数牍科技自主研发的隐私计算平台覆盖全面的隐私计算场景需求，应用安全多方计算、联邦学习、同态加密、可信执行环境等隐私计算技术，在保护数据安全和用户隐私的前提下，为不同机构提供多方数据的分布式数据融合、联合建模和数据使用。

成果名称：基于隐私计算技术的保险行业存量营销应用

成果单位：北京数牍科技有限公司

当今社会，无论是简单的数据统计分析，或者是AI模型开发，都需要用到数据作为原始材料，大数据在推动经济发展，促进社会治理和公共管理方面，起着重要作用。基于此，数牍科技自主研发的隐私计算平台覆盖全面的隐私计算场景需求，应用安全多方计算、联邦学习、同态加密、可信执行环境等隐私计算技术，在保护数据安全和用户隐私的前提下，为不同机构提供多方数据的分布式数据融合、联合建模和数据使用。该方案完成了基于分布式的联合建模的落地，实现了多方共享数据但又无需汇集或交换各方原始数据的理想效果，为促进大数据共享和使用和将数据变现为价值找到可行之路。

在此案例中，数牍科技基于隐私计算技术，为保险合作公司与保险公司赋能基于双向隐私保护的数据协作，支撑其大数据能力底座的构建，数牍科技为保险公司与通信运营商提供了基于隐私计算的数据协作方案。

在运用隐私计算技术进行数据协作之前，保险公司与通信运营商存在多个数据隐私保护层面的痛点，保险公司和通信运营商均存在隐私保护的需求。保险公司不希望自身客户ID数据和成功转化用户有被留存和反向查询的可能，通信运营商也希望在满足业务前提下，数据不出门。

数牍科技提供基于隐私计算的数据协作方案，帮助该保险公司与通信运营商实现了基于多方数据安全协作下的保险存量客户运营应用，保险公司通过通信运营商的身份证号—手机号关联图和用户画像标签，建立了保险意向人群的定位和挖掘模型。  

首先，数牍科技帮助双方通过隐私保护集合求交技术对双方用户ID（本合作中为身份证号）的隐私保护。匹配后仅保险公司可知道匹配的用户，通信运营商无法留存或反推出用户身份，仅当保险公司明确了需对某用户建立触达后，双方完成ID信息的交互，解决了保险公司的ID泄露顾虑。

其次，数牍科技通过联邦学习技术，成功将保险公司的历史成功投保标签和通信运营商的用户画像标签结合到一起，建立了基于纵向联邦学习的保险意向模型，在双方不交互原始数据的前提下，实现了数据价值的交叉挖掘。

从应用效果来看，数牍科技通过隐私计算技术帮助保险公司与运营商建立的隐私购险兴趣挖掘模型，在对既有人群数据中的评估中，模型评分前50%人群购险率达到了原有表现的1.8倍。

数牍科技还帮助保险子公司与母公司数据安全形式共享等，在保护用户隐私及数据方用户信息可用不可见的前提下，拓宽数据样本量及数据维度，帮助保险行业客户实现存量客户高效触达，支持客户输出画像标签的精准预测，极大地提高用户转化率。目前，数牍科技已帮助多家政府机构、央企、国企及大型互联网公司实现机构间数据合作的落地。在广告营销、风控反欺诈、反洗钱、数据交易所、智慧城市等场景，帮助政府间和企业间完成安全隐私的数据协作。