计算厂商如何经营银行行业

对于 计算厂商如何经营银行行业的问题，我有一些了解和研究，也可以向您推荐一些专业资料和研究成果。希望这对您有所帮助。

文章目录列表:

计算厂商如何经营银行行业

2.什么是 计算技术？

银行是目前 计算行业重要的目标客户群体之一，他们数字化水平高，对外部数据的需求丰富，对 敏感度高，受政策影响大，强监管。银行的科技部门卧虎藏龙，很多高手隐匿在其中，他们一边受着体制的约束，一边希望在新的技术海洋中大展拳脚，各大创新研究院在探索，储备市面上各种新的技术方向。经过2年多的探索和央行的若隐若现的指引，不少银行开始真正尝试场景落地，有人说2021年是 计算商业化元年，我个人观点是2022年可能会场景落地元年，勉强算得上商业化元年，因为真正商业化模式还在探讨中，且大规模应用应该还需要时间。

既然银行是 计算行业目前特别重要的行业，各厂商几乎都有金融线布局，从销售，到解决方案各种专业人士。作为之前很少接触银行行业的人，又难免需要面对银行客户，同时被诟病不懂行，所以我思考完打算用普适的方法去套一下如何拓展服务银行行业客户，如有价值，可供读到这篇文章的朋友参考，如偏差很大，因为确实不懂银行行业，请勿怪轻拍，谢谢。

首先来说说“懂银行”行业人员画像，一般两类：一是银行出来的，二是之前的工作经历中有服务过银行。在市面上流通的人员中，第二类占大多数。

为什么企业在招聘金融或银行线的人需要此背景呢？

1、懂行业的语言，熟悉在银行体系工作人员的做事，语言风格。比如：去银行要叫老师。

2、熟悉银行的部门架构及职能，甚至可以了解每年银行各部门的关键kpi。比如：今年银行的某部门必须在某个行业有多少金额的款需要放。

3、熟悉银行项目的全过程，大项目销售有自成体系的步骤，但实际落到各个行业，步骤需要和甲方的项目步骤 才行。销售策略和步骤要 购决策流程匹配。比如：银行的项目大部分都要poc。

4、有银行资源。关于资源这里需要拆开来说一下。

上面4点里的银行资源重要也不重要，重要的原因是在很多企业招聘候选人时，“资源”的分值类似招标里“价格”的分值，嘴上面说，不会只看价格，然后价格分占了50%。但有时招聘方会被应聘人员的资源唬倒，我认识谁谁谁，我和谁很熟。因为银行圈子不大，人员也相对稳定，确实只要服务过银行一段时间，认识点人还是很正常的。不重要的原因是，资源不是你认识多少人，是多少人认识你。在有明确的目标情况下，根据7人握手定律，找到人其实不算难，所以很多所谓的资源最多是帮你减少陌拜的成本，对于真正的成交帮助有多大，未知，需要根据综合实力判断。看看你的“资源”通讯录里给你的备注，XX（某某公司）。在企业级采购中胜出的不会因为某一个个人，一定是因为这个人背后的 ，产品，技术，方案，服务，案例等综合实力，可能这个人确实是个关键因素。别天真了，6个半馍吃饱了，不是因为只吃那半个就可以饱的，所以千万不要把 能力当作个人能力。还有就是要记住真正的资源是很难复制和再生的。

作为公司的管理层或者负责金融（银行）行业的leader该如何经营好这个行业，服务好客户，达到双赢呢？

1、有明确的目标。明确的目标可以指具体的财务数据，如签约目标或收入（回款）目标，也可以指非财务目标，比如签约客户数量，如2022年目标签约10家银行。个人认为，在 计算行业目前的现状，采用第二种更合理些，因为具体的财务目标缺乏参照系和历史成功经验，如只是拍脑袋或其他目的，意义不大，过于空洞的目标容易造成领取目标的团队的信心不足，从而导致后顾之忧后的战斗力不足。

2、锁定目标客户群体。相对于企业客户来说，银行目标客户群体比较明晰。全国一共有4073家银行。开发性金融银行1家，政策性银行2家，国有大型商业银行6家，股份制商业银行12家，城市商业银行134家，住房储蓄银行1家，民营银行18家，农村商业银行1478家，村镇银行1630家，农村合作银行28家，农村信用社722家，农村商业银行1478家，外资法人银行41家。

