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。

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。

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。

广告主考核周期长，无法通过深度转化产品实时优化。

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：

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。

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。

联合建模操作流程

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。

　　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。

两种解决方案：联合建模、联邦学习

结语

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)。

广告主的天平——安全、效果如何平衡？

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。

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。

联合建模案例

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：

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。

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%。

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。

联邦学习操作流程

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。

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%。

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。

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。

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。

针对不同行业的灵活落地策略

联邦学习案例

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。