金融行业拥有海量的高质量数据，同时存在部门之间、企业之间以及跨行业的数据共享需求，如何在保护隐私、保证数据不被泄露的情况下满足数据共享需求，目前来看，布局隐私计算是最优解。在金融机构管理提升、智能营销、智能风控等场景，隐私计算都可发挥有效作用。
金融机构数据共享的意义
数据作为国家基础性战略资源和关键生产要素，是经济社会发展的基础资源和创新引擎。金融行业作为数据的密集型和科技驱动型行业，实现数据资产的优化配置，是促进产业升级的关键因素。但金融数据普遍存在数据分布不均衡和数据信息不对称等问题，导致数据无法充分发挥其价值。数据共享机制能够打破数据壁垒和垄断，成为未来金融业发展的趋势和方向。
金融机构通过数据共享可以全面掌握客户的信息和需求，制定全面且精准的智能风控、智能营销，以及智能运营策略，为企业最大限度降低风控成本、带来更大的经济效益。同时，也有助于为用户选择定制化金融服务，提升客户体验。数据共享不是一蹴而就的，在数据流通和共享过程中，面临着诸多问题有待解决，主要包括数据权属不明确、确权手段尚缺乏，数据定价标准不统一、激励机制不健全、数据隐私易泄露、数据安全难保障，数据流通能力弱、数据汇聚效果差等。制定合理的数据共享规范，利用技术手段解决数据确权和数据安全等问题，对于推动数据安全共享、金融业高质量发展，具有重要的战略意义。
数据共享与隐私计算
目前国内大数据市场发展迅速，数据要素对经济的重要性明显提升。国家对数据监管制定的法律法规趋向严格化和全面化，2021年3月人民银行印发《金融业数据能力建设指引》行业标准，确立规范数据使用、用户授权、安全合规、分类施策、最小够用、可用不可见等规则。《数据安全法》提出国家对数据实行分级类保护、开展活动必须履行数据安全保护义务承担社会责任等。
数据的安全共享呼吁创新技术的支持，隐私计算技术可以在保证数据安全的情况下实现数据“可用不可见”，并且可以通过授权机制保证数据所有者的权益，在满足隐私保护的前提下实现数据价值变现，促进数据要素安全流通，为激活数据要素市场流动性提供了安全可靠的解决方案。隐私计算技术的发展还处于技术萌芽期，但是Gartner预测今年隐私计算将达到千亿市场规模，未来基于隐私计算的数据共享模型将得到迅速发展，成为数据安全共享的主要技术支撑。预计到2025年，全球将有一半的大型企业机构应用隐私计算技术于处理数据。
目前隐私计算技术的典型应用主要聚焦在金融和医疗等领域。在金融领域，隐私计算技术为跨机构、跨企业的数据安全共享和联合建模提供了有力的技术支撑，实现企业和机构间的智能风控、协同营销以及联合统计等应用，协助提升企业和机构的风控能力以及精准营销策略。
管理提升应用场景
大型金融控股公司中，各金融企业的用户信息常常是分散的。这些用户信息可能存在重叠部分，也就是说不同金融企业之间拥有共同的客户。对不同企业间用户信息进行脱敏合规的统计，有助于挖掘更多的管理价值。例如，统计并分析用户在集团的总资产信息，能够帮助集团联合银行、保险、证券等业务设计整体营销方案的同时，为用户提供个性化推荐服务，不仅降低了集团的运营成本还提升了用户体验，实现集团和用户间的双赢。
对于跨机构数据统计问题，在传统的方案中，金融控股公司通常会建立一个大型的数据中心，各金融企业将数据上传至数据中心，最终由数据中心对汇总后的数据进行统计。但是随着社会对用户隐私问题的重视程度逐渐提升，同时由于金融行业的特殊性，各级立法和监管机构出台多项法律法规和监管规定，加强对个人金融数据隐私的保护力度，传统的跨机构统计方法已无法满足对个人金融数据隐私保护的监管要求。基于隐私计算技术可以在保证数据传输的安全性和可靠性的同时，管理和审计涉及多方交互的数据，在合法合规的前提下实现跨机构数据统计。
智能风控应用场景
智能风控主要是指结合大数据和智能化技术对金融领域的贷前、贷中、贷后业务流程进行风险管控。由于平台的多元化，用户的借贷方式和消费模式也呈现了多样性。因此，风控模型的构建需要涵盖多个平台的数据。
