Es ist an der Zeit, aufzuräumen – der vollständige Guide für Data Clean Rooms

Einführung

Wenn Sie ein Marketer sind, sind Sie bestimmt in den letzten Monaten auf das Thema „Data Clean Room“ gestoßen.

Was ist das für eine seltsame, hygienische Datenkammer, von der alle reden? 

Manche bezeichnen Daten Clean Rooms als „die Schweiz der Daten“, und das zu Recht, denn sie bieten einen neutralen, sicheren Raum für einen kollaborativen Austausch von 1st-Party-Nutzerdaten. In einer Data-Clean-Room-Umgebung können zwei Parteien auf sichere Weise Daten austauschen und analysieren, wobei sie die volle Kontrolle darüber haben, wie, wo und wann diese Daten genutzt werden können. 

Marken erhalten Zugang zu dringend benötigten Daten, und das in einem rechtskonformen Rahmen, der nicht gegen die Privatsphäre der Verbraucher:innen verstößt. Während die Daten auf Nutzerebene in den Data Clean Room fließen, werden die aggregierten Erkenntnisse in einer kombinierten Zielgruppengruppe, einer Kohorte, gewonnen. 

Damit Sie gut gerüstet sind, nehmen wir Sie mit auf eine Reise durch dichte Wälder von 1st-Party-Daten – in einem Guide, der ganz dem Thema Data Clean Rooms gewidmet ist.  

Sie erfahren alles darüber, was sie sind, wie sie funktionieren, warum Marketers sie brauchen und wie Kampagnen gemessenen werden.

Aber bevor wir das tun, wollen wir damit beginnen, die uns alle an diesen Punkt gebracht hat.

1. Kapitel

Was sind Data Clean Rooms?

Die Evolution

Trotz ihres Wiederauflebens gibt es Data Clean Rooms als Infrastruktur schon seit einigen Jahren. 

Google war nicht der erste, der den Begriff geprägt hat, aber es war das erste Unternehmen, das eine Data-Clean-Room-Lösung auf den Markt gebracht hat und 2017 seinen Ads Data Hub einführte. Ziel war es, eine sichere und private Umgebung für die Anreicherung ihrer 1st-Party-Daten (aus CRMs, CDPs, Event-Logs usw.) mit Daten auf Nutzerebene zu schaffen, die im Google-Ökosystem enthalten sind, um sie anschließend für Google-Kampagnen zu nutzen.

Kurze Zeit später kündigte Facebook sein eigenes Data Clean Room Angebot an, um Daten mit seinen Kunden zu teilen. Ein Zufall? Wahrscheinlich nicht. 

Doch 2018 war das Jahr, in dem der Startschuss für die Ära des Nutzerdatenschutzes gefallen ist. Gesetze, wie die Datenschutz-Grundverordnung (DSGVO) und Apples „Intelligent Tracking Prevention 2.0“ wurden zu den neuen Datenschutz-Sheriffs.

Im Jahr 2019 folgte Amazon mit einer Data-Clean-Room-Plattform namens Amazon Marketing Cloud. Anfang 2020 trat das CCPA in Kraft und im April 2020 hielt das gesamte Mobile App-Ökosystem den Atem an, als Apple seine Opt-in-Mechanismus-Bombe in iOS 14 fallen ließ – auch bekannt als ATT (Apple Tracking Transparency)

Die Verschärfung der Gesetze zum Schutz der Privatsphäre der Nutzer:innen und die strengeren Datenschutzstandards haben die Art und Weise verändert, wie Werbetreibende und Marken Verbraucherdaten sammeln und weitergeben können.

Facebook kündigte im Oktober 2021 an, dass es Kampagnendaten auf Nutzerebene nicht mehr an Werbetreibende, sondern nur noch an Mobile Measurement Partners (MMPs) weiterleiten wird.

Zwischen Apples bahnbrechendem ATT-Framework, Facebooks Entscheidung über Daten auf Nutzerebene und dem Ende von Googles 3rd-Party-Cookies wird der Umfang und die Breite des Datenaustauschs zunehmend eingeschränkt, wodurch die Messung und Optimierung von Kampagnen schwieriger ist als je zuvor.

