Pliki cookie stron trzecich były głównym mechanizmem identyfikacji osób odwiedzających różne strony internetowe, aby móc wyświetlać im spersonalizowane reklamy, stosować capping (limit liczby wyświetleń reklamy), mierzyć skuteczność kampanii i przypisywać atrybucję.
Jednak to rozwiązanie nie jest przyjazne prywatności i kolejne przeglądarki internetowe rezygnują z ich obsługi.
Safari i Firefox już od dłuższego czasu blokują ciasteczka stron trzecich, a Google Chrome ma wyłączyć ich obsługę w 2023 r.
Jak więc reklamodawcy mają radzić sobie w takich warunkach?
Pojawiły się różne rozwiązania dla tego problemu, a jednym z nich są data clean rooms.
W tym poście wyjaśniamy, czym są data clean rooms, jak działają, jakie są ich zalety i wady oraz dlaczego niektóre marki budują własne rozwiązania zamiast korzystać z istniejących już produktów.
Co to jest data clean room?
Data clean room to oprogramowanie, które pozwala markom i reklamodawcom prowadzić targetowane kampanie reklamowe, stosować capping, mierzyć i raportować skuteczność kampanii oraz przypisywać atrybucję — a wszystko to w sposób przyjazny prywatności. Wystarczy, że dana marka prześle swoje dane do data clean roomu i porówna je z danymi zagregowanymi tam, pochodzącymi od innych marek.
W przeciwieństwie do innych rodzajów partnerstw w zakresie danych, w ramach których firmy bezpośrednio wymieniają dane o użytkownikach (np. identyfikatory plików cookie, identyfikatory urządzeń i identyfikatory utworzone na podstawie zaszyfrowanych adresów e-mail), data clean roomy dopasowują dane dostarczane przez marki i reklamodawców, ale uniemożliwiają dostęp do nich poza data clean roomem. Wszystkie dane przesyłane do data clean roomu są tam bezpieczne.
Jak działa data clean room?
Pierwszy krok to dodanie własnych danych do data clean roomu. Następnie dane są czyszczone i zabezpieczane przy użyciu np. pseudonimizacji, ograniczenia dostępu, różnicowaniu prywatność i noise injection. Trzecia faza to umieszczenie danych w kohortach.
Dane mogą być następnie aktywowane — tj. wykorzystywane do różnych procesów reklamowych i marketingowych, takich jak targetowanie, pomiary i analiza odbiorców.
Reklamodawcy i wydawcy mogą analizować raporty dostarczane przez data clean room, aby modyfikować swoje kampanie.
Aby zrozumieć, jak działają data clean roomy, użyjmy analogii do metalowego pudełka, które jedzie po taśmie w fabryce.
- Załadunek – reklamodawcy umieszczają na taśmie paczkę swoich danych (danych własnych). W paczce mogą znajdować się różne dane, np. o użytkownikach, transakcyjne czy historyczne. Na drugiej taśmi inny reklamodawcy wykłada swoje paczki danych.
- Czyszczenie – taśma zabiera paczki do metalowego pudła, czyli data clean roomu. Tu dane od obydwu reklamodawców są dopasowywane i czyszczone — tj. dopasowywani są odbiorcy i stosowane są techniki ochrony prywatności (np. szyfrowanie, mieszanie, pseudonimizacja, ograniczanie dostępu i noise injection).
- Gotowe – od tego momentu obaj reklamodawcy mogą wyświetlać reklamy konkretnym odbiorcom, czytać raporty i analizować dane.
Ponieważ prywatność jest najważniejszym elementem data clean roomu, raporty generowane na podstawie danych tam zgromadzonych są oparte o “dane zagregowane”. Dowiesz się więc, ile osób kliknęło w twoją reklamę, ale nie dowiesz się kim był klikający.
Do czego używa się data clean roomów?
Zmiany technologiczne dotyczące prywatności, a także nowe przepisy prawne mają na celu stworzenie bezpieczniejszego świata cyfrowego dla użytkowników Internetu. Jednocześnie firmy, które prowadzą internetowe działania reklamowe, muszą się dostosować do zmian.
