Introducción
Si eres un marketer, es poco probable que hayas conseguido evitar una conversación en los últimos meses en la que no se haya mencionado al menos una vez la “Data Clean Room”, y normalmente en un tono emocionado pero ligeramente confuso.
¿Qué es esta extraña e higiénica cámara de datos de la que todo el mundo habla?
Algunos se refieren a las data clean rooms como “la Suiza de los datos”, y con razón, porque ofrece un espacio neutral y seguro para que los datos de los usuarios de primera parte se aprovechen en colaboración. En un entorno de data clean room, dos partes pueden compartir y analizar los datos de forma segura, con pleno control de cómo, dónde y cuándo pueden utilizarse.
De este modo, las marcas tienen acceso a datos muy necesarios, pero en un espacio que cumple con la normativa y no viola la privacidad de los consumidores. Mientras que los datos a nivel de usuario entran en la data clean room, los insights agregados salen en un grupo de audiencia mixto llamado cohorte.
Así que, para que estés bien equipado para 2022, vamos a llevarte a un viaje a través de espesos bosques de incógnitas y profundos lagos de datos de first-party, en una guía completamente dedicada al tema de las data clean rooms.
Al final, sabrás todo lo que son, cómo funcionan, por qué los marketers los necesitan y cómo van a afectar de forma drástica a nuestra capacidad de medir las campañas en los próximos años.
Pero antes, empecemos con la historia que nos ha llevado a este punto.
¿Qué son las data clean rooms?
Esto es evolución, cariño
A pesar de su resurgimiento en el último año, las data clean rooms como concepto infraestructural existen desde hace unos años.
Google no fue el primero en acuñar el término, pero sí fue la primera empresa en comercializar una solución de data clean room, lanzando su Ads Data Hub en 2017. El objetivo era crear un entorno seguro y privado para enriquecer sus datos de first-party (procedentes de CRM, CDP, registros de eventos, etc.) con datos a nivel de usuario contenidos en el ecosistema de Google, tras lo cual podrían aprovecharse para las campañas de Google.
Apenas un mes después, Facebook anunció su propia oferta de data clean room para compartirlos con sus clientes. ¿Una coincidencia? Probablemente no.
Pero fue 2018 el año que realmente marcó la era de la privacidad de los usuarios, con legislaciones como el GDPR y el Intelligent Tracking Prevention 2.0 de Apple que se convirtieron en los nuevos sheriffs de la privacidad.
Siguiendo el ejemplo en 2019, Amazon lanzó una plataforma de data clean room titulada Amazon Marketing Cloud, la CCPA entró en vigor a principios de 2020, y en abril de 2020 – todo el ecosistema de aplicaciones móviles jadeó cuando Apple dejó caer su bomba de mecanismo de opt-in en iOS 14 – alias ATT.
El aumento de las leyes de privacidad de los usuarios y el endurecimiento de las normas de privacidad de los datos han transformado la forma en que los anunciantes y las marcas pueden recoger y compartir los datos de los consumidores.
Facebook anunció en octubre de 2021 que ya no enviará los datos de las campañas a nivel de usuario a los anunciantes, sino únicamente a los Mobile Measurement Partners (MMP), y se espera que otras redes se unan a la fiesta en breve.
Entre el marco ATT de Apple, que cambia el juego, la decisión de Facebook sobre los datos a nivel de usuario y la próxima desaparición de las cookies de terceros de Google en 2023, la escala y la amplitud del intercambio de datos son cada vez más limitadas, lo que hace que la medición y la optimización de las campañas sean más difíciles que nunca.
Por lo tanto, las marcas se están esforzando por encontrar nuevas formas de obtener información de marketing significativa de forma que se respete la privacidad.
Iniciando la tendencia de las alianzas de intercambio de datos en 2019, Disney comenzó a colaborar con Target, Unilever unió fuerzas con Facebook, Google y Twitter para crear un modo de medición multicanal, ITV se asoció con Infosum en 2020 y, en 2021, TransUnion lanzó su colaboración de datos con BlockGraph.