对于 计算这种新技术来说，一般国有大行会先行，科技比较 的股份银行，有创新意识的民营银行，一些相对头部的城商行也会开始了解和观望，试行。根据目标，团队人员的情况，再把客户群体进行进一步细分，研究和讨论，最后锁定一定数量的客户漏斗。

3、销售工具。数据源，数据产品，及真实的场景包装。灯塔项目案例的价值提炼。

关于“价值”这里展开分析下：客户的痛点，对应着需求，解决需求代表提供价值。解决方案最终的目的是给客户提供价值，给客户创造价值，客户就会买单。

那 计算可以给银行带来银行希望的价值吗？其实真正给银行带来业务价值的是数据源。 计算技术的价值是保证数据传输中的安全。所以，在实际项目过程中，把数据源和 计算技术混合在一起，是目前普遍遇到的问题。

银行通常希望厂商可以自带场景，通俗点就是带着有价值的数据源进来，通过 计算技术，把带来的数据源在具体的银行业务中，创造价值。银行有时希望厂商可以有些 的数据源，其实这里有个“误区”，如果数据源是做“数据生意”的，那么他们肯定希望多发展 计算厂商作为渠道，所以就无所谓的 ，顶多就是一定的信息差和时间差罢了。如果不是做“数据生意”，但数据有很大价值，拥有这些数据的企业的认知和市场教育也需要一定的时间，比如一些核心企业的供应链金融业务，原先的模式因为有些敏感数据没法提供导致的某一些上下游无法享受金融服务，用了 计算技术是否可以进行突破等等。

关于“灯塔项目”展开说明：从6大行，12家股份制银行中做以下策略：

（1）想办法达成合作。目前 计算银行项目是场景推动，产品技术推动偏少。大部分在数据源不 的情况下，需要拼业务理解和产品技术的完善。如何在多家拥有同样数据源，或可以推荐因信息差带来的 数据源的情况下，可以有机会展示产品技术和业务理解？答案是靠服务。

（2）深入服务。不管是saas（software as a service），saas（solution as a service）还是caas（c ulting as a service），最重要的都是最后面那个s，本质是service。只有深入化的服务才能链接更多的机会。

（3）场景做透做实。在目前场景驱动的情况下，不能简单的停留在poc验证，小规模尝试。努力促成大规模应用。

（4）提炼包装，价值提炼。包装不是为了做假，是为了提炼价值，可以更好，更清晰的传达，与客户达成认知和概念的 。

（5）推广。

4、如何触达。

（1）资源关系（个人、公司、投资人），目标客户群体很明确，用各类资源找到负责或者会对 计算感兴趣的部门，人员。

（2）市场（品宣、活动，协会），圈子不大，在教育市场阶段，宣传和扩大 还是很有必要的。看看to c里的广告就知道了，今年过节不收礼，收礼只收什么？

（3）如何利用数据源反推进客户，这其实是个省时省力，但又不太推荐的方式。省时省力是在于服务好数据源，坐等他们推客户过来就好。不太推荐的原因是，在当下做丙方，有时还不露面，且商业模式没有跑通，性价比太低，做了大量的苦活累活，赚钱的钱不够吆喝的。所以如何和生态达成三赢在现阶段很重要，作为创业小公司面对一些庞然大物的数据源公司，自身的筹码是什么，如何博弈很关键。

5、如何打单。

（1）和头部银行达成合作，这里涉及大项目销售相关内容，有机会再总结分享。

（2）把灯塔项目里合作的场景在其他银行推广，推广的 要领是找到真正对业务有帮助，且对大部分银行有帮助的场景，哪怕只有一个。用to c的话来说，寻找到一个“爆品”。有了 步合作，再慢慢帮助客户一起成功。

总结：有了明确的目标和客户群体，有了销售工具和获客的途径，怎么和客户达成合作就是常规的销售方式了。一切的目的是为了达成合作，可以达成合作的根本原因是给客户创造价值，不要被伪需求所误导，我们需要“真相”。

写在最后的话：未来 计算技术一定会成为基础设施，未来用户包括银行需要使用数据就像日常人们使用自来水一样，打开 既可，水就是数据， 计算技术可能就是加压泵是水管是净水处理器。用户最终希望得到的是水，而不是水管，不让人感受到存在的基础设施才是真正的好设施。作为银行，即是数据的大量需求方，未来也一定会成为数据源方，只有在一定的技术保障下，才可以放心的让数据产生价值。数字化转型的根本在于，业务数字化，数据业务化，让数据赋能业务，让业务更好的服务每一个人。做企业服务的同学们，要有一个信念，我们看似在服务企业，其实也是在间接的帮助自己，做一个有温度的科技产业。

