案例名称

基于隐私计算的联合数字营销实践

案例简介

(资料图)

面对联合数字化营销过程中的数据提供方、流量提供方、流量需求方在合规方面的诸多难点，中科柏诚联合各合作伙伴建立了战略合作伙伴关系，中科柏诚作为技术提供方和咨询顾问方提供基于隐私计算技术的综合数字营销解决方案。在保证数据私密合规使用的前提下，保障数据的所有权不转移和使用权细分可控，平衡数据安全和流通价值，实现可信营销。

创新技术/模式应用

合作方角色及分工介绍

中科柏诚：技术提供方，数字化营销方案咨询顾问；

数据提供方：基于其自身业务积累的海量数据，提供用户营销价值评估、用户风险评估能力；

流量提供方：主营业务积累海量用户，有用户授权，可为其注册用户推荐流量需求方的产品；

流量需求方：主营业务为金融信贷产品，有引流获客需求；

在充分分析业务场景和数据资产的基本情况后，拟定了整体联合营销阶段性目标和计划，共分为两个阶段，具体如下：

阶段一：多方安全对齐技术助力联合营销冷启动

中科柏诚联合数据提供方、流量提供方、流量需求方进行复合式的多方安全对齐。

在联合营销初始阶段，往往出现缺乏营销建模样本，难以直接采用机器学习算法实现联合建模，因此采用复合式的多方安全对齐进行联合营销的冷启动。此阶段借助于数据提供方的已有营销模型的预测结果作为多方安全对齐的对齐条件进行三方数据的对齐，获得满足流量需求方营销条件的交集数据。此外在多方安全对齐的基础上叠加实现对某一方数据的安全求补功能，以达到在交集的基础上去除流量需求方的已有用户，筛选出高质量的营销新用户。

本阶段以隐私计算为基础，为不同机构提供多方数据之间的分布式数据融合服务。

具体操作步骤如下：

第一步，数据提供方、流量提供方、流量需求方按照隐私计算协议规定的格式，独立准备数据，所有原始数据仅由数据拥有方持有，分别部署于各自的隐私计算节点中。

第二步，基于三方的全量数据，利用隐私计算中的复合式安全对齐技术，获得符合营销条件的交集。营销条件包括：

营销模型评分80以上；

风险模型评分65以上；

有流量提供方的营销授权；

非流量需求方的存量用户；

第三步，基于筛选出高意向客户后，通过AI智能营销渠道进行投放，收集投放效果数据进行分析，并更新整体解决方案。

阶段二：联邦学习技术赋能精准营销迭代优化

中科柏诚基于隐私计算平台，迭代优化营销模型和风险模型。在联合营销业务启动后，经过多轮“阶段一”的联合营销，积累出多方营销联合建模的样本数据。此阶段的重点是通过投放后收集的结果数据建立联邦模型，再通过联邦模型筛选出更精准客群进行营销。

方案具体操作步骤如下：

第一步：收集第一阶段投放结果数据，定义标签数据。三方各自提供训练样本数据集，流量需求方提供标签数据，数据提供方提供入模特征数据。

第二步：基于联邦学习技术三方进行模型训练，模型更新的信息通过安全加密计算和对方进行整合更新。该过程可以保障原始数据在不出库的前提下完成多方复杂运算。同时，隐私计算技术的引入可以保护中间计算结果的同时，保证模型精度。

第三步：三方分别上线模型，流量需求方根据联合模型和预测结果，对客户进行有效的分层体系，并采用对应的跟进模式。这极大的提升了分层模型的预测精度，提升了客户数据的利用效率和价值，降低了获取客户的成本。

该解决方案符合流量提供方对核心客户数据保护的诉求，又通过建立打通数据孤岛的数据交互方案，筛选出高价值用户线索，提升了企业运营效率。

项目效果评估

解决了在精准营销场景下数据合规使用的业务痛点

流量提供方在主营业务中积累了大量授权用户，有流量变现需求。但无法对用户进行有效的需求和风险识别；直接营销的话，成本巨大，覆盖不了收益。通过本方案，流量提供方实现了在充分保障用户隐私的前提下的ROI最大化，三方共赢。

效果数据

“阶段一”中，中科柏诚联合各合作方进行复合式的多方安全对齐后得到了10W的高意向低风险的目标用户，在进行营销投放后，响应率较之前的传统营销方式提升了近5倍。

项目牵头人

张秋 运营中心总监

项目团队成员

张秋 运营中心总监

岳洪宇 运营总监

金美兰 风控总监

徐东 技术总监

王钊 产品经理

杨亚萍 运营经理

责任编辑：方杰