Differential privacy & marketing analytics

Differentiële privacy & marketing analytics

Consumenten worden zich steeds meer bewust van privacy, wat heeft geleid tot de invoering van privacywetten door regelgevende instanties. Deze wetten vereisen dat analisten hun aanpak van marketing analytics heroverwegen en een balans vinden tussen privacy en datakwaliteit. Differentiële privacy, een wiskundige definitie van privacy, is de standaard om deze balans te bereiken. In dit proefschrift onderzoekt Gilian Ponte deze balans in de context van datacollectie, -beheer en -analyse.

De eerste studie presenteert een privacy vriendelijke dataverzamelingsmethode. In een simulatiestudie vindt Ponte dat een toename van privacybescherming geen invloed heeft op de geaggregeerde inzichten, maar wel extra onzekerheid introduceert. Hij identificeert hoe deze onzekerheid afhangt van de steekproefomvang, antwoordopties en privacy risico. Uit een veldstudie vindt hij dat de voorgestelde methode ervoor zorgt dat consumenten minder privacy zorgen hebben.

De tweede studie introduceert een privacy aanval waarmee Ponte vindt dat veelgebruikte databeschermingsmethoden zonder differentiële privacy onvoldoende privacy garanderen. Daarom stelt hij een raamwerk voor dat data genereert met privacy garanties. In tegenstelling tot de GDPR-richtlijn om dataverzameling te minimaliseren, vindt hij dat klanten hun privacy risico’s kunnen verminderen door zich te mengen in een grote menigte: een “Waar is Wally” effect.

De derde studie presenteert twee privacy vriendelijke targeting strategieën: de eerste schat het causale effect van een targeting interventie en de tweede randomiseert de targeting beslissing. In simulatiestudies visualiseert Ponte de afweging tussen privacy en winstgevendheid. In een veldexperiment past hij beide strategieën toe en vindt dat de voorgestelde strategieën meer winst genereren dan een bedrijf zijn heuristiek voor targeting.

Proefschrift: https://hdl.handle.net/11370/746f6d90-fe2a-4b70-9a88-dad111eb79af