普惠金融的发展离不开信用体系的建设。截至目前,人行征信报告是部分普惠金融企业对借款申请人进行判断的重要手段。中国人民银行征信中心建设的一代征信系统于2006年正式运行,通过采集、整理、保存、加工企业和个人的基本信息、信贷信息和反映其信用状况的其他信息,建立企业和个人信用信息共享机制。
截至2020年11月,11亿自然人、6000万户企业和其他组织的信息已被征信系统收录。
然而人行征信收录自然人中有较为充分的贷款记录的人数仅为5亿人不到。随着消费金融客群的逐步下沉,传统的风控体系无法满足众多无人行征信人群的信贷需求。
三方数据市场在信贷市场的作用自然是被业内人士肯定的,但也是随着蓬勃发展的同时因监管的一纸令下而踩下刹车。看看这一两年在数据监管层面,重大事件如下:
2020年12月:第三块个人征信牌照下发、鹏元被罚
2021年01月:二代征信系统正式
切换上线、《征信业务管理办法(征求意见稿)》下发
2020年02月:中国人民银行发布了《个人金融信息保护技术规范》
2021年03月:央行印发《金融业数据能力建设指引》
2021年09月:中国人民银行发布《征信业务管理办法》,未来助贷业务征信“断直连”势在必行
2021年11月:《个人信息保护法》正式实施
合规是大数据应用的趋势!
很明确,数据行业进入全面整顿,特别是涉及到个人隐私查询的项目全部下线。在断直连以及个人信息保护法相继出台后,对金融科技、现金贷等行业造成极大影响。也因此数据蓝海的新模式:隐私计算在近几年也异军兴起。
关于隐私计算,网络相关的信息也比较多:
在此不过多介绍隐私计算基础概念。
市面上最常见的隐私计算技术——联邦学习
而且关于隐私,在不同平台,叫法都不同:
微众银行:“联邦学习”–基本参考谷歌架构;
蚂蚁金服:“共享学习”–同时包含MPC与TEE两条路线:
平安科技:“联邦智能”–在联邦学习的基础上,增加数据联盟和联邦推理业务;
当然,目前隐私计算目前而言,问题不少,诸如数据安全需要端到端的全流程防护,从客户授权、采集、加工、融合、应用的全流程,都是需要防护的。如果仅仅只在某一个环节应用隐私计算技术,而其他环节仍然明文来往,则没有达到实质上的效果。并且目前的隐私计算方案,大多集中在数据的融合环节,针对不同数据所有方的数据,在融合时确保数据可用不可见,但是在其他环节很少涉足,也缺少相应的方案。而且最重要的是目前而言,隐私计算在客户层面跟监管上,因技术的复杂性都显得解释困难,自证是难点。
虽然隐私计算仍存在不少问题,但是其仍然是大势所趋,也是业内普遍认同的观点,而且目前在实际的落地场景中,我们也欣喜看到其落地已有以下场景。以下为番茄风控本次更新干货内容:
联邦学习的几大落地场景——
场景一:联邦学习平台&银行&运营商
•案例背景:为某银行信用卡补足数据的用户画像标签,支撑包括理财、私行、银行卡、零售等在内的各类场景应用,在信用卡提额场景中,基于隐私求交技术,实现人群智能圈选下,保护双方用户ID。
•合作过程:通过隐私求交,获取、对齐双方共有客户,同时保证双方交集之外的用户互不泄露;最后通过联邦学习,完成建模任务,交互过程中仅仅交换加密参数及中间计算数据,达到对双方原始数据的保护。
图1:隐私计算建模过程
图2:隐私计算的数据标签识别
场景二:多方安全平台&银行&政府
•合作场景:某国有省分行与某省大数据局通过多方安全平台,实现金融数据与政务数据的加密交互共享,进一步发挥公积金、社保等政务数据的价值
…
~原创文章
end