什么是 计算技术？

9月1日，历经三次审议与修改的《数据安全法》将正式施行。法案实行后，其将成为 大数据战略中至关重要的法制基础，成为数据安全保障和数字经济发展领域的重要基石。

密码学中有这样一则公理，一个锁密码越复杂安全性越高，但同时越复杂的密码越不容易被打开。

在日前由北京瑞莱智慧 科技 有限公司组织的“数据安全与 计算”专题研讨会上，业内 表示，数据安全乃大势所趋， 计算能够在充分保护数据和 安全的前提下，实现数据价值的转化和释放，应用前景和商业价值巨大。

破局数据困境， 计算提供技术解

传统的数据流通的过程中，数据源经过的各种渠道给到各种应用方，中间每个步骤都有数据泄露或者数据留存的风险。

在法律明确监管方向后，企业机构不愿也不敢共享数据，数据价值和安全性之间的鸿沟加剧，而 计算作为当下数据互联互通的核心技术解，成为成为二元对立困局的破局点。

什么是“ 计算”？

中国信通院云计算与大数据研究所大数据部副主任闫树这样解释：“ 计算不是拿个人信息或者个人 信息做计算， 计算总体来说是指保护数据本身不被泄露的情况下，实现数据分析计算的技术。”

传统数据安全手段，比如数据脱敏或匿名化处理，都以牺牲部分数据维度为代价，导致数据信息无法有效被利用， 计算则提供了另一种解决思路。“这相当于在满足法律合规要求下提供了一条可行路径。”闫树表示。

瑞莱智慧CEO田天介绍道， 计算一方面可以实现计算逻辑的集中，不需要汇集数据，实现计算逻辑的同时完成更复杂的互联计算。

“另一方面， 计算都是基于密文数据并不是明文数据，以及所有的流通都是加密数据流通，很好的保证了数据的 安全性。同时能够打破数据孤岛，通过数据确权、 保护等安全保障，让更多的价值数据能够拿出来，用于人工智能的预测和训练，产生更多的提质增效，发掘更大的数据价值”。他说。

市场爆发，但仍面临商业化规模瓶颈

当前，数据作为生产要素的重要性日益凸显，加上数据安全事件 发， 计算成为行业热点，多方企业加码 计算的投入研究。

据 工业信息安全发展研究中心大数据研究室主任杨玫介绍，到2020年在 计算投入的企业有260家左右，其中60%是初创企业。企业背景主要有互联网 企业、网络安全以及大数据公司、初创型 科技 企业和行业高精尖企业。

现阶段 计算在金融、医疗、电子政务等领域已经有一些落地尝试，但总体来说， 计算仍处于大规模商业应用的早期，由于技术和解决方案还不够完全成熟， 计算在走向市场化、产业化的过程中，仍面临安全、性能、应用等方面的瓶颈问题。

计算的核心是安全性，田天表示主要包含两方面，一是 计算技术本身的安全可论证，由于密码学上的证明安全与实际安全并不相等，尤其是一些多方 计算协议被应用在不符合其安全假设的场景中，存在安全漏洞，二是算法层面的安全攻防，由于 计算的计算是密文数据，计算方无法看到用户输出什么数据，所以可能会存在“数据投毒”的风险。

在安全的基础上，性能是衡量产品价值的关键。目前国内 计算产品在特定场景下已基本具备可用性，但在未来面临更多数据方、更大数据量、更复杂场景时，性能等指标仍有待加强。

其次， 计算落地的核心要素在于“价值闭环”，需要上层应用场景的场牵引，尤其是人工智能需求牵引。

立足场景， 探索 计算落地路径

围绕安全、性能与价值闭环这三大要素，立足金融、政务等核心场景，瑞莱智慧推出了“ +数据+场景”的 计算解决方案，推动 计算迈向业务落地闭环。

底层 上，瑞莱智慧推出了 保护计算 RealSecure，面向客户提供 的安全评估验证，同时基于独创的 计算安全攻防理念，内嵌各类安全防护巩固功能模块以抵御恶意攻击。

性能方面，通过编译器与 加密算法的优化，性能可提升20-40倍，实现 安全与效能。

在数据生态方面，瑞莱智慧引入运营商、支付等多种外部数据源，为企业风险决策及管理提供更全面的数据支持。尤其在风险模型训练方面，更丰富全面的数据样本能显著提升模型效果。同时赋能不同的应用场景，包括赋能智慧营销和智慧风控，支持企业以及政府机构完成数字化转型，实现数据安全保护与价值释放。

