案例｜隐私计算在文娱和汽车行业的应用实践

jmartincufre

开放隐私计算



Convertlab
通过云端SaaS服务，帮助企业落地数据驱动的「数智化营销」，以融合“营销技术”和“运营艺术”为特长，实现企业精细化营销管理，并通过AI应用，实现企业AI大模型应用最后一公里，带来跳跃性业绩增长……
越来越多的企业在精细化运营过程中，希望可以借助更多外部数据源的能力，来获得更多维、更准确、更新鲜的用户画像，从而达到千人千面的精细化运营。
但随着个保法等多项法律条规出台，用户对个人信息的保护愈发重视。
如何在合法合规的前提下，安全高效地融合多方优质的数据能力和服务来帮助企业数字化建设快速冷启动，或者增强企业数据能力和洞察，成为了企业面临的严峻挑战，「隐私计算技术」也应运而生。本文我们聚焦实战业务，从Convertlab在文娱行业和汽车行业的场景案例，分析隐私计算的应用过程。


基于三方数据的品牌热度监测与分析
品牌客户往往有多种产品或多条业务线，不同的产品所对应的热度情况往往也有差异，舆情声量可以从一定程度上代表市场对于该产品的关注程度和讨论热度。
企业希望通过三方数据的能力，监测在不同社交平台中，哪些产品是市场讨论较多较热的，大家讨论不同产品时都在聊哪些话题或关键词，讨论时的情感是正面种草还是负面吐槽。同时品牌客户还希望将本品与竞品的热度进行对比，并希望能清晰地把握本品的热度情况在行业中的所处位置水平。

某文娱行业品牌客户旗下经营了多款IP，每款IP都对应着多种不同的业务模式，基于三方舆情的声量数据和各类APP的使用偏好情况，搭建了基于三方数据的热度模型，计算本品IP、竞品IP、行业标志性IP、有投资意向的潜力IP，在线上娱乐、线下活动等不同业务模式下的热度情况。
运营人员可通过雷达图、折线图等可视化查看模型结果。精准把握本品IP、竞品IP、标志性IP、潜力IP间的热度差异情况，并可对比同一IP在不同业务模式下的发展热度差异情况，以及监测同一IP固定业务模式下随时间的热度变化趋势。用于跨部门运营情况监测与复盘、品牌内部资源配置调整、新IP投资发展决策等场景下的关键性参考指标。


基于三方数据
如何实现潜在用户定位与触达
拉新是用户运营的一个重要的主题，品牌客户往往会面临以下难题：哪些用户是潜在的目标用户，潜在用户具有怎样的画像特征，市场中还存在多大体量的潜在用户，如何精准地找到潜在用户并进行触达？
这些潜在客户往往还没进入品牌客户私域，用户ID和画像标签都处于缺失的状态，品牌客户迫切地希望借助三方数据的标签能力和人群覆盖，将更多的潜在用户从公域引流到私域，从而进行后续更精细的运营。
在文娱行业的场景中，品牌客户通过三方数据源提供的用户基础属性标签、线上行为偏好标签、包括直播/游戏等软件的在装和使用情况标签，建立纵向联邦学习模型进行打分，分数越高代表该用户有更大的概率进行转化。

在模型的使用阶段，品牌客户对三方数据源全量人群进行预测打分，把握市场中的潜在用户体量，并可根据分数高低或体量大小进行圈群，对潜在的目标用户进行精准地广告投放，转化率有了显著的提升。
在汽车行业的场景中，品牌客户可以借助三方数据源提供的车险购买和出险情况标签、汽车交易相关标签、收入水平标签、购车类软件使用情况标签，建立纵向联邦学习的线索评级模型，对每一个刚进入私域的标签缺失的新线索，进行线索价值的打分，并且可拆分成速度和收益两个维度的模型分，速度分值代表线索购车的刚需程度，收益分值代表线索的购买力，从而决定触达跟进的优先级和推荐车型的价格档位。
基于三方数据的潜在用户挖掘和线索评级，使用了隐私计算纵向联邦学习的技术，可以安全合规地使用三方数据源的标签能力，标签的具体值在整个计算过程中始终在三方数据源本地，品牌客户最终获取到的是根据这些标签计算得到的0到1的模型分数，数据可用不可见。


基于三方数据
流失用户流向分析
流失挽回是用户运营的另一个重要的主题，尤其是在如汽车行业等高价低频的行业中，一个战败客户如果已购竞品的汽车，短期之内想战败激活是非常困难的。
因此，越来越多的品牌客户想借助三方的数据能力去了解：战败或流失的用户究竟流去了哪里，是已经购买了竞品吗，购买了哪个品牌的竞品，购买了什么价格档位的车。
在汽车行业的流失场景中，品牌客户可以借助三方车险数据源的能力，获得基于人群包级别的统计级画像，把握流失用户中已购竞品的用户占比，和购买不同竞品品牌的用户占比，还有对应的车险购买情况，汽车价格档位情况，汽车新能源占比情况。

品牌客户基于流失用户流向分析洞察，把握了主要战败流向的竞品和车型，就可以在运营的话术中，有意识地突出和竞品对比后本品的优势以及竞品的不足，有效降低流向竞品的线索数量。
——
我们发现，越来越多的企业在完成基础数字化建设之后，开始投入和关注，如何合规和安全的带动企业自身数据能力和借助外力来实现快速的企业业绩增长。
步入2023年，隐私计算已然逐步走进营销技术领域，关键技术和AI的有机结合，开始投入实际营销各个环节。例如：利用PSI隐私求交，即可安全联通甲方人群数据与媒体生态数据进行lookalike、retargeting等广告营销应用；纵向联邦学习，也已经成为数据建模的必选方式；大热的元宇宙，要建立规则，需要我们一种安全和私密的方式来让用户证明自己的身份，零知识证明成为其探索安全与技术的用武之地......

来源：
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！