4. 特色研发能力
Dataphin除规范建模、离线及实时研发及运维能力外，还提供了两种特色的资产构建能力。
1） 标签平台，一站式标签研发、管理及应用
标签作为企业数据资产的一部分，在数据应用及业务中扮演着非常重要的角色。不同的企业中对标签有不同的应用。
如金融机构中，对私客户经理需要基于客户画像进行理财产品推荐。消费金融领域对用户贷前准入有严格审核，需要基于借贷用户以及设备信息建立画像生成风险评估报告，对高风险客户进行有效识别。在零售营销业务中，需要针对不同的用户进行运营，如为促进高价值新用户留存提高复购，制定运营策略“对当天注册为会员的新用户，且满足注册当日消费总金额满100元条件时，对其进行短信营销，派发优惠券”等。
标签资产作为重要的资产，也需要进行有规划的建设和管理，业务部门可便捷高效地使用标签资产用于业务。Dataphin标签平台提供了基于标签类目进行标签的开发、管理、应用、治理，实现数据资产商业价值闭环。
a） Dataphin标签平台概述
标签平台基于Dataphin基础研发版能力，面向成熟期企业，提供企业核心商业要素的标签建设与管理能力，帮助企业沉淀好找好用、易开发、好治理的数据资产。
标签平台面向不同角色的人员提供了全生命周期的标签加工、管理与应用功能：
∙ 标签管理与运营：从业务场景和诉求出发，可进行标签市场的规划与管理，标签的实体、ID的管理以及标签属性的前置规划，为后续的标签开发及标签应用做好前置的设计和规划。可对标签和群组进行类目管理、对标签和群组的应用进行统计分析，从而进行标签的运营工作
∙ 标签开发与生产：为标签资产建设者提供标签生产、群组加工的工作空间，在工作台可以进行视图和行为关系的定义，基于视图、事件、行为关系进行标签、群组加工逻辑配置完成资产开发与发布，并上架至资产市场。业务人员也可以基于市场的标签或群组进行再加工，生成衍生标签、衍生群组用于自己的业务。
∙ 标签应用与服务：为标签资产应用者提供统一资产门户，在资产市场可以查看标签热度，获取标签上架最新信息，查看标签分布情况以及血缘信息，进行标签测试以及统计其离线、在线应用情况。为资产应用者提供多种资产服务类型，如标签离线服务，通过批量标签查询，输出标签表给到下游报表系统；标签实时查询，通过在线接口请求查询标签值。
b） 标签平台优势
依托于Dataphin资产建设模块强大的数据集成、数据研发及运维能力，以及围绕标签资产建设与运营管理的标签平台有其独特的优势：
∙ 丰富强大的标签加工：支持多类型标签开发，包括离线、实时等标签可视化加工。可基于离线视图、实时视图、行为关系，通过配置化的方式构建属性类、统计类标签、偏好类标签，也可以及与已有的标签创建衍生组合标签。通过标签可圈选群组，也可以衍生出新的群组。标签及群组支持周期性调度及手动加工模式，可提前生产，提升性能。
∙ 丰富便捷的服务应用：支持多实体标签开发、标签及群组类目管理、公共及私有标签及群组资产市场管理、离线标签及群组数据的导出，在线服务调用，满足多种业务场景诉求。通过配置化的方式，即可将标签导出到不同的目标数据库中，通过实时服务能力，应用在申请标签及群组权限后，即可调用服务API获取标签值，或查询群组信息。
∙ 多云环境多引擎支持：多引擎、多种容灾，架构扩展性强、稳定性强、性能高。通过统一的平台底座，可兼容多种部署环境，适配主流的大数据离线及实时计算引擎。
2） 隐私计算，数据可用不可见
a） 隐私计算概述
当前我国数据流通还处在起步阶段，数据价值无法最大化释放。因此，数据的开放共享、交换流通成为大数据产业发展的重中之重，快速发展的隐私计算等数据流通新技术为产业"破局"提供了关键思路，成为建设和完善数据要素市场的重要抓手。