例如在贷前的反欺诈场景，金融企业可结合电商消费、互联网支付、金融业务属性，以及历史行为轨迹等数据，进行多维度信息综合判断，精准地寻找潜在欺诈客户。此外，还可以通过征信信息、社保信息、纳税情况等获取用户的信用分等资产指标信息，辅助金融企业进行贷前精准判断。在贷中交易阶段，相关机构可以先通过结合不同平台用户的个人基本信息、职业信息、收入信息等联合建模得到高性能的风险定价模型。然后放贷机构根据智能信用评分、风控定价模型，以及申请贷款者的交易行为和设备使用行为等各方面关键信息进行交叉侦测，自动化识别和评估风险，提前发现风险，防范和控制欺诈交易等贷中风险威胁。贷后是信贷管理的最终环节，也是促进信贷业务健康发展的必要因素。通过数据共享进行贷后管理，对借贷人的行动轨迹和消费情况等信息进行实时的监控。另外，还可以通过多平台信息交互，根据预警规则和贷后行为评分卡解析借款人偏好倾向，有效维护优质客户和管理高风险客户，实现贷后管理差异化，减少成本消耗，提高资源配置效率。
数据共享在智能风控的应用主要体现在保障数据隐私安全的前提下利用各机构和平台的数据进行联合构建风控模型，提升模型性能，有效降由于数据缺失和偏差导致的风险事件发生概率，同时扩展业务覆盖人群、完善业务流程、促进风控管理差异化和信贷业务精细化。以某银行个人消费贷款申请评分模型为例，该产品的特点是全线上、无抵押，主要用于满足客户购车、旅游、留学等多方面的用款需求。在风控审批中，该银行可用的数据有客户在行内留存的个人信息以及查询客户的信用分数据，但如果客户为银行新户时，则没有足够的行内数据可以参考，亦或客户属于征信白户，此类客户很难对其信用水平进行准确评估。针对这类情况，可以引入外部公司数据通过隐私计算技术进行建模，利用运营商通话标签数据为客户增信，提升模型的预测能力。
智能营销应用场景
数据共享在智能营销（策略优化）方面也能够起到弥足轻重的作用，主要通过构建更加完善的用户画像和产品画像实现用户和产品之间的个性化匹配，为企业带来最佳推荐转化。通过数据共享还可以发现产品的缺陷，进而制定合理的优化方案。随着新冠肺炎疫情防控形势的严峻复杂，以及线上渠道获客的趋势，“零接触”营销服务的重要性和必要性愈发突出。在此种营销模式下，通过刻画全面的用户画像和产品画像来实现高效定制化的营销策略将是为企业赢得市场的重要手段。精准的用户画像和产品画像是智能营销的支撑，只有在此基础上，营销策略才能更好地发挥其作用，为用户选择合适产品，为企业带来利益。
构建用户画像的数据包罗万象，包括信用属性、消费特征、社交属性、语言信息等。每一种或者多种信息都可以提取出用户的某些个性化特性。为了获取更加全面的数据，刻画精准的用户画像，需要利用数据安全共享手段得到用户的相关信息。如可通过数据共享从用户的收入、职业、所属行业、信用评分、资产情况、单位经济，以及违约等信息中获取用户整体的收入和支付能力，进而根据用户的信用能力和购买力等信息确定推荐给用户相应价值范围的产品。另外，通过用户在不同平台的消费习惯和消费偏好，可依据客户消费特点定制化的推荐产品和服务。此外，根据用户在社区、论坛等社交网络的信息，可以分析出用户的近期消费倾向，作为产品推荐的阶段性参考因素，阶段性优化用户画像，提高转化率。
除了用户画像，数据共享在产品画像上也可以发挥了巨大的价值。数据共享在产品画像的应用主要是指联合分析金融产品在各平台的资产配置、购买和盈利情况，以及风险和收益评估等信息构建健全的产品画像，然后根据用户信息匹配相应的产品。
总结与展望
数据共享能够给金融领域带来巨大的变革，涉及的范围包括银行、证券、金融科技公司等，但目前数据共享仍然面临诸多挑战和困难，比如数据权属不明、定价不统一、隐私易泄露以及流通能力弱等，使得共享进程缓慢。数据共享已经引起各企业和政府的重视，通过数据共享可以为企业降低风控成本，带来更多利益，且可以激发出更多的商业模式和孵化更多具有竞争力的产品。另外，实现跨部门、跨政府和企业间的数据共享开放对政府推动数据治理体系和实现我国数字经济发展具有重要的意义。
隐私计算技术已经成为解决数据安全流通的重要手段，且在一定程度上促进了数据的安全共享。虽然目前隐私计算产业的发展还处于较为早期的阶段，并且面临着诸多问题，如技术瓶颈、落地困难以及人才匮乏等；但是在政策的驱动和市场的强烈需求下，隐私计算行业将迎来蓬勃发展的阶段。
近两年来，国内数家企业已经涌入隐私计算领域，打造隐私计算生态体系，构建产业相关联盟，并着力解决隐私计算技术瓶颈和落地效果。这些企业在隐私计算领域已经提交了多项发明专利申请，同时基于数字化的协同场景推动技术落地，并为激活数据要素市场流通性提供安全可靠的解决方案。数据要素高效流通对经济发展和国家治理将会产生革命性的影响，有效的数据价值共享能够在企业转型过程中发挥深层的作用，数据共享也将是数字经济向纵深发展的必由之路和必然选择。
来源：金融科技实战