案例名称

流量预筛选模式下的用户增长项目

案例简介

金融机构都有线上获客的诉求，但由于线上用户的数据不足，跨机构的数据无法打通，以及用户隐私安全保护的多方面原因，金融机构无法精准识别目标用户，只能粗放的扩大线上广告投放人群包来满足业务发展需要。这导致线上获客成本不断提高，限制了金融机构的业务发展。

本项目使用蓝象智联的隐私计算GAIA平台技术，在某银行和某头部互联网公司部署了隐私计算节点并建立网络直联，在隐匿求交（PSI）后，共有用户通过联邦建模技术，筛选出转化率较高的投放人群包，从而降低了投放总量，进而为某银行降低了投放成本。

创新技术/模式应用

本项目是基于隐私计算技术，搭建数据共享服务平台，支持联邦学习和多方安全计算两大隐私计算技术的全流程研发、部署、服务能力。

主要技术包括多方安全计算和联邦学习等，该平台具备隐私求交（PSI）、多方安全计算（MPC）、联邦学习(FL)、隐私信息检索（PIR），可以提供数据安全匹配、安全联合计算、安全联合建模、安全查询等功能。

模型预测服务：支持常用的评分卡、LR、XGB等模型，并部署成模型服务，提供在线打分和预测的能力，关键组件包含：模型创建、发布、部署、运维、预测、日志、计价等

隐匿查询服务：以API的方式创建并隐匿查询服务，支持典型的应用，如：黑名单、三要素等；功能包含服务创建和发布、资产关联、运维监控、计量计价、内外部查询日志等

隐匿集合求交：关联本机构内部资产和外部数据资产实现隐匿集合求交；功能包含：查询任务创建、关联数据资产配置、内外部查询日志等

本项目基于蓝象智联的隐私计算产品GAIA，结合密码学、密钥管理、MPC协议、安全算子的架构分层，形成了平台的安全计算引擎，在引擎之上，建立联邦学习与MPC相关的服务。

在某银行和某互联网公司分别部署隐私计算节点，进行点对点直联，数据在密文的状态下进行建模，模型做分布式部署，模型跟着数据走，在数据不出库的情况下，模型做分布式的回归迭代，在模型训练过程中，双方只传输模型梯度不传输数据，直到模型效果达到目标性能。这也是本项目的主要难点和创新点，在明文敏感数据不出域的前提下实现隐匿求交和联合建模，即系统的安全性。

本项目的隐私计算核心技术建立在密码技术的基础之上，具备完全自主可控的密码技术，从密码技术开始，自低向上的构建全栈的隐私计算安全计算引擎，结合数据安全、模型安全、应用安全、系统安全等传统和成熟的技术的结合应用，形成现有安全技术架构。

项目效果评估

通过开发联合模型，预估在Top10%的样本上批核率提升约1.5倍（最高lift为1.7），投放后的审批通过率由10%提升至30%，获客成本降低3倍。

在业务效果由保障的前提下，合规性是这个模式能够持久运行的基本要求。由于在执行的过程中，最重要的是a)模型的产出、b)人群的分层和c)广告的投放，对于行方需要尽可能最小化风险敞口去完成业务的指标。

首先对于模型的产出，考虑到《个保法》对于用户隐私保护的要求中需要获得用户授权，在联合建模环节，蓝象会引入“全流程加密”技术，在psi+lr/xgb的联邦建模环节完全不暴露交集结果，确保用户的“去标识化”。

之后对于人群的分层，银行无须参与，由互联网公司的广告投放引擎自行完成对于客户的分层，进行的客户分层已经涵盖在了广告投放端的客户授权之中，并不会产生额外的授权要求。

最后对于广告的投放，针对投放端已经拥有“不做个性化广告推荐”的按钮，满足用户“被遗忘权”，即《信息安全技术个人信息安全规范》，其中针对个人信息主体撤回授权同意的规范中提到：应保障个人信息主体拒绝接收基于其个人信息推送商业广告的权利。无须做进一步的合规性保障。

项目牵头人

项目牵头人毛仁歆：蓝象智联算法科学家，曾任蚂蚁金服芝麻信用分负责人，花呗、借呗、网商贷后智能负责人、阿里PAI图算法负责人，撰写并贡献过10多个图算法，曾发表蚂蚁第一篇SCI，主导和参与累计40多篇专利。

项目团队成员

王晓艳、伍清华、任江哲、曾成、许波、李丰、唐勋、胡静洁

责任编辑：韩希宇