隐私计算在智能营销中的应用.docx

隐私计算在智能营销中的应用.docx

《隐私计算在智能营销中的应用.docx》由会员分享，可在线阅读，更多相关《隐私计算在智能营销中的应用.docx（2页珍藏版）》请在冰豆网上搜索。

隐私计算在智能营销中的应用

隐私计算在智能营销中的应用

近年来，基于大数据和人工智能技术的各项应用已经走进我们生活的方方面面，数据作为其中的基础性生产要素和战略性资源，在生产生活中扮演着越来越重要的角色。

与此同时，随着技术发展的不断深入和应用领域的不断拓宽，也逐渐面临一些亟待解决的问题。

一方面，单一、少量的数据逐渐不能满足数据应用的需求，只有数据跨部门、跨业务、跨企业、跨地区的融合应用才能支撑和推动数字经济创新发展。

另一方面，数据安全和隐私保护的关注度越来越高，数据应用是否合规决定了整个产业发展的可持续性。

为解决上述问题，隐私计算技术受到了金融机构、政府部门、高校研究机构等各行业的广泛关注。

2021年以来，隐私计算技术在不同场景的预研、验证、落地应用进程明显加快。

本文以智能营销的场景为例，研究了隐私计算技术与银行业务融合应用的实现方案，总结了目前遇到的问题和未来的发展方向。

传统智能营销建模现状与问题

以理财推荐模型为例，在传统的智能营销场景下，目标是提高理财产品的点击率，若客户点击了推荐的产品则为正样本，没有点击则为负样本。

然后通过数据清洗和特征工程，为机器学习模型准备好训练数据，训练完成后即可投产上线。

这其中产生的问题在于，无论如何优化算法层面，模型的预测效果很大程度上还取决于参与训练的数据数量与质量，而目前智能营销模型所能使用的数据是十分有限的。

在传统场景下，参与模型训练的数据，无论是客户的手机银行APP行为数据，还是客户的资产、交易、风险数据，都是在银行系统内产生的数据。

银行很难获取客户在其他金融机构产生的数据，例如客户在其他金融机构的资产、持有产品信息、交易信息等。

此外，无论是从保护客户隐私，还是数据应用符合监管要求的角度出发，银行将越来越不可能允许自己的数据出域，脱离自己的管控。

同理，其他公司或机构在涉及数据出域的合作中，也会更加审慎。

基于以上两点原因，目前传统智能营销面临的主要矛盾是，数据应用对大规模、高质量数据的需求和数据跨机构流通越来越困难之间的矛盾。

隐私计算技术是目前能够很好解决该问题的方案。