在數(shù)據搜集階段，應對司機基于更完備的信用維度數(shù)據，來評估順風車司機資質準入；數(shù)據分析階段，應在關鍵指標與業(yè)務影響間，建立分析鏈
近期，滴滴和華住接連發(fā)生的兩起全國數(shù)據危機，說明了行業(yè)領軍企業(yè)在“用好大數(shù)據”上還有很長的路要走。
在滴滴順風車司機殺人事件里，滴滴的困境是：這么多個人信用數(shù)據，滴滴卻未能用好，以致未能識別高風險的司機。據報道，犯罪嫌疑人鐘某案發(fā)前曾向51家機構借款，幾乎借遍了所有能借款的機構，還發(fā)生過多起逾期。如果滴滴在審查順風車司機資格時能將個人信用數(shù)據充分考量，本應將這種頻頻失信者拒之門外。
在華住原始數(shù)據泄露事件里，華住旗下酒店開房記錄泄露數(shù)據，并被放到“暗網”出售，上億人的隱私信息被曝光。華住的困境是：存儲了海量的用戶原始數(shù)據“不知道有何用”，且一旦泄露，公司形象受沖擊，股價也面臨大跌風險。大數(shù)據在這時卻成了“燙手山芋”。
華住與滴滴，按數(shù)據規(guī)模標準，都是“億級大數(shù)據公司”。但規(guī)模大不等于能用得好。
此類事件屢有發(fā)生，僅今年就有視頻播放網站AcFun近千萬條用戶數(shù)據泄露，前程無憂195萬條用戶數(shù)據疑似泄露等。這為整個行業(yè)敲響警鐘。
筆者認為，要用好數(shù)據，需要在數(shù)據搜集、數(shù)據對接、數(shù)據分析、數(shù)據預警等方面作更系統(tǒng)的安全設置。比如在數(shù)據搜集階段，應對司機基于更完備的信用維度數(shù)據，來評估順風車司機資質準入；數(shù)據分析階段，應在關鍵指標與業(yè)務影響間，建立分析鏈。
這些日子，我們已經看到一些改變，比如滴滴在數(shù)據預警方面做出改進，基于位置偏離信息的異常數(shù)據情況進行診斷；根據指標異常，聯(lián)系后臺進行報警；一旦觸發(fā)主動或自動報警，就能直接連到公安進行報警處理。
技術專家認為，如果能在以上數(shù)據處理的幾個階段中，加入區(qū)塊鏈的安全多方計算，便能使問題得到更好的解決。比如在數(shù)據搜集環(huán)節(jié)，區(qū)塊鏈可以提升信息真實性和數(shù)據分享的積極性。
區(qū)塊鏈大數(shù)據信用分析公司PTS（Points）的創(chuàng)始人張佳辰告訴筆者：“少量關鍵數(shù)據進行鏈上存儲外，大部分原始數(shù)據可以在鏈下存儲。只要在區(qū)塊鏈中設置校驗機制，就可以保證信息的真實性，也就是說，當信息之間校驗結果出現(xiàn)差異時，區(qū)塊鏈可以根據自動判斷并返回結果。同時，區(qū)塊鏈校驗機制激勵正確信息提供者；并處罰提供虛假數(shù)據的人。這樣就同時保證了分享的積極性與可信度�！�
在美國，Uber正在積極與加州大學伯克利分校合作，將非對稱隱私技術應用在用戶個人數(shù)據共享中，從而既能將Uber體系的用戶行為數(shù)據提煉出公共治理和商業(yè)上有用的洞察，又防范用戶家庭住址和出行習慣等敏感信息泄露所導致的個人風險。
張佳辰表示，這種區(qū)塊鏈安全多方計算適用于所有的共享經濟平臺，比如滴滴、美團、airbnb，因為這些平臺都涉及用戶隱私保護，對服務提供方（司機、騎手、房東等）信用及安全的事前評估，以及服務過程中的實時數(shù)據分析與預警。
未來，無論是像airbnb這樣的O2O企業(yè)，還是像Facebook這樣的純線上服務互聯(lián)網公司，或者是像工商銀行這樣的傳統(tǒng)企業(yè)，基于區(qū)塊鏈的安全多方數(shù)據計算機制下，它們都將受益。
以美團為例，在騎手招募階段，可以在騎手的手機端對其生活、借貸狀態(tài)做一個預判和分析，分析后對此人的風險進行評分，并把評分系統(tǒng)貢獻在大的風控體系中。以airbnb為例，在房東評估階段與房產租賃階段，也可以進行同樣的評估；這樣的評估無需采集原始數(shù)據，所有的計算都可以在手機端、本地化地完成，最大限度保護各方隱私。