Data clean roomy zapewniają równowagę między ochroną prywatności użytkowników a umożliwieniem firmom dotarcia do odbiorców, mierzenia wydajności ich kampanii oraz przypisania wyświetleń i kliknięć do konwersji.
Data clean room umożliwia firmom nawiązywanie partnerstw marketingowych poprzez rozpoznanie wspólnych klientów i stworzenie bardziej szczegółowych profili użytkowników i analizę anonimowych raportów.
Zalety, wady i ryzyka związane z data clean roomami
Jak w przypadku każdej technologii, data clean roomy mają zarówno swoje pozytywne, jak i negatywne strony.
Zalety używania data clean roomów:
- Przyjazne dla prywatności rozwiązanie do analizowania grup odbiorców, targetowania reklam i mierzenia skuteczności kampanii. Mimo że dane o użytkownikach są dodawane do data clean roomu, nie są one udostępniane innym firmom.
- Niektóre data clean roomy mają możliwość śledzenia skuteczności kampanii reklamowych prowadzonych w różnych kanałach dystrybucji.
- Dane dodane do data clean roomów nie są udostępniane innym firmom, co pozwala właścicielom danych zachować nad nimi kontrolę.
Wady używania data clean roomów:
- Zagregowane dane są mniej dokładne niż dane oparte na identyfikatorze.
- Zanim będzie można przesłać dane do data clean roomu, muszą one zostać ujednolicone do jednego formatu, aby można było z nich korzystać.
- Niechęć do udostępniania danych własnych i danych transakcyjnych może niekorzystnie wpłynąć na ogólną skuteczność data clean roomów i różne ich funkcje.
- Wiele data clean roomów działa na określonej platformie (np. Google lub Facebook).
- Ponieważ data clean roomy są stosunkowo nowymi narzędziami, nie ma jeszcze uniwersalnych standardów ich implementacji.
Ryzyka związane z data clean roomami:
- Aby pracować nad skutecznością kampanii, reklamodawcy muszą najpierw podzielić się swoimi danymi. W najgorszym możliwym scenariuszu naruszenie ochrony danych może prowadzić do wysokich kar pieniężnych, utraty reputacji i klientów.
- Ręcznie zarządzane data clean roomy są podatne na błędy ludzkie, np. udzielenie dostępu nieodpowiednim osobom, niepoprawne formułowanie zapytań i wymiana danych w niezabezpieczonym środowisku.
- Różne organizacje tworzą polityki różne bezpieczeństwa. Dane dodawane do data clean roomów mogą się różnić między sobą w zależności od:
– Branży i wertykału: Więcej danych wrażliwych zbiera np. branża healthcare niż branża automotive.
– Chęci dzielenia się danymi: Firmy mają różne podejście do dzielenia się wiedzą – jedne będą skłonne udostępnić wszystkie swoje dane, inne tylko ich połowę.
Pomimo wad i zagrożeń związanych z korzystaniem z data clean roomów, oferują one bardzo obiecujące rozwiązanie dla aktualnych wyzwań branży reklamy automatycznej, tj. targetowanie i mierzenie skuteczności reklam, w sposób przyjazny dla prywatności.
Jaka jest różnica między CDP i data clean roomem?
Zarówno reklamodawcy, jak i wydawcy zbierają dane o użytkownikach z różnych źródeł. Aby sprawniej gromadzić i zarządzać tymi danymi, powstały platformy danych o klientach (customer data platform, CDP). Data clean room rozszerza możliwości CDP i przenosi zarządzanie danymi na wyższy poziom.
Ale jakie są różnice między tymi rozwiązaniami?
- CDP umożliwia gromadzenie, udostępnianie i przetwarzanie danych własnych, ale koncentruje się na identyfikowaniu użytkowników. W przypadku data clean roomów nacisk kładziony jest na wykorzystanie anonimowych danych własnych.
- CDP z podstawowymi poziomami bezpieczeństwa (np. udzielanie dostępu) jest bardziej podatny na wyciek danych w porównaniu z wysokim poziomem bezpieczeństwa w data clean roomie.
- Nie możesz analizować danych z innych firm w CDP, ale dzięki data clean roomowi możesz otrzymywać anonimowe raporty na podstawie zagregowanych danych.
