近年来，伴随金融数据与其他数据融合应用的案例持续增多，跨行业的数据共享、开放和协作演化为新的发展趋势，并促使金融机构在普惠金融、精准营销、风险管理等领域发生了深刻变革，而如何实现数据开发利用与安全保护、如何建设安全可信的金融数据生态，也成为金融行业亟待解决的关键问题。对此，隐私计算技术的发展为金融数据融合应用提供了全新路径，通过综合运用密码学、统计学等方法，实现了数据“可用不可见”与“可控可计量”，不仅在保证数据安全和隐私的前提下推动了数据共享，同时也化解了数据价值流通与隐私安全保障之间的矛盾，从而推动我国金融数据融合应用迈入快速发展的新阶段。
一、金融数据融合应用面临的困难与挑战
当前，我国金融数据融合应用正处于起步阶段，各类市场主体在金融数据融合应用领域尚未形成统一的应用模式，不同类型的数据融合共享平台呈现出多元化、分散式等特征。同时，由于金融数据具有高敏感性、隐私性等特点，金融数据融合应用正面临一系列挑战。
1.安全问题突出
随着大数据、云计算、移动互联网、人工智能等新技术的兴起，各类型数据应用层出不穷，数据价值日益提升。但与此同时，围绕数据的泄露滥用、违规交易等风险事件也时有发生，乃至于严重侵犯公民的隐私及财产安全。对此，构建隐私数据安全防护体系，成为金融行业实现数据要素融合应用必须化解的难题。
2.法律法规日趋严格
随着金融信息化、数字化的不断发展，金融行业积累了大量敏感数据，事关公民合法权益。因此，金融数据的安全与风险防范一直是监管部门关注的重点内容，而国家层面也多次出台相关政策与法律法规，如《中华人民共和国网络安全法》《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》等，对金融数据安全保护与合规审查的要求日趋严格。
3.“数据孤岛”凸显
受政策、观念、技术等多重因素的影响，不同系统、组织、行业之间的数据安全壁垒日渐加深，不仅导致数据共享开放程度较低、数据流转不畅，也逐步形成大量的“数据孤岛”，阻碍了数据要素价值的挖掘和流通。在此背景下，促进金融数据融合应用已然是金融数字化转型必须解决的核心问题。
二、基于隐私计算技术的破局之法与实践思路
隐私计算技术在高效保护数据隐私的同时，也支持充分开发数据价值，从而实现数据价值的流动与共享。尤其在金融领域，隐私计算技术支持将安全可信的金融数据融合应用于风控、营销、运营等全业务流程当中。
1.实现动态平衡
与传统模式相比，隐私计算为数据流通中较难规避的敏感信息泄露问题提供了技术实现路径，可支持多个机构在满足用户隐私保护、数据安全和法律法规要求的前提下，进行数据使用和机器学习建模，进而达到原始数据不动而数据价值流转的效果。同时，多方安全计算、联邦学习等技术通过对信息进行加密计算与价值共享，可针对原始数据实现按用途与用量的授权使用，并保证数据在使用过程中不被泄露。此外，隐私计算通过与区块链、可信身份验证、零知识证明等技术融合，能够将过程可追溯、身份可信任、数据去标识等技术的信任特性融入隐私保护方案中，最终在确保安全可控的基础上，实现数据全流程可追溯、可计量。
2.打破共享壁垒
隐私计算技术的核心优势是分离数据所有权、控制权和使用权，并开创“数据特定用途使用权流通”新范式。在此模式下，数据流通主体可以不再是明文数据本身，而是数据特定的使用价值，甚至可通过计算合约精确限制数据使用价值的具体用途和使用次数，实现数据使用“可控可计量”。同时，基于隐私计算技术还可有效缓解数据价值共享中面临的“不愿、不敢、不能”等难题，更好地实现数据价值融合、释放数据红利，从而进一步激发金融业务创新动能。以小微企业融资场景为例，隐私计算技术通过将金融、征信、税务、工商等数据在“不出域”的前提下进行融合应用，可为小微企业建立精准画像，大幅提高其融资可得性，实现便捷、易得的普惠金融服务。
三、金融业典型的应用场景示例
目前，隐私计算技术已广泛应用在普惠金融、联合风控、精准营销、金融监管等业务场景当中，且随着数据融合需求的进一步释放，应用场景正快速拓展至金融产品定价、反洗钱、运营管理等领域。
1.普惠金融：打通多源数据，赋能小微融资
在针对小微企业的普惠金融领域，金融机构可通过使用多方安全计算、联邦学习等隐私计算技术，在保护原始数据隐私的前提下，完成多源数据价值的共享、计算和建模，提升中小微企业的融资效率及质量。以锘崴科技打造的金融服务隐私保护计算平台(NovaFintech)为例，该平台致力于协助搭建政府主导、企业运营的金融服务体系，支持将政务数据与银行、担保公司、保险公司等金融机构和小微企业对接，以解决小微企业和金融机构之间的信息不对称问题，使金融机构能充分利用政务数据对企业进行全面评估，并开发专门面向小微企业的金融产品，为小微企业提供量身定制的个性化服务。
2.风险管理：融合多方数据，提升风控水平
“数据孤岛”现象使金融机构在贷前、贷中、贷后各环节都存在风险识别难的痛点问题，且多头借贷风险较难规避。通过利用隐私计算技术，银行等金融机构将可以实现数据安全融合，在贷款全周期流程中实时、精准、全面地分析客户。以某银行与运营商联合搭建的信贷风控模型为例，通过采用纵向联邦学习、多方安全计算等技术，将双方数据共同用于训练联邦风控模型，将能够在保护用户隐私数据的前提下实现模型优化，进而更好地支持普惠金融和消费金融发展，提高风控能力，且数据样本和模型效果的提升还可有效节约传统信贷的审核成本。
3.精准营销：丰富客户画像，增强服务效果
在存量客户挖掘、异业交叉营销等场景中，由于单一金融机构拥有的数据资源有限、数据特征单一，通常难以精准、实时地分析客户偏好，最终被迫采取“广而告之”的营销方式。对此，基于隐私计算技术支持数据价值和原始数据分离的特性，金融机构将可在保障数据融合应用安全、合规的前提下，精准刻画客户画像，从而更好地了解客户需求、提升客户满意度，并构建起由数据驱动、模型驱动的精准营销模式，以产品精细化营销助力业务精细化发展。
展望未来，隐私计算技术通过与人工智能、区块链、边缘计算等技术进行融合创新，将能够形成体系化的技术解决方案，助力金融机构加快实现数字化转型;同时，通过实现计算性能与效率的平衡，以及不断增强计算模型有效性和稳定性，将可以构建更加成熟、易用的隐私计算服务体系，进一步赋能金融机构释放多源数据的融合价值。相信在不远的将来，通过使用隐私计算技术贯通各主体、各领域、各行业的数据资源，可形成一个完整、安全的数据共享生态体系，从而将数据要素的市场化红利分享到各行各业。