¿El elemento aglutinante que ha permitido todas estas abundantes colaboraciones de datos que sólo se espera que aumenten? Pues a las data clean rooms, por supuesto.
¿Qué es una data clean room?
Las Data clean rooms permiten a los especialistas en marketing aprovechar el poder de los conjuntos de datos combinados mientras se adhieren a las regulaciones de privacidad. La información de identificación personal (PII) o los datos de atribución restringida de los usuarios individuales no están expuestos a ninguno de los contribuyentes involucrados, lo que los impide seleccionar a los usuarios utilizando sus identificadores únicos.
Los datos de PII y a nivel de usuario se procesan para que puedan estar disponibles para una variedad de propósitos de medición, produciendo datos anónimos que luego se pueden cruzar y combinar con datos de diferentes fuentes.
En la mayoría de los casos, los únicos resultados de la data clean room son información de nivel agregado, por ejemplo, a los usuarios (¡plural!) que han realizado la acción X se les debe ofrecer Y. Dicho esto, es importante tener en cuenta que la salida a nivel de usuario puede tener lugar con el pleno consentimiento de todas las partes involucradas.
El ingrediente clave que hace que las data clean rooms sean una plataforma altamente creíble es el hecho de que el acceso, la disponibilidad y el uso de los datos son acordados por todas las partes de la data clean room, mientras que el gobierno de datos es aplicado por el proveedor de data clean rooms de confianza.
Este marco garantiza que una parte no pueda acceder a los datos de la otra, lo que mantiene la regla básica que establece que los datos individuales o a nivel de usuario no se pueden compartir entre diferentes empresas sin consentimiento.
Digamos que una marca quiere compartir insights con Macy’s. Para facilitarlo, cada parte necesita colocar sus datos a nivel de usuario en una data clean room, para ver lo que la otra ya sabe sobre las audiencias que tienen en común, por ejemplo, el alcance y la frecuencia, el solapamiento de las audiencias, la planificación y distribución entre plataformas, el comportamiento de compra y los datos demográficos.
Las data clean rooms también se pueden utilizar como una herramienta intermediaria para medir el rendimiento de la campaña. En lugar de adivinar los insights de la audiencia, las marcas pueden mirar dentro de los datos de first-party de Amazon o Google, respetando completamente la privacidad.
A cambio, los anunciantes pueden obtener una salida agregada sin identificadores individuales, incluyendo la segmentación y las audiencias similares, que luego se pueden compartir con un editor, un DSP, o una red publicitaria para reportar una campaña. Por otra parte, si eres un minorista con una red publicitaria, por ejemplo, podrás aprovechar este resultado a la hora de comprar anuncios.
Dándole sentido a todo – ¿Cómo funciona una data clean room?
Una operación de data clean room consta de cuatro partes:
1 – Ingestión de datos
Al principio, los datos de first-party (de CRM, sitio/aplicación, atribución, etc.) o los datos de 2nd-party de las partes colaboradoras (es decir, marcas, socios, redes publicitarias, editores) se canalizan hacia la data clean room.
2 – Conexión y enriquecimiento
A continuación, los conjuntos de datos se emparejan a nivel de usuario y se hacen complementarios mediante herramientas como el enriquecimiento de datos de terceros.
3 – Análisis
En esta fase, se analizan los datos para:
- Intersecciones o solapamientos
- Medición y atribución
- Puntuación de propensión
4 – Aplicaciones de marketing
Al final del viaje de la data clean room, los resultados de los datos agregados permiten a los profesionales del marketing:
- Construir audiencias más relevantes
- Optimizar su experiencia de cliente y las pruebas A/B
- Ejecutar la planificación y la atribución entre plataformas
- Realizar la medición del alcance y la frecuencia
- Realizar un análisis más profundo de la campaña
Ahora que hemos cubierto el cómo, ¿qué pasa con la forma en que los datos se emparejan realmente?