Daher brauchen Marken dringend neue Wege, um auf datenschutzkonforme Weise aussagekräftige Marketinginformationen zu erhalten. 

Den Auftakt zum Trend der Datenaustausch-Allianzen bildete 2019 die Zusammenarbeit von Disney mit Target, Unilever schloss sich mit Facebook, Google und Twitter zusammen, um einen kanalübergreifenden Messmodus zu schaffen, ITV ging 2020 eine Partnerschaft mit Infosum ein, und 2021 startete TransUnion seine Datenkooperation mit BlockGraph.  

Welche verbindliche Komponente hat all diese umfangreichen Datenkooperationen ermöglicht, die noch zunehmen werden? Natürlich die Data Clean Rooms.

Was ist ein Data Clean Room überhaupt?

Data Clean Rooms ermöglichen es Marketers, die Power des kombinierten Datensatzes zu nutzen und gleichzeitig die Datenschutzbestimmungen einzuhalten. Personenbezogene Informationen (PII) oder auf die Attribution beschränkte Daten einzelner Nutzer:innen werden keinem der beteiligten Mitwirkenden zugänglich gemacht, wodurch es für diese unmöglich ist, Nutzer:innen mit Unique Identifiers zu identifizieren.

Personenbezogene Daten und Daten auf Nutzerebene werden so verarbeitet, dass sie für eine Vielzahl von Messzwecken zur Verfügung gestellt werden können, wobei anonymisierte Daten entstehen, die dann mit Daten aus verschiedenen Quellen abgeglichen und kombiniert werden können. 

In den meisten Fällen sind die einzigen Ergebnisse aus dem Data Clean Room aggregierte Erkenntnisse, z. B. dass Nutzer:innen, die Aktion X durchgeführt haben, Y angeboten werden sollten.

Der Schlüsselfaktor, der Daten Clean Rooms zu einer hochgradig zuverlässigen Plattform macht, ist die Tatsache, dass der Zugang, die Verfügbarkeit und die Verwendung von Daten von allen Daten-Clean-Room-Parteien vereinbart werden, während die Datenverwaltung vom Anbieter des Daten Clean Rooms sichergestellt wird. 

Damit ist sichergestellt, dass eine Partei nicht auf die Daten der anderen zugreifen kann. Die Grundregel besagt, dass individuelle oder nutzerbezogene Daten nicht ohne Zustimmung zwischen verschiedenen Unternehmen ausgetauscht werden können.

Nehmen wir an, eine Marke möchte Erkenntnisse mit einem Supermarkt namens Target teilen. Um dies zu erleichtern, muss jede Partei ihre Daten auf Nutzerebene in einen Data Clean Room übertragen, um zu sehen, was die andere Partei bereits über gemeinsame Zielgruppen kennt, z. B. Reichweite und Frequency, Zielgruppenüberschneidungen, plattformübergreifende Planung und Distribution, Kaufverhalten und demografische Daten.

Data Clean Rooms können auch als intermediäres Tool zur Messung der Performance von Kampagnen eingesetzt werden. Anstelle von Schätzungen können Marken einen Blick unter die Haube der 1st-Party-Daten von Amazon oder Google werfen – und das alles unter Wahrung der Privatsphäre.

Im Gegenzug erhalten Werbetreibende einen aggregierten Output ohne Unique Identifiers, einschließlich Segmentierung und Look-alike Zielgruppen, der dann mit einem Publisher, einem DSP oder einem Werbenetzwerk geteilt werden kann, um eine Kampagne durchzuführen. Wenn Sie als Einzelhändler ein Werbenetzwerk betreiben, können Sie diesen Output auch für den Kauf von Ads nutzen.

Wie funktioniert ein Data Clean Room?