最后，田天表示，《数据安全法》的出台对于人工智能企业而言是一张新考卷，也是一个新的起跑线，在合规的情况下大家发展自己的技术实力，以及对场景的理解，不断有新的发展机会。在确保原有价值仍可支撑的前提下，基于更加安全和合规的 计算 ，反而会更适应这种趋势的变化。

数据 计算技术有哪些

在数字化浪潮推动下，数据领域的技术创新、场景应用与管理服务日益成为各个行业领域数字化转型发展的重要驱动力。同时，“数据流通”与“数据安全”间的矛盾也日益升级，成为影响数字化发展的制约因素。

安全VS发展

“安全”与“发展”，一直是数据管理领域的两大重要主题。二者既矛盾对立，相互制约；又在不断的技术创新下追寻均衡，最大限度实现数据的价值。

矛盾制约

“数据”作为一种特殊的市场资源与生产要素，其自身特点决定只有在更大范围的 社会 共享中才能发挥其真正的资源价值。 在人工智能、大数据、云计算等技术快速应用推广的当下， 不断提高的算力+不断优化的算法，将通过不同维度、不同领域的大数据发现事物间蕴藏的规律，并运用规律解释过去、预测未来。

智能算法持续优化、提升的重要前提即是通过海量、多元的大数据资源进行数据训练， 客观上有着较强的数据共享使用需求， 这与具有“信息数据共享和透明”特点的区块链技术不谋而合，相辅相成，因此近年来区块链技术发展应用迅速。 但需要注意的是，数据的共享交换虽然提升了数据自身价值，但也不可避免的出现侵犯数据所有者“数据 ”的安全问题，数据共享挖掘面临合规监管，数据技术发展应用陷入瓶颈。

均衡发展

“在矛盾中寻找平衡”，是目前数据领域技术创新应用的重要课题。 客观市场环境的快速变化也为“数据流通”与“数据安全”的均衡发展形成强大驱动力。

2019年末，一场突如其来的新型冠状病毒疫情在 范围内蔓延肆虐，大量民众不幸罹难，各国经济发展更是遭受沉重打击。在客观疫情防控形势下， “数字化转型发展”成为各国恢复经济秩序和建立全新国际竞争优势的重要战略措施。 在这样的背景下，数据作为全新的生产要素，随着功能价值不断提升，技术应用不断拓展，数据的“流通使用”和“安全保障”也日益受到行业发展与政府监管的重视。

数据技术创新应用，一方面对数据安全保障提出了全新挑战，另一方面也以技术创新形式给出了相应的答案——“区块链+ 计算”。

区块链+ 计算

数据时代的信任机制与 保护

区块链技术是一种通过去中心化、高信任的方式集体维护一个可靠数据库的技术方案。 由于具有“去中心化”、“分布式数据存储”、“可追溯性”、“防篡改性”、“公开透明”等优势特点，区块链技术能够有效解决数据领域的数据真实性、安全性与开放性问题， 通过建立可信任的数据管理环境，防范和避免各类数据造假、篡改、遗失等数据管理问题，促进数据的 共享与应用。

一如上文所述，区块链技术具有“信息数据共享和透明”的特点，但无论从市场商业竞争角度还是个人信息安全角度来看，都没有人希望自己的数据完全公开、透明。因此， 保护合规成为数据管理领域的一条重要“红线”，一方面保护着数据所有者的 安全，另一方面也影响着数据流通共享的效率与发展。

那么有没有一种技术既可以保证信息数据的 流通共享，却又不会越过 保护合规红线？

如果说“区块链”技术建立了数据时代的信任机制，那么“ 计算”则在数据共享洪流中为数据所有者建立了安全的 保护防线。

“ 计算”， 即面向 信息全生命周期保护的计算理论和方法，是 信息的所有权、管理权和使用权分离时 度量、 泄漏代价、 保护与 分析复杂性的可计算模型与公理化系统。 简单来说， 计算即是从数据的产生、收集、保存、分析、利用、销毁等环节中对 进行保护的技术方法。

同区块链技术一样， 计算并不特指某一门技术，而是一种融合了密码学、数据科学、经济学、人工智能、计算机硬件、软件工程等多学科的综合技术应用。 计算包括一系列信息技术， 如业界较早提出的 安全多方计算（MPC）技术、 以硬件技术隔离保护为主要特点的 可信执行环境（TEE）技术、 基于密码学和分布式计算实现多方协作机器学习的 联邦学习（FL）技术，以及如同态加密、零知识证明、差分 等辅助性技术，都属于 计算范畴。