Cuando se trabaja con una data clean room, los identificadores como el correo electrónico, la dirección, el nombre o el ID del móvil son similares tanto en el lado del anunciante como en el del editor, lo que permite una coincidencia exitosa de ambas fuentes de datos.
Si no existen tales identificadores, podrían aplicarse herramientas avanzadas como el aprendizaje automático y el modelado probabilístico para mejorar la capacidad de cotejo.
¿Por qué los marketers necesitan una data clean room?
Lo primero y más importante es el aumento del escrutinio en torno a la privacidad de los datos.
Impulsados por las normativas de privacidad y las iniciativas de privacidad amurallada (más sobre esto en breve), cada vez es más complejo para los anunciantes y editores recoger, almacenar, analizar y compartir datos.
La razón sería la falta de confianza comercial entre las partes. Como todos sabemos bien, entregar datos valiosos de first-party fuera de una data clean room es arriesgado tanto desde una perspectiva legal como comercial.
Por último, los procesos ineficientes de síntesis de datos, en los que la correlación de datos entre conjuntos de datos separados requiere un gran esfuerzo por parte de los científicos de datos, lo cual es una tarea costosa y que requiere mucho tiempo.
Data clean rooms al rescate
En lo que respecta a la privacidad de los datos, todas las partes de una data clean room mantienen el control total de tus datos, que suelen estar totalmente codificados durante todo el proceso. Una data clean room incluye una gobernanza y unos permisos estrictos, en los que cada parte define a qué y cómo se accede a sus datos y cómo se utilizan.
Otro aspecto importante que aborda los desafíos mencionados anteriormente es la privacidad diferencial, que hace imposible vincular una impresión, un clic o una actividad específica a un usuario concreto.
Por último, pero no por ello menos importante, las data clean rooms ofrecen computación centrada en la privacidad, consultas y reportes agregados adecuados para las integraciones de los conjuntos de datos.
Panorama comparativo de un mercado nuevo
Los datos a nivel de usuario solían ser la base de los mobile marketers. Sin embargo, en los últimos años, el aumento de la normativa centrada en la privacidad y el hecho de que estos datos se hayan vuelto más escurridizos que un leopardo de las nieves, significa que los anunciantes están ahora luchando por tomar decisiones basadas en los datos.
Y si pensabas que esto es sólo una fase, pues piénsalo de nuevo. Se prevé que estos cambios en el ecosistema se aceleren, lo que restringirá aún más el acceso a estos datos, haciendo que la optimización del negocio sea aún más difícil de lo que ya es.
Pero no se trata de una historia triste, y estos cambios podrían ser una valiosa oportunidad para que las marcas cultiven su ventaja competitiva. Forrester lo articuló muy bien al afirmar que “las prácticas éticas de privacidad serán la próxima fuente de diferenciación basada en valores e impulsada por los consumidores.”
Las data clean rooms surgen de esta misma mentalidad centrada en la privacidad del consumidor. Además, impulsadas por la necesidad de cumplir con la privacidad y la medición y optimización de medios cruzados, las data clean rooms se están convirtiendo en una herramienta esencial en las pilas tecnológicas de los marketers.
Según Gartner, el 80% de los anunciantes con importantes presupuestos de medios utilizarán data clean rooms para 2023, y estima que actualmente hay entre 250 y 500 despliegues de data clean rooms que están activos o en diversas etapas de desarrollo.
¿Qué tipo de criaturas de la data clean room existen? Vamos a desglosarlo:
Tipos de data clean rooms – Presentación del reparto y del equipo
Todas las data clean rooms ayudan a ocultar a los consumidores en una multitud desidentificando sus datos a nivel de usuario y agrupándolos en función de atributos comunes. Pero, ¿en qué se diferencian unos de otros?
Para ayudarte a entender el panorama de las data clean rooms, que se está desarrollando rápidamente, vamos a desglosar las razas existentes, evaluar el rendimiento relativo de cada una en la cadena de valor y examinar sus ventajas e inconvenientes:
Jardines amurallados – Grandes plataformas tecnológicas
Este grupo está formado por ecosistemas cerrados en los que el proveedor de tecnología tiene un control significativo sobre el hardware, las aplicaciones o los contenidos.
