Data Clean Room

Data Clean Room — это защищенная, контролируемая среда, в которой две или более стороны, обычно рекламодатель и платформа или издатель, могут сопоставлять и анализировать свои объединенные наборы данных для рекламных целей, при этом ни одна из сторон никогда не видит исходные, индивидуально идентифицируемые записи другой стороны.

Как на самом деле работает сопоставление#

На практике рекламодатель может загрузить хешированный список email-адресов клиентов из своей CRM, а издатель или платформа сопоставляет этот список со своими собственными хешированными записями пользователей по зашифрованным идентификаторам внутри clean room. Результат является агрегированным: сколько сопоставленных пользователей увидели данное объявление, как выглядит пересечение между существующими клиентами рекламодателя и аудиторией платформы или как кампания показала себя среди людей, которые ранее совершали конверсии. Ни одна из сторон не может экспортировать или запрашивать строки на индивидуальном уровне, принадлежащие другой стороне; среда обеспечивает ограничения запросов, минимальные пороги агрегации и журналы аудита специально для предотвращения попыток одной стороны восстановить исходные данные другой с помощью повторных узких запросов.

Почему clean rooms стали распространены#

По мере того как сторонние cookie стали менее надежными, а требования к согласию ужесточились в рамках каждой современной платформы управления согласием, рекламодателям потребовался способ объединить свои собственные данные о клиентах с данными аудитории платформы для таргетинга и измерения, не передавая при этом исходные PII, что создавало бы как риск для конфиденциальности, так и часто договорные риски. Clean rooms решают именно эту проблему: они позволяют проводить атрибуцию и моделирование lookalike на сопоставленных, безопасных с точки зрения конфиденциальности данных, вместо того чтобы требовать полного экспорта данных в любом направлении, дополняя, а не заменяя Data Management Platform, которую бренд уже использует внутри компании.

Это наиболее важно для крупных рекламодателей, размещающих бюджеты на нескольких платформах и в разных регионах, которые хотят получить согласованное представление о пересечении и инкрементальном охвате, сопоставленное с реальными данными геотаргетинга, а не доверяя отчетности каждой платформы из ее walled-garden на слово. Сегодня это менее распространено в нативной и партнерской медиапокупке, где кампании обычно меньше, а отслеживание конверсий осуществляется через более простую настройку пикселя и постбэка, но лежащая в основе логика конфиденциальности — сопоставление без раскрытия исходных записей — все чаще появляется в отрасли, поскольку потеря сигналов подталкивает больше измерений к агрегированным, сохраняющим конфиденциальность методам.

Чем clean room не является#

Clean room — это не брокер данных и не способ напрямую покупать или продавать сегменты аудитории. Это среда для вычислений: данные поступают внутрь, агрегированная аналитика выходит наружу, а исходные записи остаются там, где они начались. Это различие также объясняет, почему clean rooms обычно требуют реальной технической настройки и минимальных обязательств по расходам — они созданы для долгосрочного партнерства между брендом и крупной платформой, а не для разовой проверки кампании.

Если ваш приоритет проще: узнать, что именно запускает конкурент прямо сейчас, а не моделировать пересечение с вашей собственной CRM — это другая задача, и именно для нее напрямую создан индекс рекламной аналитики OpenAdLibrary, не требующий соглашения об обмене данными ни с одной из сторон.

Начало работы без излишнего усложнения#

Мелкие рекламодатели иногда полагают, что clean room им недоступна без команды data science уровня enterprise, но многие clean rooms, размещенные на платформах, теперь поставляются с предустановленными шаблонами для самых распространенных вопросов: определение размера пересечения, инкрементального охвата или исходных аудиторий для lookalike, так что маркетинговая команда может запустить запрос без написания пользовательского кода. Реальным предварительным условием обычно является чистый, хорошо сопоставимый список first-party данных, а не большой инженерный бюджет, поэтому стоит провести аудит гигиены вашей собственной CRM, прежде чем предполагать, что узким местом является сторона платформы.