Der Vorgang eines Data Clean Room umfasst vier Komponenten: 

1 – Daten Ingestion

Zu Beginn werden 1st-Party-Daten (von CRMs, Websites/Apps, Attribution usw.) oder 2nd-Party-Daten von Kooperationspartnern (d. h. Marken, Partnern, Werbenetzwerken, Publishern) in den Data Clean Room eingespeist. 

2 – Vernetzung und Bereicherung

Die Datensätze werden dann auf der Nutzerebene abgeglichen und mit Hilfe von Tools wie der Datenanreicherung durch Drittanbieter aufeinander abgestimmt.

3 – Analyse

In diesem Schritt werden die Daten analysiert: 

• Überschneidungen oder Überlappungen
• Messung und Attribution
• Propensitäts-Scoring

4 – Marketing Einsatzmöglichkeiten

Am Ende der Data-Clean-Room-Reise ermöglichen aggregierte Daten-Outputs den Marketers: 

• Schaffung von mehr relevanten Zielgruppen
• Optimierung der Customer Experience und A/B-Tests
• Durchführung von plattformübergreifender Planung und Attribution
• Durchführung von Reichweiten- und Frequency-Messungen
• Durchführung von tiefergehende Kampagnen-Analysen

Nachdem wir nun das Wie behandelt haben, stellt sich die Frage, wie die Daten tatsächlich abgeglichen werden. 

Bei der Zusammenarbeit mit einem Daten Clean Room sind Identifiers wie E-Mail, Adresse, Name oder Mobile-ID sowohl auf der Seite des Werbetreibenden als auch auf der des Publishers sehr ähnlich, was einen erfolgreichen Abgleich der beiden Datenquellen ermöglicht.

Wenn solche Identifiers nicht vorhanden sind, könnten fortschrittliche Tools wie maschinelles Lernen und probabilistische Modellierung eingesetzt werden, um die Abgleichsmöglichkeiten zu verbessern.

Warum brauchen Marketers einen Data Clean Room?

An erster Stelle steht die wachsende Aufmerksamkeit für den Datenschutz. 

Aufgrund der Datenschutzbestimmungen und Walled-Garden-Initiativen zum Schutz der Privatsphäre wird es für Werbetreibende und Publisher immer komplexer, Daten zu sammeln, zu speichern, zu analysieren und weiterzugeben.

Der zweite Grund ist das mangelnde kommerzielle Vertrauen zwischen den Parteien. Wie wir alle wissen, ist die Weitergabe wertvoller 1st-Party-Daten außerhalb eines Data Clean Rooms sowohl aus rechtlicher als auch aus wirtschaftlicher Sicht riskant. 

Und schließlich ineffiziente Datensyntheseprozesse, bei denen die Datenkorrelation zwischen verschiedenen Datensätzen von Datenwissenschaftlern durchgeführt werden muss, was ein kostspieliges und zeitaufwändiges Unterfangen ist. 

Data Clean Rooms zur Rettung!

Bzgl. dem Datenschutz behalten alle Beteiligten in einem Data Clean Room die volle Kontrolle über ihre Daten, die in der Regel während des gesamten Prozesses vollständig verschlüsselt sind. Ein Data Clean Room beinhaltet strenge Regeln und Berechtigungen, bei denen jede Partei festlegt, auf welche Daten sie zugreifen und wie sie verwendet werden dürfen.  

Ein weiterer wichtiger Aspekt, der sich mit den oben genannten Herausforderungen befasst, ist der differenzierte Datenschutz, der es unmöglich macht, eine bestimmte Impression, einen Klick oder eine Aktivität einem:r bestimmten Nutzer:in zuzuordnen. 

Nicht zuletzt bieten Data Clean Rooms datenschutzgerechte Berechnungen, Abfragen und aggregierte Reports, die sich für die Integration von Datensätzen eignen. 

2. Kapitel

Überblick über einen neuen Markt

Daten auf Nutzerebene waren früher das, worauf sich Mobile Marketers voll und ganz verlassen haben. In den letzten Jahren haben jedoch die zunehmende Regulierung des Datenschutzes und die Tatsache, dass diese Daten schwerer zu finden sind als ein Schneeleopard, dazu geführt, dass die Werbetreibenden jetzt Schwierigkeiten haben, datengestützte Entscheidungen zu treffen.