Los jardines amurallados de AdTech fueron introducidos por primera vez por Google, Amazon y Meta (Facebook) para comercializar de forma segura sus datos de first-party y también capturar el gasto publicitario de los rivales.
No hace falta decir que casi el 70% de todo el gasto en medios publicitarios recae en estos tres gigantes, cada uno de los cuales permite a los anunciantes trabajar en sus entornos de jardines amurallados: Centro de datos de Google Ads (ADH), Análisis Avanzados de Facebook (FAA) y Amazon Marketing Cloud (AMC).
Estos entornos de seguridad rigurosa son donde las mega redes de autoreporte (SRN) hacen que los datos a nivel de eventos sean accesibles para los marketers, de modo que puedan tomar decisiones informadas sobre las campañas, sin poner en peligro la privacidad de los consumidores ni los fosos de defensa estrechamente protegidos de los ecosistemas.
Ventajas
- Soporte para el enriquecimiento de conjuntos de datos de first-party con datos a nivel de evento
Desventajas
- Ofrecer materias primas para el análisis: hacer que estos datos sean legibles para el marketer común requerirá un equipo de científicos de datos, analistas e ingenieros
- Arquitectura rígida
- Falta de capacidad para generar datos procesables entre plataformas (por ejemplo, atribución multitáctil)
- Falta de colaboración de datos entre empresas
- Funcionalidad de consulta estricta
Multiplataforma o jugadores neutrales
Este tipo de data clean rooms consta de dos subgrupos, cada uno con su propio conjunto de puntos fuertes e inconvenientes:
Diversificado
Se trata principalmente de empresas heredadas que operan en sectores adyacentes, como las aplicaciones de marketing o el almacenamiento de datos en la nube, y que ofrecen mecanismos de colaboración de datos para la recopilación de señales de forma conforme a la normativa. Este grupo incluye proveedores como Epsilon, Measured, BlueConic y Merkle.
Pros
- Flexibilidad arquitectónica
- Controles de gobernanza a medida sobre el tipo de datos y el nivel de análisis
Cons
- Acceso limitado a los datos del jardín amurallado
- Ecosistema de socios estrecho
- Integración limitada de las fases posteriores del proceso
- Aprovecha la funcionalidad existente de la Customer Data Platform (CDP) / Complex Event Processing (CEP), lo que podría dar lugar a posibles problemas de datos
Jugadores puros
Se trata de los jóvenes proveedores de data clean rooms a pequeña y mediana escala, entre los que se encuentran Hobu, Harbr, InfoSum y Decentriq, así como herramientas más centradas en la empresa, como SnowFlake.
Ventajas
- Flexibilidad arquitectónica
- Aprovecha la infraestructura existente de canalización y almacenamiento de datos (SnowFlake)
- Acceso a un ecosistema de socios integrados (SnowFlake)
Desventajas
- Granularidad limitada de los datos de first-party
- A menudo depende de la infraestructura de terceros para la ingestión de datos
- Estrecho grupo de opciones de integración en sentido descendente
Socio de medición móvil (MMP)
Idealmente, un MMP es un actor de confianza e imparcial que permite aprovechar todos los datos disponibles a nivel de usuario utilizando la propia lógica empresarial de los clientes, y luego consumirlos a través de perspectivas agregadas y procesables.
Ventajas
- Recurso acorralado: granularidad de los datos a nivel de usuario y entre canales
- Datos de conversión en tiempo real
- Análisis exhaustivos creados para la lógica empresarial de las aplicaciones móviles
- Opciones de integración flexibles
- Reportes agregados de alta calidad
Desventajas
- Los SRNs podrían imponer algunas limitaciones en torno a la granularidad de los datos y las acciones relacionadas con las consultas
- Falta de arquitectura CDP existente
Para evaluar el mejor proveedor de data clean rooms para ti, asegúrate de tener en cuenta tu canal principal (móvil, aplicación o web), el tamaño del negocio, las necesidades de marketing, la estructura de datos y los recursos internos.