Aletrnatywy dla data clean roomów
Dostępność ciasteczek stron trzecich spada od kilku lat. Od momentu ogłoszenia przez Google Chrome, że przeglądarka również przestanie je wspierać, zaczęły pojawiać się różne alternatywy dla reklamodawców – między innymi data clean roomy.
Dla samych data clean roomów też są alternatywy. Oto trzy najważniejsze z nich:
- Universal IDs: reklama automatyczne opiera się na identyfikatorach. Uniwersalne identyfikatory pojawiły się jako zamiennik ciasteczek stron trzecich, w których adresy e-mail są używane do tworzenia zaszyfrowanych identyfikatorów. O identyfikatorach piszemy więcej tu.
- Google Chrome’s Privacy Sandbox: to rozwiązanie, które łączy potrzebę ochrony prywatności użytkowników i potrzebę prowadzenia skutecznych kampanii reklamowych przez reklamodawców. Najnowszy standard, Topics API, pozwala reklamodawcom wyświetlać reklamy na bazie “zainteresowań” użytkowników przeglądarki.
- Targetowanie kontekstowe: takie targetowanie było pierwszą metodą docierania do użytkowników — rozpoczęło się wraz z narodzeniem reklamy internetowej w 1994 roku. Targetowanie kontektowe to nic innego jak wyświetlanie reklam w konkretnym kontekście – na stronach www lub w aplikacjach mobilnych. Mimo że brzmi dość nieskomplikowanie, w połączeniu z innymi danymi pochądzącyi od wydawcy, może przynieść pozytywne efekty.
Cały czas powstają także inne technologie, jak np. Kryptotożsamości, czyli avatary, które mają reprezentować użytkowników (zapewniając większą prywatność). Technologia ma umożliwiać dopasowywanie, pozyskiwanie i testowanie danych bez udostępniania danych osobowych.
Jakie firmy stworzyły już data clean roomy?
Są trzy rodzaje data clean roomów. Pierwszy zapewniają adtechowe walled gardens, drugi niezależne wyspecjalizowane firmy, a trzeci rodzaj jest tworzony przez firmy, które nie wyspecjalizowały się w AdTechu, ale posiadają ogromne ilości danych, użytkowników i treści. Jakie są różnice między tymi data clean roomami?
Rodzaj pierwszy: Google, Amazon, czy Facebook stworzyły media clean roomy — każda z tych firm zbiera ogromne ilości danych, hashuje je i udostępnia firmom, które korzystają z ich platform reklamowych.
Rodzaj drugi: wydawca i reklamodawca importują swoje dane do data clean roomu stworzonego przez firmę wyspecjalizowaną w tej technologii (przykłady takich firm pokazujemy dalej w tekście).
Rodzaj trzeci: firmy takie jak Disney, Spotify, czy TikTok, które mają ogromną ilość użytkowników, a przez to i ogromną ilość danych, budują własne data clean roomy.
Oto kilka przykładów firm, które stworzyły data clean roomy.
Google Ads Data Hub
Google Ads Data Hub to bezpieczne rozwiązanie do przechowywania danych oparte na Google Cloud. Zapewnia narzędzia do tworzenia niestandardowych raportów, które nie zawierają danych osobowych (PII). Źródła danych pochodzą z Google Campaign Manager, Display & Video 360 (DV360), Google Ads i YouTube.
Amazon Marketing Cloud (AMC)
Amazon Marketing Cloud (AMC) to rozwiązanie zbudowane na Amazon Web Services. Pomaga firmom analizować kampanie cross-media poprzez dopasowywanie i analizowanie dwóch źródeł danych: danych reklamodawcy i danych pochodzących z Amazon Advertising.
InfoSum
InfoSum stworzył bezpieczne środowisko dla danych. Mechanizmy wykorzystywane przez InfoSum przetwarzają dane w zdecentralizowanym i niezależnym od chmury “pomieszczeniu”, co eliminuje wszelkie ryzyko wycieku danych związane ze scentralizowanymi data lake-ami lub hurtowniami danych.