Und wenn Sie glauben, dass es nur eine Phase ist, dann irren Sie sich gewaltig. Es wird prognostiziert, dass sich diese tiefgreifenden Veränderungen im Ökosystem noch beschleunigen werden, was den Zugang zu diesen Daten weiter einschränken und die Business-Optimierung noch schwieriger machen würde, als sie ohnehin schon ist.

Fallen Sie jedoch nicht vom Glauben ab. Diese Veränderungen können für Marken durchaus eine wertvolle Gelegenheit sein, ihren Wettbewerbsvorteil zu kultivieren. Forrester hat es gut ausgedrückt, als sie feststellten, dass „ethische Datenschutzpraktiken die nächste verbraucherorientierte, wertebasierte Quelle der Differenzierung sein werden“.

Data Clean Rooms haben ihren Ursprung in dieser auf den Schutz der Privatsphäre ausgerichteten Denkweise. Die Notwendigkeit der Einhaltung von Datenschutzbestimmungen und der Cross-Media-Messung und -Optimierung führt dazu, dass Data Clean Rooms zu einem unverzichtbaren Bestandteil des Tech-Stacks von Marketers werden.

Schätzungen zufolge gibt es derzeit zwischen 250 und 500 Daten-Clean-Room-Implementierungen, die entweder aktiv oder in verschiedenen Entwicklungsstadien sind.

Welcher Data Clean Room passt zu Ihnen? Schauen wir uns das mal an:

Data Clean Room Typen

Alle Data Clean Rooms helfen dabei, die Verbraucher:innen in der Masse zu verstecken, indem sie ihre Daten auf Nutzerebene de-identifizieren und sie anhand gemeinsamer Attribute in Gruppen zusammenfassen. Doch worin unterscheiden sie sich voneinander?

Um Ihnen zu helfen, sich in der sich schnell entwickelnden Landschaft der Data Clean Rooms zurechtzufinden, lassen Sie uns die vorhandenen Typen aufschlüsseln, die Performance jedes einzelnen in der Wertschöpfungskette bewerten und ihre einzigartigen Vor- und Nachteile betrachten:

Walled Gardens – Big-Tech-Plattformen

Diese Gruppe besteht aus geschlossenen Ökosystemen, bei denen der Technologieanbieter die Hardware, die Apps oder die Inhalte in erheblichem Maße kontrolliert.

Walled Gardens wurden zuerst von Google, Amazon und Meta (Facebook) eingeführt, um ihre 1st-Party-Daten sicher zu vermarkten und dabei auch Werbeausgaben von Konkurrenten abzufangen. 

Es versteht sich von selbst, dass fast 70 % aller Ausgaben für Werbemedien auf diese drei Giganten entfallen, von denen jeder den Werbetreibenden erlaubt, innerhalb ihres Walled Gardens mit Data Clean Rooms zu arbeiten: Google Ads Data Hub (ADH), Facebook Advanced Analytics (FAA), and Amazon Marketing Cloud (AMC). 

In diesen sicherheitsintensiven Umgebungen machen die Mega-SRNs die Daten auf Event-Ebene für Marketers zugänglich, damit sie fundierte Kampagnenentscheidungen treffen können, ohne die Privatsphäre der Verbraucher:innen oder das Ökosystem zu gefährden.

