Data Clean Room

Data clean room คือสภาพแวดล้อมที่ปลอดภัยและควบคุมการเข้าถึง ซึ่งสองฝ่ายขึ้นไป โดยทั่วไปคือผู้โฆษณาและแพลตฟอร์มหรือผู้เผยแพร่ สามารถจับคู่และวิเคราะห์ชุดข้อมูลที่รวมกันเพื่อวัตถุประสงค์ทางการโฆษณาได้ โดยที่ฝ่ายใดฝ่ายหนึ่งไม่เคยเห็นข้อมูลดิบที่ระบุตัวตนได้ของอีกฝ่าย

การจับคู่ทำงานจริงอย่างไร#

ในทางปฏิบัติ ผู้โฆษณา อาจอัปโหลดรายการอีเมลลูกค้าที่ถูกแฮชจาก CRM ของตน และ ผู้เผยแพร่ หรือแพลตฟอร์มจะจับคู่ว่ารายการนั้นกับบันทึกผู้ใช้ที่ถูกแฮชของตนเอง โดยใช้ตัวระบุที่เข้ารหัส ภายใน clean room ผลลัพธ์ที่ได้จะเป็นข้อมูลรวม: มีผู้ใช้ที่จับคู่กันกี่คนที่เห็นโฆษณาที่กำหนด การทับซ้อนระหว่างลูกค้าปัจจุบันของผู้โฆษณากับกลุ่มผู้ชมของแพลตฟอร์มเป็นอย่างไร หรือแคมเปญทำงานได้ดีกับคนที่เคยแปลงสภาพ (convert) มาก่อนเพียงใด ไม่มีฝ่ายใดได้รับอนุญาตให้ส่งออกหรือสอบถามข้อมูลในระดับรายบุคคลของอีกฝ่ายได้ Clean room จะบังคับใช้ขีดจำกัดการสอบถาม เกณฑ์การรวมข้อมูลขั้นต่ำ และการบันทึกตรวจสอบโดยเฉพาะเพื่อป้องกันไม่ให้ฝ่ายหนึ่งสามารถย้อนรอยข้อมูลดิบของอีกฝ่ายผ่านการสอบถามที่แคบและซ้ำๆ ได้

เหตุใด clean rooms จึงเป็นที่นิยม#

เมื่อคุกกี้ของบุคคลที่สามมีความน่าเชื่อถือน้อยลงและข้อกำหนดความยินยอมเข้มงวดขึ้นภายใต้ทุกแพลตฟอร์มจัดการความยินยอมสมัยใหม่ ผู้โฆษณาจำเป็นต้องมีวิธีที่จะรวมข้อมูลลูกค้าของตนเองกับข้อมูลกลุ่มผู้ชมของแพลตฟอร์มเพื่อการกำหนดเป้าหมายและการวัดผล โดยที่ฝ่ายใดฝ่ายหนึ่งไม่ต้องส่งมอบข้อมูล PII ดิบ ซึ่งจะสร้างทั้งความเสี่ยงด้านความเป็นส่วนตัวและมักเป็นความเสี่ยงด้านสัญญา Clean rooms แก้ไขปัญหานั้นโดยเฉพาะ: ช่วยให้การ วัดผลสัมฤทธิ์ (attribution) และการสร้างโมเดล lookalike เกิดขึ้นบนข้อมูลที่จับคู่และปลอดภัยด้านความเป็นส่วนตัว แทนที่จะต้องส่งออกข้อมูลทั้งหมดในทิศทางใดทิศทางหนึ่ง ซึ่งเป็นการเสริมแทนที่จะแทนที่ data management platform ที่แบรนด์ใช้งานอยู่ภายในอยู่แล้ว