¿Hacia dónde se dirige el mercado?
La recopilación de datos de first-party ya se ha convertido en una misión altamente estratégica, y esta trayectoria seguirá acelerándose en los próximos años. Impulsado por esta tendencia, el creciente interés en la colaboración de datos para preservar la privacidad más allá de los jardines amurallados ha dado lugar a una proliferación de proveedores de data clean rooms neutrales.
De hecho, Gartner predice que el 80% de los marketers con presupuestos de medios superiores a 1.000 millones de dólares adoptarán data clean rooms para 2023.
Esto es una buena noticia para todo nuestro ecosistema de datos, porque cuanto más diversas sean las opciones, más fácil será para las empresas adoptar la plataforma de data clean room más adecuada para sus necesidades únicas.
Y cuanto más colaboren las empresas en terrenos de datos intermedios regulados, como las data clean rooms, más fácil será para los marketers medir, atribuir y optimizar sus campañas.
Permítenos mostrarte tu sala – ¿Cómo elegir la data clean room adecuada para tu negocio?
Los anunciantes que gastan dólares significativos en ecosistemas de datos necesitan hacer una inversión en data clean room ahora. Pero, tanto si estás implementando una nueva data clean room como si quiere ampliar una ya existente, ¿cómo puedes tomar una decisión informada sobre la solución más adecuada para tu empresa?
Para ayudarte a decidir, vamos a arrojar más luz sobre el panorama competitivo de las data clean rooms, donde se tienen en cuenta dos factores principales:
- El volumen y la calidad de los datos, denominados profundidad
- Y la variedad de datos recibidos, denominada amplitud
El grupo del jardín amurallado tiene la ventaja de la profundidad de los datos, pero carece de variedad. El grupo pure-play suele ofrecer únicamente la tecnología de data clean room con muy poca profundidad o amplitud de datos. Y luego están tus MMPs, que proporcionan tanto la tecnología de la data clean room, como la profundidad y amplitud de los datos, y una variedad de integraciones de socios.
Al considerar una data clean room, ten en cuenta que hay varias prácticas recomendadas que puedes seguir para asegurarte de obtener el máximo valor posible:
- En primer lugar, asegúrate de tener en cuenta tu canal principal (ya sea móvil, aplicación o web), el tamaño del negocio, las necesidades de marketing, la estructura de datos y los recursos internos.
- A continuación, empieza a diseñar tu data clean room pensando en tus consumidores. No sólo para el presente, sino para el futuro. Las mejores data clean rooms están preparadas para anticiparse a los cambios en el comportamiento de los consumidores.
- Por último, empieza a hacer pruebas con un público en directo. Analizar el comportamiento de los consumidores en tiempo real y obtener insights procesables es algo muy valioso.
¿Por qué no se han generalizado las data clean rooms (todavía)?
- Hay que dejar claro esto, amigos: las data clean rooms no son baratas. Los grandes proveedores de servicios de seguridad ofrecen alternativas, pero los obstáculos logísticos y operativos de trabajar con estas plataformas pueden suponer una carga para todas las partes.
- El éxito de las data clean rooms radica en que se compartan los datos, y no todos los anunciantes se apresuran a divulgar datos transaccionales detallados, principalmente debido a la idea errónea de los posibles riesgos para la privacidad. Y cuando se introducen datos a medias, salen datos a medias, lo que resulta en una medición aproximada en el mejor de los casos.
- Todavía no se han determinado las normas universales de aplicación. Esto significa que la puesta en común de los datos que existen en múltiples formatos y el trabajo de preparación que conlleva su agregación pueden requerir mucho tiempo.
- Por último, debemos recordar que los datos a nivel de usuario siguen estando disponibles en algunos casos (por ejemplo, los dispositivos Android y los usuarios de iOS que dan su consentimiento), lo que podría aliviar al menos parte de la urgencia de implementar una solución de data clean room.