Pros

• Unterstützung der Anreicherung von 1st-Party-Datensätzen mit Daten auf Event-Ebene

Cons

• Bereitstellung von Rohmaterial für die Analyse. Um diese Daten für den gewöhnlichen Marketer lesbar zu machen, wird ein Team von Datenwissenschaftlern, Analysten und Ingenieuren benötigt 
• Starre Architektur
• Mangelnde plattformübergreifende Fähigkeit, verwertbare Daten zu generieren (z. B. Multi-Touch-Attribution)
• Fehlende unternehmensübergreifende Datenzusammenarbeit
• Strenge Abfragefunktionalität

Plattformübergreifende oder neutrale Akteure

Es gibt zwei Untergruppen von Data Clean Rooms, die jeweils ihre eigenen Vor- und Nachteile haben:

Abwechslungsreich

Dabei handelt es sich in erster Linie um eingesessene Unternehmen, die in angrenzenden Branchen wie Marketinganwendungen oder Cloud-Datenspeicherung tätig sind und Mechanismen für die Datenzusammenarbeit zur Erfassung von Signalen unter Einhaltung der Vorschriften anbieten. Zu dieser Gruppe gehören Anbieter wie Epsilon, Measured, BlueConic und Merkle.

Pros

• Architektonische Flexibilität
• Maßgeschneiderte Governance-Kontrollen über die Art der Daten und den Grad der Analyse

Cons

• Begrenzter Zugang zu Walled-Garden-Daten
• Enges Partner-Ökosystem 
• Begrenzte nachgelagerte Integrationen 
• Nutzung der bestehenden Funktionen der Customer Data Platform (CDP) / Complex Event Processing (CEP), was zu potenziellen Datenproblemen führen kann

Pure Players

Dies sind die jungen, kleinen bis mittelgroßen Anbieter von Daten Clean Rooms, darunter Habu, Harbr, InfoSum und Decentriq, aber auch stärker auf Unternehmen ausgerichtete Tools wie SnowFlake.

Pros

• Architektonische Flexibilität
• Nutzung der bestehenden Datenpiping- und Speicherinfrastruktur (SnowFlake)
• Zugang zu einem Ökosystem von integrierten Partnern (SnowFlake) 

Cons

• Begrenzte Granularität der 1st-Party-Daten
• Ist oft auf die Infrastruktur von Drittanbietern für die Daten-Ingestion angewiesen
• Geringe Auswahl an nachgelagerten Integrationsmöglichkeiten

Mobile Measurement Partner (MMP)

Im Idealfall ist ein MMP ein vertrauenswürdiger und unvoreingenommener Akteur, der es ermöglicht, alle verfügbaren Daten auf Nutzerebene unter Praxis der eigenen Geschäftslogik des Kunden zu nutzen und dann über aggregierte und umsetzbare Erkenntnisse zu verfügen.

Pros

• Gebundene Ressource – Datengranularität auf Nutzerebene und kanalübergreifend
• Conversion Daten in Echtzeit
• Umfassende Analysen für die Geschäftslogik von Mobile Apps
• Flexible Integrationsmöglichkeiten
• Aggregierte Report Erstattung in höchster Qualität 

Cons

• Einige Beschränkungen hinsichtlich der Datengranularität und abfragebezogener Aktionen könnten von SRN auferlegt werden
• Fehlen einer bestehenden CDP-Architektur

Um den für Sie am besten geeigneten Anbieter von Data Clean Rooms zu ermitteln, sollten Sie Ihren Hauptkanal (Mobile, App oder Web), Ihre Unternehmensgröße, Ihre Marketinganforderungen, Ihre Datenstruktur und Ihre internen Ressourcen berücksichtigen.

Wohin bewegt sich der Markt?

Die Erfassung von 1st-Party-Daten hat sich bereits zu einer äußerst strategischen Mission entwickelt, und diese Entwicklung wird sich in den kommenden Jahren noch beschleunigen. Das wachsende Interesse an einer datenschutzgerechten Zusammenarbeit jenseits von „Walled Gardens“ hat dazu geführt, dass es immer mehr neutrale Anbieter von Data Clean Rooms gibt. 

Dies ist eine gute Nachricht für unser gesamtes datenhungriges Ökosystem, denn je vielfältiger die Optionen sind, desto einfacher wird es für Unternehmen, die für ihre individuellen Anforderungen am besten geeignete Data Clean Room Plattform zu wählen. 

Und je mehr Unternehmen auf regulierten Datengrundlagen wie z. B. Daten Clean Rooms zusammenarbeiten, desto einfacher wird es für Marketers, ihre Kampagnen zu messen, zu attribuieren und zu optimieren.

