到可行性高的相关洞察。
可有效进行规模化推广：借助MMM SaaS工具，我们得以提高成本效率，将建基于相关洞察的最佳实践进行规模化推广，让拥有多个产品线、业务范围遍及多个国家的企业能够标准化其营销成效的衡量策略，取得更佳业务成效。
利用开源代码，自建MMM模型：广告主还可以利用开源代码，根据自身企业的具体情况、营销活动及业务需求建立MMM模型，获得更高的自主性和灵活度。