安全多方计算（MPC），是一种在参与方不共享各自数据且没有可信第三方的情况下安全地计算约定函数的技术和系统。 通过安全的算法和协议，参与方将明文形式的数据加密后或转化后再提供给其他方，任一参与方都无法接触到其他方的明文形式的数据，从而保证各方数据的安全。

可信执行环境（TEE），是指CPU的一个安全区域， 它和操作系统独立开来，且不受操作系统的影响。 在这个安全区域里保存和计算的数据不受操作系统的影响，是保密且不可篡改的。

联邦学习（FL）， 是指在多方在不共享本地数据的前提下，进行多方协同训练的机器学习方式。联邦学习技术支持 数据不出域，而是让算法模型进行移动，通过数据训练进而优化算法模型。

计算技术的目的在于让数据在流通过程中实现“可用不可见”，即只输出数据结果而不输出数据本身。 这一方面保证了数据所有者的数据所有权不受侵犯，满足数据流通的合规性；另一方面在 保护技术加持下，各方主体拥有的信息数据能够 流通使用，不断扩大数据价值，赋能各个行业领域数据应用。

举例如在医疗数据领域， 各类医疗数据的 性要求较高、数据量较大， 通常只保存在本地机构的信息系统中， 很难实现 的医疗数据流通、共享与使用， 无法为医疗领域的各类病理研究、医疗诊断与技术创新形成数据支持，不利于创新医疗技术研发与应用。

但如果能 通过 计算技术支持，在保证数据“可用不可见”的前提下，实现不同区域、不同医疗机构医疗数据的 流通使用，持续优化医疗行业的各类算法模型，将为实现医疗行业的 医疗、远程医疗、智能医疗等医疗技术服务创新形成强力数据支持。

数字化发展浪潮之下，“数据”作为一种全新的重要市场资源与生产要素，其快速发展与管理应用日益受到 的重视，并不断赋能各个行业领域发展。同时，数据领域存在的 安全问题也令数据管理应用陷入发展困境。 可以预见，区块链技术和 计算技术的结合，将是数据管理领域一次重要的尝试 探索 ，对数据领域发展产生重要影响。

数据 计算技术有以下几种：安全多方计算（MPC）、联邦学习（FL）、可信执行环境（TEE）。

1、安全多方计算（MPC）。安全多方计算（Secure Multi-party Computation）即在参与方不共享各自数据且没有可信第三方的情况下，仍可以进行协同计算，最终产生有价值的分析内容。

2、联邦学习（FL）。联邦学习是一种分布式机器学习技术或框架，最初是由谷歌提出的。

3、可信执行环境（TEE）。可信执行环境是一种具有运算和储存功能，并且能提供安全性和完整性保护的独立处理环境。

计算底层应用的密码学算法

1、同态加密（HE）

同态加密（HE）指的是能够直接使用密文进行特定运算的加密技术，并保证得到的结果与明文计算结果一致。数据进行加减、汇聚时不会发生明文数据的暴露，因此能够大大提高计算方的可靠性。同态加密的优势在于通信量少，不需要多轮通信轮数，且在结果方密钥不泄露的情况下，计算过程是安全的，因此在多方安全计算、联邦学习等场景中得到了应用。

2、差分 （DP）

差分 （DP）是通过添加额外的随机数据“噪音”使真实信息淹没于其中，从而保护 的一种技术手段。当恶意用户试图通过差分攻击的手段反推原始数据时，由于噪音的存在，无法确认数据的真假，因此无法顺利还原原始数据。其优势在于无须加解密时的巨大算力消耗，技术相对成熟，因此在各种涉及个人 的统计类场景中得到广泛应用。

3、不经意传输（OT）

不经意传输（OT）由Rabin于1981年 提出，也叫做茫然传输协议。其作用是当数据发送方有多份数据时，可通过OT算法，来让数据接收方从中仅选取需要的数据，但无法获取其他的数据，同时数据发送方也无法得知接收方从中获取了哪些数据。因此该算法常用于 计算集合求交、联邦学习样本对齐、 信息检索等场景。

好了，今天关于“隐私计算厂商如何经营银行行业”的话题就讲到这里了。希望大家能够通过我的介绍对“隐私计算厂商如何经营银行行业”有更全面、深入的认识，并且能够在今后的实践中更好地运用所学知识。