Wie wählen Sie den richtigen Data Clean Room für Ihr Unternehmen?

Werbetreibende, die viel Geld für Datenökosysteme ausgeben, müssen jetzt in einen Data Clean Room investieren. Aber ganz gleich, ob Sie einen brandneuen Data Clean Room einrichten oder einen bestehenden aufrüsten wollen – wie treffen Sie eine fundierte Entscheidung über die für Ihr Unternehmen am besten geeignete Lösung?

Um Ihnen die Entscheidung zu erleichtern, wollen wir die Wettbewerbslandschaft der Data Clean Room näher beleuchten, wobei zwei Hauptfaktoren zu berücksichtigen sind:

• Der Umfang und die Qualität der Daten – die so genannte Tiefe
• Und die Vielfalt der empfangenen Daten – die so genannte Breite

Der Walled Garden hat den Vorteil der Datentiefe, aber es fehlt ihr an Vielfalt. Die Pure-Play-Gruppe bietet in der Regel nur die Data Clean Room Technologie an, aber geringe Datentiefe oder -breite. Und dann sind da noch die MMPs, die sowohl die Data-Clean-Room-Technologie, die Datentiefe und -breite als auch eine Vielzahl von Partner-Integrationen anbieten.

Wenn Sie einen Data Clean Room in Erwägung ziehen, sollten Sie einige Best Practices beachten, um das Beste aus der Lösung herauszuholen:

• Berücksichtigen Sie zunächst Ihren Hauptkanal (Mobile, App oder Web), die Unternehmensgröße, die Marketinganforderungen, die Datenstruktur und die internen Ressourcen. 
• Beginnen Sie dann damit, Ihren Data Clean Room kundenorientiert zu gestalten. Nicht nur für die Gegenwart, sondern auch für die Zukunft. Die besten Data Clean Rooms sind so eingerichtet, dass sie Veränderungen im Verbraucherverhalten antizipieren. 
• Beginnen Sie schließlich mit Tests mit einer Live-Zielgruppe. Eine Analyse des Verbraucherverhaltens in Echtzeit und die Gewinnung verwertbarer Erkenntnisse sind von unschätzbarem Wert.

Warum haben sich Data Clean Rooms (noch) nicht weiter durchgesetzt?

• Um es gleich vorweg zu nehmen: Data Clean Rooms sind nicht günstig! Die großen „Walled Garden“-Anbieter bieten zwar Alternativen, aber die logistischen und betrieblichen Hürden in der Zusammenarbeit mit diesen Plattformen können für alle Beteiligten eine Belastung darstellen. 

• Der Erfolg von Data Clean Rooms beruht auf der gemeinsamen Nutzung von Daten, und nicht alle Werbetreibenden sind bereit, detaillierte Transaktionsdaten preiszugeben, insbesondere aufgrund des Vorurteils potenzieller Datenschutzrisiken. Und wenn unausgegorene Daten eingegeben werden, kommen auch unausgegorene Daten heraus, die bestenfalls eine grobe Messung ergeben.
• Universelle Standards für die Umsetzung müssen noch festgelegt werden. Das bedeutet, dass die Zusammenführung von Daten, die in verschiedenen Formaten vorliegen, und die Vorbereitungsarbeit, die mit der Aggregation dieser Daten verbunden ist, zeitaufwändig sein kann.
• Schließlich dürfen wir nicht vergessen, dass in einigen Fällen noch Daten auf Nutzerebene verfügbar sind (z. B. bei Android-Geräten und zustimmenden iOS-Nutzer:innen), was die Dringlichkeit der Implementierung einer Data Clean Room-Losung zumindest etwas abmildern könnte.

Können diese Hürden mit dem richtigen Technologiepartner, den richtigen Ressourcen und der richtigen Datenaufbereitung überwunden werden? Ja, natürlich. Aber dazu mehr in unserem nächsten Kapitel.

