Identity Graph

Identity graph to baza danych, która łączy wiele identyfikatorów, ID urządzeń, zahaszowane e-maile, pliki cookie, mobilne identyfikatory reklamowe, z jednym reprezentantem osoby lub gospodarstwa domowego, dzięki czemu reklamodawca lub platforma może rozpoznać tę samą osobę na różnych urządzeniach i sesjach, zamiast traktować każdy identyfikator jako oddzielnego, niepowiązanego użytkownika.

Dopasowanie deterministyczne a probabilistyczne#

Identity graphs są budowane na dwa sposoby, często łączone. Dopasowanie deterministyczne łączy identyfikatory na podstawie bezpośredniego, potwierdzonego połączenia: ktoś loguje się do tego samego konta wydawcy na telefonie i laptopie, więc graph może z pewnością powiązać oba ID urządzeń z jedną osobą. Dopasowanie probabilistyczne, przeciwnie, wnioskuje o prawdopodobnym połączeniu na podstawie wzorców, np. telefon i laptop, które konsekwentnie łączą się z tego samego adresu IP i lokalizacji w nocy, bez potwierdzonego logowania łączącego je. Dopasowania deterministyczne są bardziej wiarygodne, ale wymagają jakiejś formy uwierzytelnionej tożsamości, takiej jak Unified ID 2.0 zbudowany z zahaszowanego e-maila; dopasowania probabilistyczne lepiej się skalują, ale niosą większe ryzyko błędnego połączenia.

Dlaczego platformy je budują#

Identity graph to warstwa, która pozwala platformie popytowej lub platformie zarządzania danymi robić rzeczy, których żaden pojedynczy identyfikator nie może zrobić sam: ograniczać częstotliwość wyświetlania reklamy na telefonie i komputerze stacjonarnym osoby, zamiast pokazywać ją temu, co wygląda na dwóch oddzielnych obcych, łączyć ścieżkę atrybucji, która zaczyna się na urządzeniu mobilnym i konwertuje na komputerze stacjonarnym, lub rozszerzać audiencję podobną zbudowaną ze znanych klientów reklamodawcy na nowych potencjalnych klientów, którzy dzielą wystarczająco dużo dopasowanych cech, często dalej udoskonalanych przez targetowanie geograficzne w obrębie docelowych rynków, które mają największe znaczenie.

Bez jakiejś formy rozpoznawania tożsamości każde urządzenie i przeglądarka wygląda jak odizolowany, anonimowy odwiedzający, co jest dokładnie stanem, w który utrata sygnałów popycha coraz większą część branży, w miarę jak pliki cookie stron trzecich stają się mniej wiarygodne w otwartej sieci.

Gdzie identity graphs napotykają ograniczenia#

Wiarygodność identity graph zależy całkowicie od jakości podstawowych dopasowań, a połączenia probabilistyczne tracą na jakości w gospodarstwach domowych ze współdzielonymi urządzeniami, w sieciach publicznych lub wszędzie tam, gdzie wzorce zachowań, na których opiera się graph, stają się zakłócone. Regulacje prywatności również ograniczają to, co może legalnie zasilać identity graph, szczególnie w zakresie łączenia danych z oddzielnych źródeł bez wyraźnej zgody, co jest częścią powodu, dla którego istnieją data clean rooms: aby pozwolić dwóm stronom czerpać część korzyści z dopasowanej tożsamości, bez budowania przez którąkolwiek ze stron pełnego, połączonego graphu.

Jeśli Twoim priorytetem jest zrozumienie, co konkretny reklamodawca aktualnie uruchamia, a nie modelowanie, kim jest jego audiencja, jest to prostszy problem niż rozpoznawanie tożsamości i taki, który indeks ad intelligence OpenAdLibrary rozwiązuje bezpośrednio, śledząc samą aktywną kreację.

Praktyczne zastrzeżenie#

Zasięg różni się znacznie w zależności od branży i regionu, a graph zbudowany głównie z ruchu zalogowanych użytkowników z jednego regionu niekoniecznie będzie się czysto rozciągał na rynek z innymi nawykami logowania lub wzorcami urządzeń. Traktuj deklarowaną przez dostawcę stopę dopasowania jako punkt wyjścia do testowania, a nie gwarancję, która stosuje się równomiernie do każdej audiencji, którą planujesz targetować.