纵向联邦学习技术在汽车增换购业务中的应用与实践

题图摄于香港

由于微信公众号更改显示规则，请点击上面“亨利笔记”，再点击右上角”..."，选择“设为星标”，以免错过更新。

（转发FATE开源社区的文章）

很荣幸为大家带来一篇亚信科技的精彩投稿。随着联邦学习技术的迭代，逐步在多个场景落地，其中以营销推广、金融风控为典型代表。该文章将通过实践案例，与大家分享纵向联邦学习技术在汽车增换购业务中的应用与实践。文章包括方案设计、案例实践过程、以及效果总结等非常细致的内容。

文章由亚信科技（中国）有限公司AISWare AI² FL产品经理吴珺撰写，感谢亚信科技及文章作者对社区的支持。以下是文章详细内容~

✦

✦

一、背景介绍

我国汽车行业经过十几年的高速发展，随着人口红利逐渐消失和中国经济转型，汽车产业已由增量市场逐渐转向存量市场竞争，增换购用户比例逐年上升，保客增换购将逐渐成为市场主导。据统计，增量市场中，新能源汽车销量占比最高，个人消费的崛起成为推动新能源汽车销量增长的主力。

在车企数字化转型加速、数据应用安全要求加强的多重因素推动下，传统车企正在寻求安全可信的创新营销路径。

汽车增换购业务的营销活动包括：营销线索挖掘、营销内容投放、营销效果反馈等，这些活动通常在汽车增换购营销模型的指导下展开。以往传统的汽车增换购模型基于车企自有数据进行建设，存在客户信息实时性和准确性难以保证、数据维度不够全面、数据样本体量不足等局限，导致模型精度不足、跟进营销效率低下，造成营销人力浪费并错失商机。

二、 方案设计

1

总体目标

基于以上背景，某车企通过寻找外部数据进行跨域合作赋能，在保障各方数据隐私安全的前提下，帮助该企业识别有增换购高意向需求客户，联动其营销业务板块满足增换购业务需求。

结合增换购业务场景需求理解及模型构建要求，运营商大数据相比于互联网 公司数据、行业垂直媒体数据等，具有规模大、维度全、样本分布均衡、实时性强、真实准确、线上线下能闭环等优势，能够有效发挥数据互补作用，非常适合用于增换购模型优化。

整合双方的行业数据优势，持续实时对增换购客户的意向度及意向车型进行模型推理及预测，最终促进增换购业务的精准营销。

2

面临的挑战

• 数据量级差距悬殊：运营商侧数据集样本数量超过10亿，需要在保证双方数据隐私安全前提下，短时间内获得双方用户交集。
• 特征数量多：特征数量1000+，当特征数量较多时，会增加模型过拟合的风险、降低模型收敛速度，也会影响模型的可解释性；对训练效率提出挑战。
• 正负样本不均衡：营销活动的转化路径包括客户意向评估、营销线索下发、客户触达、下单、成交等环节，最终成功转化的客户（正样本）占比较低，导致正负样本分布不平衡。

3

解决路径

结合业务场景特点，探索出以下解决路径，主要包括以下步骤：

4

技术选型

目前，市面上主流开源学习框架已有数十家，其中，FATE项目使用多方安全计算 (MPC) 以及同态加密 (HE) 技术构建底层安全计算协议，以此支持不同种类的机器学习的安全计算，包括逻辑回归、基于树的算法、深度学习和迁移学习等，通过数据“可用不可见、相逢不相识”达到更高的安全性；同时，能够覆盖横向、纵向、迁移学习等多个场景，算法种类丰富；并且该开源社区具有较高活跃度和开放的合作生态。

亚信科技作为领先的“数智化全栈能力提供商”，积极推动通信行业与垂直行业的数据价值共享与优势互补；从安全性、灵活性、工程化能力等角度综合考量后，将FATE框架作为亚信科技联邦学习平台的技术架构组成之一；同时，为客户提供跨行业协作的快速复制能力，在作为生产级工具的基础上，基于对通信领域的业务积累及数据理解，通过开箱即用的场景化模板和灵活轻量的部署能力，实现跨域协作应用的横向拓展。通过全栈安全体系、多维度的高可用设计、端到端的全流程管控和可插拔式平台架构，构建数据价值安全共享的整体解决方案；创新性地打造“运营商+”跨域协作新模式，促进跨行业数智化转型。

三、案例实践过程

1

数据准备

双方分别准备数据资源，在数据不做共享交换的前提下，进行内外数据联合建模，进一步丰富完善增换购画像，为精准营销提供有力支撑，进而实现流程优化，提升客户体验。车企接入会员、产品、回厂等相关数据；运营商侧从用户基础属性、社交偏好、消费偏好、金融属性、职住属性、汽车行业相关标签、用户终端相关标签等维度扩充特征空间。

2

隐私求交

数据提供方样本量超过10亿，发起方提供百万级正样本和负样本。由于双方数据量级差异非常悬殊，属于非平衡条件下隐私求交。因此，采取数据集即时抽取、求交任务定时调度的方式进行周期隐私求交，以提高数据对齐效率。

