隐私计算｜数据业务落地必须考虑清楚的商业合作定价模式
The following article is from 郭嘉日记 Author 郭嘉字奉孝
隐私计算完成了两年多的软件技术成长，如今陆陆续续开始下沉到数据业务。软件定价很容易，是一个竞价的PK，但基于隐私计算的数据业务到底如何定价呢？
国内市场主流数据
国内数据市场的主流乙方数据类型：包括运营商数据、支付数据、公共数据、互联网数据、垂直类数据等。这些数据有的商业化程度高、赋能各行各业，定价体系完善；有的数据主要服务于特定的客户和特定的场景。
国内数据市场的主流甲方：涉猎行业广泛，主要有传统金融机构、互联网金融机构、汽车领域、消费品领域、游戏行业、电商平台等。这些领域需要合作第三方数据，主要为了提高风险控制和精准营销的大数据能力。
传统数据使用模式与定价
过去很长时间，数据市场都已经形成了比较成熟的数据合作模式：
核验类：核验身份要素
标签类：查询用户画像标签
建模类：建模后查询模型评分
这些合作方式的价格是相对比较明确的，已经在各种业务场景多年实践中形成了报价区间。
隐私计算数据使用模式
隐私计算+数据，因为尚在初期，会让数据供求双方形成一定的困惑，大家很难搞清楚该定什么价格，实质上因为多了一方：隐私计算厂商提供了隐私计算技术服务，而且使用模式发生了变化。基于隐私计算的模式大概如下：
匿踪查询类：用于要素核验和标签查询
安全求交类：用于批量用户洞察分层
联邦学习类：用于建模后查询模型评分
因为其每种技术的特点，服务过程中数据源侧需要提供的数据量、服务器和网络开销、以及工程师支持成本是与传统模式差异较大的。
比如匿踪查询，本来传统API只要对1次查询做1次运算，而匿踪可能是1:10甚至1:100的数据的数据与算力开销。虽然返回给客户的最终还是1次查询对应的结果。这个方案的优点是保护了查询方的ID不被数据源留痕。你觉得按常理是不是匿踪查得的定价要比贵一点呢？
隐私计算数据服务定价元素
我认为一个健康的商业模式是交易环节让每一方都能获得经济效益和技术红利，合理的定价需要考虑到数据方、隐私计算技术供应商、数据使用方三者的利弊权衡。4个定价元素：
数据成本
模型工程师人力成本（安全求交和联邦学习需要配合客户做定制化建模）
算力与网络成本（相比传统模式的增量）
软件成本（支付给隐私计算技术供应商）
羊毛出在羊身上，从业务本身推算的整体费用是相对固定的，比如银行的信贷业务，它能支付到和外部数据源合作的风控成本是1元，那只能把这1元进行重新分配。只有保证每一项子成本都得到了价值认可，这个数据生态才会发展的健康持久。
留给评论区探讨的话题
“如果数据公司和客户，采用安全求交来来做存量用户洞察。那怎么计费呢？是按PSI的交集数量？还是按客户侧参加ID求交的全量？又或者是按双方参加ID求交碰撞到的数量呢？”
终归来说，定价是一个协商的过程，是从业务ROI测算定价的过程，最终是保证合作几方之间共同的权益和经济效益。