3. Kapitel

Die Umsetzung von Data Clean Rooms

Inzwischen wissen wir, dass Data Clean Rooms Werbetreibenden und Publishern sichere, datenschutzgerechte Messungen bieten. 

Aber in welchen Fällen sollten Sie sie einsetzen? Welche Szenarien könnten von einer Analyse in einer Data-Clean-Room-Umgebung profitieren?

In diesem Abschnitt erfahren wir, wie Data Clean Rooms Marketers wirklich so helfen: 

1. Schaffung von mehr relevanten Zielgruppen
2. Kontinuierliche Verbesserung der Kundenerfahrung
3. Plattformübergreifende Planung und Attribution
4. Optimieren Sie Reichweite und Frequenzmessung
5. Durchführung von vertiefter Kampagnenanalyse

Schauen wir uns das in der Praxis an.

Performance Measurement

Das Tracking der Retention, ARPU, LTV und ROAS werden zu Recht als wichtige Anwendungsfälle für Data Clean Rooms genannt. Ein Data Clean Room bietet eine neutrale Umgebung, um sowohl die CRM-Daten des Werbetreibenden als auch die von den relevanten Marketingpartnern bereitgestellten Daten zur Anzeigenschaltung zu analysieren.

In diesem Anwendungsfall können Werbetreibende ihre 1st-Party-Daten im Anschluss an eine Kampagne in einen Data Clean Room hochladen, Unique Identifiers abgleichen und Analysen über ihre Kundendaten und die vom Data-Clean-Room-Anbieter zur Verfügung gestellten Daten zur Anzeigenschaltung durchführen. 

Nehmen wir an, Sie möchten Ihre neuesten Kaufdaten mit den Daten zur Anzeigenschaltung von Google vergleichen. Googles Walled Garden Data Clean Rooms – Ads Data Hub – ermöglicht es Ihnen, den prozentualen Anteil der Neukunden den Marketingaktivitäten zuzuordnen, die über die Google-Werbekanäle stattgefunden haben.  

Wenn Sie im E-Commerce tätig sind, füttern Sie den Data Clean Room einfach mit Ihren CRM-Daten, Unique Identifiers (E-Mails, Postadressen, Mobile-IDs usw.) und dem Kaufdatum. Dann wird jeder Medieneigentümer seine Daten zur Anzeigenschaltung und Unique Identifiers angeben, die zur Erstellung der Kampagnenzielgruppe genutzt werden. 

An diesem Punkt können Sie die Überschneidung zwischen neuen Kundinnen und Kunden und denjenigen, die über die einzelnen Medien auf die Kampagne aufmerksam geworden sind, genau messen und dann bestimmen, welcher Prozentsatz der neuen Kundinnen und Kunden den einzelnen Kanälen attribuiert werden kann.

2 – Aufbau detaillierterer Zielgruppen

Nachdem Apple seine ATT-Bombe platzen ließ, die den Zugang zu Daten auf Nutzerebene drastisch erschwerte, wurde Granularität die Priorität der Marketers.

Ein Data Clean Room ermöglicht einen Grad an Granularität, der bis vor kurzem einfach nicht möglich war. Es sammelt Daten von autorisierten Drittanbietern, die in eine Reihe von verhaltensbezogenen, demografischen und standortbezogenen Gruppen eingeteilt und dann zur Verbesserung Ihrer internen Datenbank für eine detailliertere Datenanreicherung und -analyse genutzt werden. 

Das Schöne daran ist, dass ein Data Clean Room nicht die Weitergabe persönlicher Daten der Nutzer:innen erfordert, um eine Analyse durchzuführen, sondern die virtuelle Vernetzung mehrerer Datenquellen durch anonymisierte Kohorten ermöglicht. 

Auf diese Weise können Marketers die Überschneidung zwischen ihrer Zielgruppe und den verschiedenen Medienzielgruppen messen. Schließlich sind sie in der Lage, die optimalen Wege zu verstehen, um ihre Zielgruppe zu erreichen, effektivere Kampagnen zu planen und die Omnichannel-Messung durchzuführen.