Snowflake
Dzięki Snowflake reklamodawcy mogą wspólnie przetwarzać dane. Data clean room w Snowflake dostarcza informacji w czasie rzeczywistym i jednocześnie ukrywa dane osobowe klientów.
Aqilliz
Aqilliz to technologia pośrednicząca, odpowiednia dla obecnie rozproszonego ekosystemu marketingu cyfrowego. Aqilliz oferuje korzyści zarówno markom, platformom, jak i konsumentom, dostarczając rozwiązania do współpracy, które zapewniają zgodność z przepisami dotyczącymi prywatności.
Aby dowiedzieć się jak dokładnie działa data clean room od Aqilliz, posłuchaj wywiadu, który przeprowadziliśmy z CEO firmy, Gowthamanem Ragothamanem.
Disney Advertising Sales
Firma Disney Advertising Sales stworzyła swój data clean room w 2021 r. Rozwiązanie jest niezależne od chmury i jest oparte na danych pochodzących z Disney Select i Disney Advertising. Partnerami strategicznymi w chmurze są Habu, InfoSum i Snowflake.
Czemu marki używają i budują data clean roomy?
Zaobserwowaliśmy trzy różne trendy związane z budowaniem data clean roomów, przy czym sektor sprzedaży detalicznej wydaje się korzystać z tych rozwiązań najchętniej.
Hershey gromadzi dane z kart lojalnościowych od sprzedawców detalicznych
Hershey to przykład firmy, która stara się rozwijać swoją strategię reklamową i gromadzić nowe informacje na temat skuteczności swoich kampanii reklamowych. Producent słodyczy sprzedaje swoje produkty za pośrednictwem sieci detalistów, ale brakuje mu wglądu w kluczowe obszary jego działalności, np. skuteczność swoich programów lojalnościowych.
Budując własny data clean room, Hershey może przekonać detalistów do udostępniania mu ich danych, a dzięki temu sprawdzać liczbę powtarzających się reklam, analizować programy lojalnościowe i obrać właściwy kierunek dla kolejnych działań reklamowych. Detaliści łączą dane z kart lojalnościowych z danymi Hershey w data clean roomie Hershey.
Unilever próbuje rozwiązać problemy z mierzeniem skuteczności kampanii prowadzonych na wielu platformach
Unilever używa data clean roomu do namierzenia tych platform, na których reklamy zostały wyświetlone temu samemu użytkownikowi i nie przyniosło to pozytywnego efektu (sprzedaży). Unilever korzysta w tym celu z rozwiązań stworzonych przez Nielsen i Kantar, analizując rezultaty z Google, Facebooka i Twittera.
Disney poprawia skuteczność swoich reklam
Disney stworzył swój data clean room, aby ułatwić marketerom pracę. Dzięki współpracy z Habu, InfoSum i Snowflake, Disney jest w stanie zaoferować swoim reklamodawcom przyjazny dla prywatności sposób dotarcia do odbiorców Disneya i uzyskania cennych informacji o konsumentach.
Podsumowanie
Ze względu na rychły koniec ery ciasteczek stron trzecich, firmy szukają sposobów na kontynuację procesów reklamowych przy jednoczesnym poszanowaniu prywatności użytkowników.
Data clean room to jedno z możliwych rozwiązań dla tego problemu.
Aby skorzystać z funkcjonalności data clean roomu, dwa podmioty (np. reklamodawca i wydawca) przygotowują pakiety danych i przesyłają je do data clean roomu. Następnie dane są szyfrowane i anonimizowane. Obie strony otrzymują informacje w postaci kohort i raportów zbiorczych.
Data clean roomy są najczęściej używane do targetowania i personalizacji reklam, cappingu, mierzenia skuteczności i przypisywania atrybucji.
Na rynku są dostępne także alternatywy data clean roomów, np. uniwersalne identyfikatory użytkowników, Google Privacy Sandbox czy targetowanie kontektowe.
Warto także wiedzieć, że istnieją trzy rodzaje data clean roomów: te oferowane przez Google, Meta i Amazon (Walled Gardens), te od niezależnych dostawców oraz te tworzone na zamówienie przez wielkie marki.
