隐私计算不是企业数据合规的万能解药

上周在南京软件谷跟做区域连锁零售的张总喝冰美式，他刚吐槽完上周给会员发定向优惠券的糟心事——花了两百万搭的隐私计算平台，跑了三个月，单月能承载的请求量，还不如他之前找第三方合规公司做线下脱敏交换的效率高。

很多人第一反应是，是不是隐私计算技术不成熟？

真不是。

第一个坑：把隐私计算当加密数据库用

很多人对隐私计算的第一个误解，是觉得它是个“装了保险箱的数据库”——无非是把数据加密了存起来，需要调用的时候解密就行。

完全错。隐私计算的核心逻辑从来不是“存数据”，是“数据可用不可见”——你出用户的消费记录，我出用户的浏览记录，两边都不用把自己的原始数据导出给对方，最后通过密码学运算，一起算出共同需要的结果。

张总当初就是被销售的话术绕晕了，对方说“所有数据不出域，完全合规”，他就直接拍板上了全量的联邦学习方案，要把自己所有的会员消费特征、银行的信用卡交易特征、本地商圈的停车数据全部打通，跑一个全量的用户画像模型。

结果呢？光把三方的原始特征对齐就花了两个月，每个月跑一次全量模型要三天，期间还断了四次节点，光运维成本每个月就要三万多。

效率不是唯一标准，但至少要配得上业务需求

张总的核心需求根本不是跑全量用户画像。

他就是想每个月匹配一次自己的会员和银行的高净值客户名单，给匹配上的用户发一张满一千减一百的商超优惠券，说白了就是做个手机号的交集匹配。

这种需求，用最轻量的隐私求交（PSI）方案就能解决，根本不需要上联邦学习。两边只需要把手机号做哈希加密之后在节点上比对，匹配上的结果两边各自存，连用户的其他特征都不用传，跑一次最多两个小时。

真的离谱。当初卖方案的销售根本没问他的业务场景，上来就推最贵的全量方案，说“一步到位省得以后再升级”。

没有万能的隐私计算方案，只有匹配业务频率和精度要求的组合。如果是要做实时的风险防控，就得用低延迟的同态加密节点；如果是季度性的人群圈选，离线的联邦学习就足够；如果只是偶尔做一两次的名单匹配，轻量的隐私求交性价比最高。

别为了合规硬上，先算清楚投入产出比

不过话说回来，也不能全怪销售忽悠。

现在太多企业上隐私计算，根本不是有实际的跨域数据需求，就是怕监管查——《个人信息保护法》出来之后，随便一次数据交换的罚款都可能是几十万上百万，与其担惊受怕，不如先把平台搭起来，至少检查的时候能拿出来看。

我见过更离谱的，一个做本地生活的小公司，全公司的用户数据加起来才十万条，连个外部的合作方都没有，就花了三十万搭了个隐私计算平台，就为了拿当地的二十万数字化补贴，算下来自己只花了十万，结果平台搭完之后半年没跑过一次任务，成了个摆在机房里的样子货。

其实如果你的数据交换需求一年只有两三次，完全不用自己搭平台。找有合规资质的第三方机构做离线的脱敏交换，签好数据销毁协议，整个成本可能只有搭平台的十分之一，合规性也完全没问题。

只有当你要长期和十几个甚至几十个合作方做常态化的数据交互，比如银行要和电商、出行、商超这些平台联合做风控，或者连锁品牌要和多个本地商圈做长期的用户运营，这时候搭一套自己的隐私计算节点才划算，算下来每笔数据交互的成本会比找第三方低很多。

上周跟张总聊到最后，他已经把原来的全量联邦学习方案改成了轻量的隐私求交，只用来匹配手机号，匹配完了之后两边各自在自己的域内圈选人群，不用传任何其他特征。现在跑一次匹配只需要两个小时，运维成本还降了一半，上个月发的优惠券核销率比之前还高了两个点。

隐私计算从来不是什么高大上的黑科技，就是个解决跨域数据合规交换的工具而已。

工具嘛，顺手就用，不顺手就换。没必要为了凑概念，硬把几百万的方案套到自己的小需求上。