"提升消费者与品牌数据的安全性，是赢得广告主信任的基础。但'层层加密'的数据又该如何被运用到营销中，更好地提升营销回报？"在上周刚落幕的金投赏峰会上，一位数字营销服务商抛出了这样一个疑问。

这触发了行业一个"老大难"问题：广告主的第一方数据，如何与媒体平台以及上下游协同？此前在一场行业线上活动中，中国广告协会互联网广告委员会秘书长霍焰女士也表示：如果要广告主提升对数字广告的信任度、投放预算，需要各方共建真实、可信的数字营销环境。那么这样的环境究竟该如何实现？安全和效果可以同时拥有吗？成为行业长期探索的问题。

广告主的天平——安全、效果如何平衡？

增长压力下，广告主加速线上转型步伐。无论是正在向线上布局的品牌，还是已经深耕线上的商家，对流量的获取、效果的追求都已经成为制胜的关键，效果成为广告主考核的重中之重。

而在提升投放效果的过程中，数据成为归因和优化的"敲门砖"。广告主的后端数据，是用以匹配平台数据、建立投放模型，进行精准营销的重要根据。双方数据融合、共建过程中，广告主的数据是1，媒体平台的技术能力是后面的0。理想的状况是，让这些数据匹配媒体平台的数据、运算技术，最大程度加持广告效果。

但正如广告主、行业专家看到的那样，广告主在数据安全上还有诸多考虑，造成投放效果无法达到最佳。具体体现在以下三个方面：

1. 广告主无法实时回传后端深度数据。

2. 广告主考核周期长，无法通过深度转化产品实时优化。

3. 首次考核投放目标大模型已有正例累积不足，成本波动大、跑量困难。

如果不能实时更新数据、共建基础样本，平台要得到准确的结果是很困难的。这些既成为广告主的痛点，也是行业共同推进数字营销发展的难题。那么，平台应该如何照顾到广告主对数据安全的顾虑，同时保证投放效果最大化？技术门槛和数据开放难题下，这已经成为行业的共性痛点。

两种解决方案：联合建模、联邦学习

在数据的开放性、实时性有限的情况下，如何增进协同效率，在安全的同时将投放效果最大化？站在前人的肩膀上，巨量引擎基于字节跳动旗下超过15亿的月活跃用户数，根据自身平台属性，对这道难题给出了两种新解法。

第一种是联合建模。顾名思义是广告主和平台共建模型。具体操作上，首先需要广告主提供样本数据，然后由巨量引擎匹配后台数据模型及特征并进行筛选，通过自动建模训练出专属私有模型，再进行投放。

就好比果农需要为商人种植"更甜"的苹果，但由于技术机密，商人无法把全部"更甜"的苹果种子直接给到果农，但是商人通过几粒种子的特点告诉了果农"更甜"的苹果几个核心的特征，比如"更大""更圆""更红"，果农了解到了这些特征后，便到自家果园深度学习这些特性，最终用自己高超的种植技术批量种出"更甜"的苹果给到商人。这种方法针对的是需要考核深度转化目标、对数据隐私安全要求高的客户。

第二种是联邦学习。它可以在不泄露明文数据的前提下，用多方的数据共同训练模型。这也是"围墙花园"的一种，广告主、平台共同构建一个数据"花园"。各方可以从外部登入数据系统，在投放广告时利用这些数据，但却不能够直接接触到这些数据。数据如同花园里的花，可观赏，发挥了它的功能，但不可接触、不可获得，品牌的数据持有方仍是广告主，数据不会离开广告主的花园（私域服务器）。

联合建模和联邦学习最大的差异在于运行环境，前者在巨量引擎的云环境，而后者在广告主所有的三方/私有云环境。这也给了广告主可进可退的两种选择。

 图片来源于网络，版权归原作者所有

和之前的方案相比，这两种方案更进一步解决了私密性不够的问题，广告主数据安全性有保障；而在巨量引擎的技术加持下，自动化建模得以实现，广告主操作简单；并且，根据数据开放程度，巨量引擎提供了多种方案供选择。最后还有一个细节是，这个技术系统支持批量上传，效率得到大幅提高。

针对不同行业的灵活落地策略

目前，这两种方案在对客户数据隐私保密性极高的行业，如金融、电商、网服、教育等，应用颇为有效。

联合建模案例

比如在一个电商客户案例中，广告主考核周期长，无法使用深度转化实时优化，巨量引擎改为对7日下单ROI进行考核，利用客户离线数据进行联合建模。7日后ROI提升318%，激活下单转化率提升63%。

在另一个电商客户的合作中，客户本身有很好的投放优化能力，但客户依旧遇见了增量获取的难题。如上文所述的第三种场景，考核投放目标大模型数据累积不足，成本波动大且跑量困难。基于这个痛点，巨量引擎通过联合建模传入数据，加快新目标的冷启动优化。结果显示，这个方案让客户下单成本降低了12%，跑量提升了8%，顺利渡过冷启动期。

联邦学习案例

在另一个教育品牌的例子中，客户对正价课付费人群数据严格保密，无法输出至巨量引擎服务器，但该数据又是营收核心指标，客户希望优化该部分转化率即正价课续课率。

巨量引擎通过"联邦学习-巨量引擎单侧特征模型"的方法，巨量引擎侧和客户侧各自提供用户标识+特征/标签，数据取交集后共同建模。这种方法在不获知用户深度行为标签（即哪些人购买了正价课）的同时，具备预测深度正价课转化率的能力。结合在广告精排阶段的动态出价调整，优化在线教育广告的正价课转化率，提升客户获客ROI。

基于以上方案，联邦学习目前与在线教育行业多家头部客户深入合作探索中，帮助教育客户广告跑量提升124%，正价课续报人数提升209%，续报率提升33.1%，正价课续费用户获客成本降低11.7%。

 图片来源于网络，版权归原作者所有

视具体情况给出具体措施，巨量引擎这两种方案解决了大部分数据安全疑虑。

观察这些案例可以发现，在这种数据尤为敏感的行业中，联邦学习和联合建模在私密性的前提下，也有十足的敏捷性、高效性，对效果提升的影响显著。

了解基本逻辑和运用场景之后，那么广告主应该如何使用这两种方法？具体方法参见如下步骤：

联合建模操作流程

联邦学习操作流程

 图片来源于网络，版权归原作者所有

部署FedLearner联邦学习系统框架

 图片来源于网络，版权归原作者所有

图片来源于网络，版权归原作者所有；本文内容仅代表作者个人观点