Dataphin隐私计算，基于隐私计算技术，为企业提供数据可用不可见的数据安全流通方案，帮助企业实现产业间高效协同，促进行业、机构实现数据价值的共享与协作。
b） 隐私计算核心能力
ID安全匹配
功能介绍：在弱匿名化的前提下进行ID安全匹配。用于在不泄漏数据参与多方原始数据的前提下，得出共有ID集，非共有ID不会透出。
适用场景：适用于一些数据圈选的场景。例如，某银行期望在某电商平台，对【特定非活跃老客】用户进行老客营销，需要求两边客户交集，但两边客户ID不透出，此处可用ID安排匹配功能完成。
隐匿信息查询
功能介绍：隐匿信息查询，也称隐私信息检索，是指查询方隐藏被查询对象关键词或客户ID信息，数据服务方提供匹配的查询结果却无法获知具体对应哪个查询对象。
适用场景：适用于一些查询场景，数据查询方不想向数据服务方透露要查询的内容。例如病患想通过医药系统查询其疾病的治疗药物，如果以该疾病名为查询条件，医疗系统将会得知该病人可能患有这样的疾病，从而病人的隐私被泄露，通过隐私信息查询可以避免此类泄露问题。
安全联邦学习
功能介绍：在原始数据不出域的前提下，通过交换各个参与方的算法训练的中间结果梯度、参数信息，或完全在密文条件下进行计算，从而发挥参与多方数据样本更丰富、更全面的优势，得出更优模型。联合建模，分为横向联合建模、纵向联合建模。其中，纵向联合建模，联合多个参与者的共同样本的不同数据特征进行联合建模，即各个参与者的训练数据是纵向划分的。横向联合建模，联合多个参与者的具有相同特征的多行样本进行联合建模，即各个参与者的训练数据是横向划分的。
适用场景：纵向联合建模，适用于参与者训练样本ID重叠较多，而数据特征重叠较少的情况，例如某银行和某电商平台，分别拥有一部分客户数据，拥有的客户特征不一样，银行拥有客户的金融信用数据，电商拥有客户的电商消费数据，期望联合两方数据训练精准营销模型，则适合使用纵向联合建模。横向联合建模，适用于参与者的数据特征重叠较多，而样本ID重叠较少的情况，例如两家银行，分别拥有一部分客户数据，拥有的客户特征相似，但各自数据偏少，期望联合两方数据训练共同训练评分卡模型，则适合使用横向联合建模。
安全联合分析
功能介绍：在原始数据不可见的前提下，提供SQL模式对多方数据进行联合分析。
适用场景：适用于双方数据不共享，但有一些统计分析的需求。例如电商平台在媒体平台进行了营销广告投放，投放结束后，电商平台期望能联合两边的数据，进行全链路的营销活动复盘分析，就可以借助联合分析功能实现。
c） 隐私计算核心优势
∙ 安全性高
Dataphin隐私计算，拥有全链路数据保护和权限管理机制，在数据的数据源调取、算法使用、算法变更环节，隐私计算都会发起授权，需要数据合作方进行确认审批，保证数据的使用不会出现数据合作预期之外的场景，全程清晰可见。
另外，Dataphin隐私计算底层加密算法全部自研，自研算法在多个顶会中稿，底层算法能力已开源。并且，瓴羊Dataphin隐私计算已获得工信部、ISO、国家金融评测中心三大类评测。
∙ 性能优越
DataTrust，生长于阿里数据中台实践，在解决大数据场景下有优越的性能，支持百亿级别的PSI、亿级别的SQL分析，千维联邦学习，隐匿信息查询秒级返回；
∙ 智能化强
安全性和性能是隐私计算领域的两大挑战，想达到很高的安全性，性能必然受到影响。瓴羊Dataphin隐私计算，结合了大量的场景实践，创新性提出了智能计算模式，能保障安全性的前提下，能根据场景、数据量、网络等情况，自动选择最优的协议、最优的计算引擎、最优的算法，自动为该场景匹配最优的计算模式。