สิ่งนี้สำคัญที่สุดสำหรับผู้โฆษณาขนาดใหญ่ที่ใช้งบประมาณโฆษณาข้ามหลายแพลตฟอร์มและภูมิภาค และต้องการมุมมองที่สอดคล้องกันเกี่ยวกับการทับซ้อนและการเข้าถึงเพิ่มเติม (incremental reach) โดยเทียบกับข้อมูล การกำหนดเป้าหมายตามภูมิศาสตร์ (geo targeting) จริง แทนที่จะเชื่อถือรายงานจาก walled-garden ของแต่ละแพลตฟอร์มโดยตรง ปัจจุบันพบได้น้อยกว่าในการซื้อสื่อ native และ affiliate ซึ่งแคมเปญมักมีขนาดเล็กกว่าและ การติดตามการแปลงสภาพ (conversion tracking) ทำงานผ่านการตั้งค่า pixel-and-postback ที่เรียบง่ายกว่า แต่ตรรกะความเป็นส่วนตัวพื้นฐาน จับคู่โดยไม่เปิดเผยบันทึกดิบ ปรากฏขึ้นทั่วอุตสาหกรรมมากขึ้นเรื่อยๆ เนื่องจากสัญญาณที่สูญหายผลักดันให้การวัดผลหันไปใช้วิธีการรวมข้อมูลที่รักษาความเป็นส่วนตัวมากขึ้น

สิ่งที่มันไม่ใช่#

Clean room ไม่ใช่โบรกเกอร์ข้อมูลและไม่ใช่วิธีที่จะซื้อหรือขายกลุ่มเป้าหมายโดยตรง มันคือสภาพแวดล้อมการคำนวณ: ข้อมูลเข้าไป ข้อมูลเชิงลึกที่รวมกันออกมา และบันทึกข้อมูลพื้นฐานยังคงอยู่ที่เดิม ความแตกต่างนั้นก็เป็นเหตุผลว่าทำไม clean rooms มักต้องการการตั้งค่าทางเทคนิคจริงและข้อผูกมัดการใช้จ่ายขั้นต่ำ พวกมันถูกสร้างขึ้นสำหรับความร่วมมืออย่างต่อเนื่องระหว่างแบรนด์และแพลตฟอร์มหลัก ไม่ใช่สำหรับการตรวจสอบแคมเปญครั้งเดียว

หากความสำคัญของคุณง่ายกว่า: การรู้ว่าคู่แข่งกำลังดำเนินการอะไรอยู่จริงๆ ในตอนนี้ แทนที่จะสร้างแบบจำลองการทับซ้อนกับ CRM ของคุณเอง นั่นเป็นปัญหาที่แตกต่างออกไป และเป็นปัญหาที่ดัชนี ข่าวกรองโฆษณา (ad intelligence) ของ OpenAdLibrary สร้างขึ้นมาเพื่อแก้ไขโดยตรง โดยไม่ต้องการข้อตกลงการแบ่งปันข้อมูลจากทั้งสองฝ่าย

เริ่มต้นใช้งานโดยไม่ต้องสร้างมากเกินไป#

ผู้โฆษณาขนาดเล็บบางครั้งคิดว่า clean room นั้นเกินเอื้อมหากไม่มีทีม data science ระดับองค์กร แต่ clean rooms หลายแห่งที่โฮสต์บนแพลตฟอร์มในปัจจุบันมาพร้อมกับเทมเพลตที่สร้างไว้ล่วงหน้าสำหรับคำถามที่พบบ่อยที่สุด เช่น การวัดขนาดการทับซ้อน การเข้าถึงเพิ่มเติม หรือกลุ่มผู้ชมเริ่มต้นสำหรับ lookalike ดังนั้นทีมการตลาดสามารถรันคำถามได้โดยไม่ต้องเขียนโค้ดแบบกำหนดเอง ข้อกำหนดเบื้องต้นที่แท้จริงมักจะเป็นรายการข้อมูลของฝ่ายแรก (first-party list) ที่สะอาดและจับคู่ได้ดี ไม่ใช่งบประมาณวิศวกรรมขนาดใหญ่ ดังนั้นจึงควรตรวจสอบความถูกต้องของ CRM ของคุณเองก่อนที่จะสรุปว่าแพลตฟอร์มเป็นจุดคอขวด