T11 2019：深挖金融营销痛点，微众银行首创联邦广告与联邦推荐
11月25日,T11 2019暨Talking Data数据智能峰会于北京举办。本届T11大会以“Unlimited”为主题,邀请了全球范围内数千位知名专家学者、数据科学家以及行业数字化转型方面的领军企业共同参会,分享大数据在各行各业的技术发展、应用场景、解决方案与最佳实践,以期在实现商业价值持续增长的同时推动社会收益同步增长。微众银行AI部门副总经理郑文琛受邀出席并发表题为《联邦学习在金融营销的实践》的演讲,详解微众银行首创的联邦广告与联邦推荐营销解决方案。
图:微众银行AI部门副总经理郑文琛发表演讲
金融营销中的“数据孤岛”与用户隐私困境
在众多大数据应用行业之中,高度数据化的金融领域面对的挑战尤显突出。在本次T11大会中,微众银行AI部门副总经理郑文琛重点阐述了金融营销在利用人工智能技术革新服务的过程中面临的两大难题——即“数据孤岛”与“隐私保护”。
金融产品(如银行APP、保险、理财等产品)通常需要收集多维度的用户偏好,以此最大程度唤醒并服务用户,达到金融营销任务之一——“促活”。然而金融产品本身只有用户的存款、取款、贷款、定投等单一金融业务数据,同时由于机构间数据分散、法律政策等现实原因,金融机构与第三方机构之间的数据无法打通,即形成了一个个“数据孤岛”,导致金融产品无法获取更多维度的用户偏好。
对于金融营销另一个任务——“拉新”来说,由于金融产品的转化链路长、转化数据敏感,隐私保护成为了另一道难题。当金融机构在第三方广告平台投放产品广告时,为了优化广告投放的效果,金融机构需要向广告平台回传尽可能多的后端转化数据。一方面,在隐私保护条例的规定下,金融机构与第三方平台不能直接使用用户各维度数据;另一方面,金融机构本身对于客户数据泄露的担心,在数据回传第三方平台的选择上也十分的谨慎。这样一来用户“拉新”便难以实现。
微众银行自研联邦推荐与联邦广告,解决金融营销中的数据难题
为了解决上述金融营销中的“数据孤岛”与“隐私保护”两大难题,微众银行首次将“联邦学习”引入营销解决方案。
“联邦学习(Federated Learning)”的概念由Google在2016年提出,旨在保护用户隐私和数据安全的前提下,上传加密的模型参数进行综合训练持续优化模型。同时能够保证参与方在保持独立性的情况下,进行模型参数的加密交换,企业之间也可以以这种合理合法的方式跨越数据鸿沟,解决“数据孤岛”的问题。
“Google侧重于个人用户(C端)移动设备的联邦学习,微众银行则侧重于企业机构(B端)之间的联邦学习。”郑文琛表示,微众银行-开发出一套工业级的联邦学习开源框架——FATE(Federated AI Technology Enabler,https://www.fedai.org)。针对金融营销领域的用户“促活”、“拉新”任务所面临的挑战,微众银行近一步深化联邦学习技术,分别提出联邦推荐、联邦广告的营销解决方案。
联邦推荐针对不同的推荐场景设计加密数据模型,在FATE联邦学习高效架构的基础上,将金融机构本身的数据与丰富的第三方数据(如腾讯)进行共同建模,从而在保证用户隐私的同时实现对用户进行理财产品的高效推荐,实现用户“促活”。郑文琛表示,在联邦推荐技术的基础上,推荐的效果经验证可提升超30%。
图: 联邦推荐vs.传统推荐流程图
微众银行研发的联邦广告则通过保证使用转化数据的合规性,提升了广告投放的效果,实现用户“拉新”的任务。通过联邦广告技术,广告主可以将点击转化数据混合加噪加密后完成数据对齐,在此基础上建立转化预估模型进一步应用于广告投放。郑文琛提到,联邦广告在确保模型安全的同时还具备极简交互设计的特点,基于联邦广告技术,贷款产品的广告效率可以提升20%,而广告主的开发时间仅需要1-3天/人。
图:联邦广告流程图
“数据孤岛”与用户隐私,不仅仅是金融领域中的挑战,更是人工智能等新技术在落地社会场景、商业场景、生活场景中的共同议题之一。郑文琛表示,微众银行致力于通过提供技术,成为一个流量与资本的连接者,帮助更多企业从数据中获取商业价值,提升社会收益,打破产业边界、连接未来。
评论
评论
推荐评论
暂无评论哦，快来评论一下吧！
全部评论（0条）