¿Pueden superarse estos obstáculos con el socio tecnológico, los recursos y la preparación de los datos adecuados? Por supuesto. Pero en el próximo capítulo hablaremos de ello.
La practicidad de las data clean rooms – Aprovecha los casos de uso cotidiano para disparar la medición de campañas
A estas alturas ya sabemos que las data clean rooms ofrecen a los anunciantes y editores una medición segura y de circuito cerrado que cumple totalmente con la privacidad.
Pero, ¿en qué casos hay que ponerlo en práctica? ¿Qué escenarios podrían beneficiarse del análisis en un entorno de data clean room?
¡Abróchense los cinturones! Porque en esta sección vamos a aprender cómo las Data Clean Rooms permiten a los marketers:
- Construir audiencias más relevantes
- Mejorar continuamente la experiencia del cliente
- Planificación y atribución entre plataformas
- Optimizar el alcance y la medición de la frecuencia
- Realizar un análisis más profundo de la campaña
Así que vamos a ser prácticos.
1 – Medición del desempeño
El seguimiento de la retención, el ARPU, el LTV y el ROAS se señalan como casos de uso clave para las Data Clean Rooms, y con razón. Una data clean room ofrece un entorno neutral para analizar tanto los datos de CRM del anunciante como los datos de exposición de los anuncios proporcionados por los socios de marketing pertinentes.
En este caso de uso, los anunciantes pueden cargar sus datos de first-party en un Data Clean Room tras una campaña, cotejar identificadores clave idénticos y realizar un análisis de los datos de sus clientes y de los datos de exposición de los anuncios puestos a disposición por el proveedor del Data Clean Room.
Supongamos que deseas comparar los datos de tus compras recientes con los datos de exposición de los anuncios de Google. Las data clean rooms del jardín amurallado de Google, Ads Data Hub, te permitirán atribuir el porcentaje de nuevos clientes a la actividad de marketing que tuvo lugar en los canales de publicidad de Google.
Si te dedicas al eCommerce, sólo tienes que alimentar la data clean room con los datos de tu CRM, los identificadores únicos (correos electrónicos, direcciones postales, identificadores de móviles, etc.) y la fecha de compra. A continuación, cada propietario de medios incluirá los datos de exposición de sus anuncios y los identificadores únicos utilizados para crear la audiencia de la campaña.
En este punto, podrás medir con precisión la intersección entre los nuevos clientes y los expuestos a la campaña a través de cada medio, y luego determinar qué porcentaje de nuevos clientes puede atribuirse a cada canal.
2 – Construir audiencias más granulares
Después de que Apple lanzara su bomba del ATT, que dificultaba enormemente el acceso a los datos a nivel de usuario, la granularidad se convirtió en el santo grial más buscado por los profesionales del marketing durante el pasado año.
Una data clean room permite una granularidad que hasta hace poco no era posible. Recoge datos de fuentes autorizadas de terceros que se ingieren y segmentan en una serie de cubos de comportamiento, demográficos y de ubicación, y luego se aprovechan para mejorar tu base de datos interna para un enriquecimiento y análisis de datos más granular.
Lo mejor de todo es que, en lugar de exigir que se compartan los datos personales de los usuarios para realizar el análisis, una data clean room permite conectar virtualmente múltiples fuentes de datos a través de cohortes anonimizadas.
Esto permite a los marketers medir la intersección que existe entre su público objetivo y las distintas audiencias de los medios. Por último, son capaces de comprender la ruta óptima para llegar a su público, planificar campañas más eficaces y desbloquear la medición omnicanal.
¿Cómo puede el conocimiento granular de la audiencia potenciar tus esfuerzos de marketing? Me alegro de que hayas preguntado.
Segmentación precisa de la audiencia
La segmentación de tus audiencias (basada en datos precisos, como el comportamiento de los consumidores y los hábitos de compra) puede tener un efecto espectacular en la estrategia de tu campaña.