双方通过加密算法对双方ID进行匹配运算以获得重叠样本ID，以保障双方数据安全。加密对齐只需两方进行通信，无需协调方C参与；加密对齐过程只传输ID；流程如下：

3

数据资源提升

• 数据规则及标准：基于项目实际需求建立一套符合自身实际，涵盖定义、操作、应用多层次数据的标准化体系。通过一体化全流程的数据治理体系，保障数据质量。
• 数据置信度：从数据容量、数据质量、特征选择以及算法选择及调试等多方面保障可信度。
• 数据维度提升：采用维度建模法，按维度表、事实表来构建数据仓库、数据集市，极大提升数据仓库的处理能力，紧紧围绕业务模型，直观反映业务问题。
• 标签维度提升：根据存量DNA特征标签，逐列分布与全量客户分布进行自动比对，删除缺陷序列，结合智能算法进行筛选，形成某一特征用户的可扩展、动态性的特征图谱。围绕业务需求搭建符合业务场景逻辑的标签体系。

4

数据预处理

• 数据预处理：通过数据质量分析发现原始数据中是否存在脏数据，并基于一定的规则进行数据清洗。
• 数据探索分析：通过可视化分析数据及变量间相互关系，并确认相关系数；并进一步通过特征选择对变量进行分类和标记。特征提取结果通过向量化进行再加工，以增强特征表现能力，降低学习难度。

5

模型构建

基于XX车企样本数据结合运营商侧数据，利用联邦学习平台的可视化交互式模型编排功能，通过由底向上的流程进行模型建设，包括子模型选择、标签构建、样本对齐、联邦统计、联邦特征工程、联邦训练、模型评价、模型优化、模型选择九个步骤，构建目标模型。

基于汽车增换购的具体业务需求，结合模型业务场景，从车企、运营商建设的模型库中选择业务相关性强的子模型，进行模型标签数据构建。

6

模型调优

基于模型评价指标设计，模型调优围绕提升AUC、Recall、Precision等指标展开，具体如下：

• 特征优化：包括特征衍生、特征组合、特征权重、特征转换、特征监控。
• 算法参数优化： ▫训练过程影响类参数：调整子模型数、决策树深度、迭代次数、学习率等参数，优化变训练过程，从而提高整体模型性能。 ▫子模型影响类参数：调整最大树深度、分裂条件等参数，优化子模型的性能，从而提高整体模型的性能。
• 曲线优化： ▫学习曲线：通过调整训练集的大小，绘制模型训练集和交叉验证集上的准确率，以观察模型在新数据上的表现，进而判断模型方差是否存在方差过高或偏高的情况。 ▫验证曲线：比较不同算法参数设置下模型的准确率。
• 模型泛化能力提升： ▫ 进一步优化特征，去除区分能力弱的特征，提高模型泛化能力。

四、效果总结

本案例通过纵向联邦学习技术，有效整合双方的行业数据优势，持续实时对增换购客户的意向度及意向车型进行模型推理及预测，基于真实样本的推理结果，模型表现出较好的预测能力，增换购营销中的领券率、到店率、有效线索占比等关键指标均表现出明显提升，实现了营销活动的闭环评估，最终促进增换购业务的精准营销。具体成效如下：

• 跨行业数据融合分析：融合XX车企自有数据及XX运营商全国运营商大数据，搭建增换购意向度模型及增换购意向车型两大模型；其中，XX运营商侧涉及13亿数据及千余个模型标签的分析及建模。
• 增换购用户输出：基于真实样本的推理结果，模型表现出较好的预测能力，共计输出增换购意向客户10万+、输出增换购意向车型分析10万+，支撑XX车企进行应用触达等。
• 营销效果提升：增换购营销中的到店率、领券率、有效线索占比均得到明显提升，实现了营销活动的闭环评估，最终促进增换购业务的精准营销。
• 电信行业联邦知识沉淀：基于运营商+汽车跨域合作的知识沉淀，将联邦协作知识提炼为可通用、可迁移的模板，结合亚信科技联邦学习平台提供的低门槛、开放普惠的FL开发与服务能力，实现联合建模能力在行业间低门槛落地，并转化为可观测、可量化的业务价值，实现应用场景的快速复制。

五、未来展望

随着我国汽车消费市场由增量市场变为存量市场，增换购将成为拉动汽车增量消费的重要引擎，对于消费者偏好的精准洞察、营销线索的精细化投放，对于广大汽车厂商而言具有重要意义。未来，亚信科技将继续联合运营商进行安全可信的创新营销路径探索，为传统企业提供数据价值合规共享新模式，提升跨行业数据运营效率，为数据要素流通提供更多场景化落地方案。

亚信科技联邦学习平台，面向各行业联邦学习需求，提供低门槛、可视化的企业级联邦建模和推理，支撑联邦学习模型在企业之间快速落地。未来，亚信科技将，从可信、安全、可控角度提升全流程保障能力；在可靠性、可用性方面提升平台工程化能力；从易用性、开放性角度进一步降低使用门槛和部署成本；积极参与开源生态建设，在技术领先性、行业最佳实践等方面持续演进，共同促进数据要素的可信安全流通。

要想了解联邦学习、隐私计算、云原生和区块链等技术原理，请立即长按以下二维码，关注本公众号亨利笔记 （ henglibiji )，以免错过更新。