案例名稱

流量預篩選模式下的用戶增長項目

案例簡介

金融機構都有線上獲客的訴求，但由于線上用戶的數據不足，跨機構的數據無法打通，以及用戶隱私安全保護的多方面原因，金融機構無法精準識別目標用戶，只能粗放的擴大線上廣告投放人群包來滿足業務發展需要。這導致線上獲客成本不斷提高，限制了金融機構的業務發展。

本項目使用藍象智聯的隱私計算GAIA平臺技術，在某銀行和某頭部互聯網公司部署了隱私計算節點并建立網絡直聯，在隱匿求交（PSI）后，共有用戶通過聯邦建模技術，篩選出轉化率較高的投放人群包，從而降低了投放總量，進而為某銀行降低了投放成本。

創新技術/模式應用

本項目是基于隱私計算技術，搭建數據共享服務平臺，支持聯邦學習和多方安全計算兩大隱私計算技術的全流程研發、部署、服務能力。

主要技術包括多方安全計算和聯邦學習等，該平臺具備隱私求交（PSI）、多方安全計算（MPC）、聯邦學習(FL)、隱私信息檢索（PIR），可以提供數據安全匹配、安全聯合計算、安全聯合建模、安全查詢等功能。

模型預測服務：支持常用的評分卡、LR、XGB等模型，并部署成模型服務，提供在線打分和預測的能力，關鍵組件包含：模型創建、發布、部署、運維、預測、日志、計價等

隱匿查詢服務：以API的方式創建并隱匿查詢服務，支持典型的應用，如：黑名單、三要素等；功能包含服務創建和發布、資產關聯、運維監控、計量計價、內外部查詢日志等

隱匿集合求交：關聯本機構內部資產和外部數據資產實現隱匿集合求交；功能包含：查詢任務創建、關聯數據資產配置、內外部查詢日志等

本項目基于藍象智聯的隱私計算產品GAIA，結合密碼學、密鑰管理、MPC協議、安全算子的架構分層，形成了平臺的安全計算引擎，在引擎之上，建立聯邦學習與MPC相關的服務。

在某銀行和某互聯網公司分別部署隱私計算節點，進行點對點直聯，數據在密文的狀態下進行建模，模型做分布式部署，模型跟著數據走，在數據不出庫的情況下，模型做分布式的回歸迭代，在模型訓練過程中，雙方只傳輸模型梯度不傳輸數據，直到模型效果達到目標性能。這也是本項目的主要難點和創新點，在明文敏感數據不出域的前提下實現隱匿求交和聯合建模，即系統的安全性。

本項目的隱私計算核心技術建立在密碼技術的基礎之上，具備完全自主可控的密碼技術，從密碼技術開始，自低向上的構建全棧的隱私計算安全計算引擎，結合數據安全、模型安全、應用安全、系統安全等傳統和成熟的技術的結合應用，形成現有安全技術架構。

項目效果評估

通過開發聯合模型，預估在Top10%的樣本上批核率提升約1.5倍（最高lift為1.7），投放后的審批通過率由10%提升至30%，獲客成本降低3倍。

在業務效果由保障的前提下，合規性是這個模式能夠持久運行的基本要求。由于在執行的過程中，最重要的是a)模型的產出、b)人群的分層和c)廣告的投放，對于行方需要盡可能最小化風險敞口去完成業務的指標。

首先對于模型的產出，考慮到《個保法》對于用戶隱私保護的要求中需要獲得用戶授權，在聯合建模環節，藍象會引入“全流程加密”技術，在psi+lr/xgb的聯邦建模環節完全不暴露交集結果，確保用戶的“去標識化”。

之后對于人群的分層，銀行無須參與，由互聯網公司的廣告投放引擎自行完成對于客戶的分層，進行的客戶分層已經涵蓋在了廣告投放端的客戶授權之中，并不會產生額外的授權要求。

最后對于廣告的投放，針對投放端已經擁有“不做個性化廣告推薦”的按鈕，滿足用戶“被遺忘權”，即《信息安全技術個人信息安全規范》，其中針對個人信息主體撤回授權同意的規范中提到：應保障個人信息主體拒絕接收基于其個人信息推送商業廣告的權利。無須做進一步的合規性保障。

項目牽頭人

項目牽頭人毛仁歆：藍象智聯算法科學家，曾任螞蟻金服芝麻信用分負責人，花唄、借唄、網商貸后智能負責人、阿里PAI圖算法負責人，撰寫并貢獻過10多個圖算法，曾發表螞蟻第一篇SCI，主導和參與累計40多篇專利。

項目團隊成員

王曉艷、伍清華、任江哲、曾成、許波、李豐、唐勛、胡靜潔

責任編輯：韓希宇