苏州银行李伟：银行数字化转型中的隐私计算

银行数字化转型中的隐私计算在大数据时代，数据的高效连接与利用推动了社会运转效率的提升，但同时也带来了个人隐私安全的挑战。对于银行业而言，如何在保护客户隐私的同时合法合规地使用数据，成为数字化转型中的关键问题。隐私计算技术作为一种在不传递原始数据的前提下实现数据计算与应用的技术集合，为银行业提供了解决方案。隐私计算技术发展现状隐私计算的定义可概括为在不传递原始数据或保护原始数据的前提下，实现数据的分析、计算、应用的一类技术集合或体系。它并非具体的算法或软硬件技术，而是综合性的系统方案，目标是在保护数据隐私的同时发挥数据价值。目前，隐私计算技术仍处于初期阶段，预计还需5～10年才能达到成熟可用的技术状态。银行业隐私计算应用现状随着《数据安全法》和《个人信息保护法》的实施，银行数据安全要求提高。各银行高度关注隐私计算技术，围绕客户营销、风险管理、监管合规等领域开展应用实践。例如，多方安全计算金融应用技术规范等政策标准的出台，促使银行在这些领域积极探索隐私计算的应用。打造银行业数据要素流通新方式在强监管要求下，金融业传统的数据流通方式面临挑战。传统数据包及API模式存在多重数据泄露风险，且提供的数据难以满足银行需求。2022年1月，中国人民银行印发《金融科技（FinTech）发展规划（2022-2025年）》，提出在保障安全和隐私前提下推动数据有序共享与综合应用。隐私计算技术可实现数据不出私域情况下的隐私保护和价值挖掘。隐私计算赋能银行数字化转型在银行传统风控和营销模型中，客户数据安全保护采用子模型加总模型的智能决策建模方法。而约30%的金融机构已开始隐私计算的POC或实践，约61.5%的金融机构计划在2022年开启实践。通过隐私计算技术，银行可接入多方数据，使数据模型更真实全面，实现全周期客户管理，提升模型效果。具体体现在：新客营销：通过多方数据融合，更精准地识别潜在客户，制定个性化的营销策略，提高营销成功率。存客经营：深入了解客户需求和行为，提供更贴心的产品和服务，增强客户粘性和忠诚度。反欺诈：联合内外部数据，更准确地识别欺诈行为，保护银行和客户的资金安全。风险监控：实时监测客户风险状况，及时调整风险策略，降低信用风险和欺诈风险。资产定价：基于更全面的客户数据，进行更合理的资产定价，提高银行的盈利能力。隐私计算对银行的影响强监管下，隐私计算成为业务转型刚需：中国已形成包括民法、刑法及单行法在内的法律框架体系，各类数据治理政策不断颁发。这使得个人隐私保护成为持续稳定的市场需求，数据价值挖掘和个人隐私保护成为并行兼顾的社会目标，隐私计算成为刚需。利用数据资源，提高银行运营效率：银行受自身数据单一限制，迫切需要跨行业、跨机构数据融合。隐私计算可有效联合银行内外部数据，在保护客户数据安全基础上，更清晰描绘客户画像，识别客户风险等级，减少信用风险、欺诈风险、反洗钱风险等，同时在客户营销方面实现精准分层定价和精准营销。新的技术带来新的业务机遇：数据掣肘使银行在与平台合作时受制于人。隐私计算发展使银行可在合规安全前提下，与移动运营商、政务平台等多方展开数据合作，打破数据壁垒，取得竞争优势。隐私计算的案例实践银行与移动运营商围绕信用类消费贷款及收入预测模型两个场景开展建模，采用纵向联邦方式。样本及Y标签由银行提供，X变量由运营商提供，包括上网行为、App使用情况等特征。先在行内环境搭建联邦学习平台，上传行方样本及Y标签数据，与运营商数据对接撞库，数据覆盖度达80%左右。通过两方撞库匹配数据，在平台内使用封装好的算法包进行可视化拖拉拽建模。验证表明，在两个场景中隐私计算均取得良好效果，形成有效模型测算。隐私计算应用的挑战行业技术标准缺失：隐私计算技术高速发展，全新算法和应用不断涌现，国内外在隐私技术和行业标准方面存在空白，缺乏权威性规范和认证机构，评估技术方案合规性和未来潜在技术风险成为痛点，影响银行应用隐私计算共享、输出数据的积极性。不同技术方案的兼容性成为隐忧：较多互联网公司进入隐私计算行业，但开发平台多为异构闭源平台，技术原理差异导致跨平台无法互联互通。这增加了银行系统重复建设费用和运维成本，同时对行内系统安全监管带来挑战。数据联盟迫在眉睫：隐私计算应用本质是数据要素流动，脱离高价值数据源和有价值应用的隐私计算技术不具备产业价值。构建完善的数据要素交易市场和良性数据生产消费生态系统是隐私计算参与方需要思考的问题。银行业需联合同业金融机构和跨行业机构形成数据要素联盟。坚实的IT基础建设是必需：银行隐私计算改造面临系统架构复杂、成本高、效率低等问题，对科技部门要求较高。需评估技术原型或产品的安全性和合规性、新技术在业务快速增长情况下的实用性，推进隐私计算技术平台部署，抽调足够资源支撑应用开展，与参与方打通基础网络实现安全合规高效互信通信。隐私计算