Digamos que tu marca ha consolidado recientemente una nueva asociación con otra marca que comparte una audiencia que se solapa con la tuya. Gracias a la información sobre la audiencia que ofrece Clean Room, puedes identificar puntos de superposición y características compartidas que pueden aprovecharse para realizar más análisis estratégicos.
Elaboración de contenidos a medida y curaduría de compromisos
Cuando conozcas los intereses de cada segmento de mercado, podrás crear contenidos más relevantes, recomendaciones promocionales y nuevos formatos publicitarios específicamente adaptados a esos intereses.
Perfeccionar los mensajes, los formatos, los tipos de anuncios y los canales para poder dirigirse a cada segmento de forma individual, hablar su idioma y abordar sus puntos de dolor específicos, es mucho más fácil cuando se utiliza un entorno de data clean room.
Caso de uso de la segmentación granular
Digamos que tienes una marca de eCommerce y que tus datos de first-party incluyen atributos de clientes y unidades de mantenimiento de existencias (SKUs) de productos asociados. Te gustaría realizar una campaña dirigida a un público potencial que muestre atributos similares y, a continuación, realizar una campaña de remarketing relevante basada en el historial de compras y la frecuencia.
En primer lugar, crea tus segmentos objetivo. A continuación, carga los conjuntos de datos pertinentes en una data clean room, donde tu equipo puede trabajar con socios publicitarios para cruzar tus datos de first-party con tus datos de 3rd-party. Esto da lugar a resultados agregados y procesables que pueden ayudarte a elaborar campañas específicas, sin poner en peligro la privacidad de tus usuarios.
3 – Optimización del alcance y la medición de la frecuencia
Una vez que dispongas de los datos de las impresiones a nivel PII de las redes publicitarias asociadas, podrás saber exactamente qué anuncios se están sirviendo a qué clientes y con qué frecuencia, lo que, a su vez, puede utilizarse para desduplicar el alcance y la frecuencia de las campañas, minimizar la fatiga publicitaria y mejorar tu planificación de medios.
Las data clean rooms también pueden validar la suposición de que estás llegando al público adecuado, lo que te ayudará a ajustar y perfeccionar tus criterios de segmentación. Además, las data clean rooms te permiten optimizar el viaje del cliente, atrayendo a los usuarios en función del lugar en el que se encuentran en el embudo y de cómo interactúan con tu anuncio.
4 – Medición de la incrementalidad
Los datos de impresión de los editores, las audiencias, la respuesta del first-party y los datos de conversión pueden unirse a nivel de usuario para ayudarte a entender el impacto incremental de tus esfuerzos de marketing.
Piensa en la posibilidad de comparar entre tus grupos de prueba y de mediación a través de las pruebas A/B o, lo que es más importante, entre tus grupos expuestos y no expuestos. Un material muy poderoso, ¿no?
5 – Mostrar la calidad de los usuarios a los posibles anunciantes
Los editores pueden inyectar datos a nivel de usuario en un entorno seguro de Clean Room y permitir a los anunciantes calibrar el solapamiento de los clientes, e incluso la calidad de los usuarios, en función de diversas características.
Por otro lado, los anunciantes pueden crear una audiencia y luego probarla con el editor X para evaluar los resultados. Es una caja de arena ideal para que tanto los editores como los anunciantes puedan opinar y demostrar el valor de sus usuarios adquiridos.
6 – Forjar asociaciones de datos de first-party
Desde el punto de vista estratégico, dos entidades pueden acordar la unión y el emparejamiento de conjuntos de datos en un entorno protegido y de autorización exclusiva, cultivando nuevas asociaciones dentro del ecosistema de los medios.
Este análisis cruzado garantizado también puede ayudar a impulsar el desarrollo de productos y permitir a los responsables de marketing mejorar su planificación estratégica.
7 – Formación, inferencia y puntuación de propensión
Por último, un entorno de data clean room te permite recuperar el acceso a datos restringidos a nivel de usuario, necesarios para ejecutar con éxito modelos de formación e inferencia, e incluso modelos de propensión, mediante los cuales puedes obtener una estimación de la probabilidad de que un cliente realice una acción específica.