Wie können granulare Insights in die Zielgruppe Ihre Marketingaktivitäten verbessern? Gute Frage: 

Verfeinerung der Zielgruppenansprache

Die Segmentierung Ihrer Zielgruppen anhand fein abgestimmter Daten wie z. B. Verbraucherverhalten und Einkaufsgewohnheiten kann sich erheblich auf Ihre Kampagnenstrategie auswirken. 

Angenommen, Ihre Marke hat vor kurzem eine neue Partnerschaft mit einer anderen Marke geschlossen, deren Zielgruppe sich mit der Ihren überschneidet. Mithilfe von Data Clean Room-gestützten Insights zur Zielgruppe können Sie Überschneidungspunkte und gemeinsame Charakteristiken identifizieren, die dann für weitere strategische Analysen genutzt werden können.

Erstellung von maßgeschneiderten Inhalten und Kuratierung von Engagements

Wenn Sie die Interessen der einzelnen Marktsegmente kennen, können Sie relevantere Inhalte, Werbeempfehlungen und neue Ad-Formate erstellen, die speziell auf diese Interessen zugeschnitten sind.

Das Verfeinern Ihres Messagings, Ihrer Formate, Werbemittel und Kanäle, um jedes Segment individuell ansprechen zu können, die Sprache dieses Segments zu sprechen und seine spezifischen Probleme anzugehen, ist viel einfacher, wenn Sie eine Data-Clean-Room-Umgebung nutzen.

Anwendungsfall der granularen Segmentierung

Angenommen, Sie besitzen eine E-Commerce-Marke und Ihre 1st-Party-Daten umfassen Kundenattribute und zugehörige Produkt-SKUs (Stock Keeping Units). Sie möchten eine Kampagne durchführen, die sich an eine potenzielle Zielgruppe richtet, die ähnliche Eigenschaften aufweist, und anschließend eine relevante Remarketing-Kampagne anhand der Kaufhistorie und -häufigkeit durchführen. 

Erstellen Sie zunächst Ihre Zielsegmente. Laden Sie dann die relevanten Datensätze in einen Data Clean Room hoch, wo Ihr Team mit Werbepartnern zusammenarbeiten kann, um Ihre 1st-Party-Daten mit deren 3rd-Party-Daten zu vergleichen. Das Ergebnis sind aggregierte, umsetzbare Ergebnisse, die Ihnen helfen können, gezielte Kampagnen zu entwickeln, ohne die Privatsphäre Ihrer Nutzer:innen zu gefährden.

3 – Optimierung von Reichweite und Frequenzmessung

Sobald Sie über Impressionsdaten auf PII-Ebene von Partner-Werbenetzwerken verfügen, können Sie genau nachvollziehen, welche Ads welcher Kundin oder welchem Kunde wie oft geschaltet werden, was wiederum zur Deduplizierung der Kampagnenreichweite und -Frequenz, zur Minimierung von Ad-Fatigue und zur Verbesserung Ihrer Medienplanung genutzt werden kann. 

Data Clean Rooms können auch bestätigen, dass Sie die richtige Zielgruppe ansprechen, was Ihnen helfen wird, Ihre Segmentierungskriterien zu optimieren und zu verfeinern. Und mit Data Clean Rooms können Sie Ihre Customer Journey optimieren, indem Sie Nutzer:innen anhand ihrer Position im Funnel und ihrer Interaktion mit Ihrer Ad ansprechen. 

4 – Messung der Inkrementalität

Impressionsdaten von Publishern, Zielgruppen, 1st-Party-Response- und -Conversion-Daten können auf Nutzerebene miteinander verknüpft werden, um Ihnen zu helfen, die inkrementelle Wirkung Ihrer Marketingmaßnahmen zu verstehen.

Denken Sie an die Möglichkeit, durch A/B-Tests Vergleiche zwischen Ihren Test- und Mediationsgruppen anzustellen, oder – noch wichtiger – zwischen Ihren exponierten und nicht exponierten Gruppen. Ziemlich Beindruckend.

5 – Potenziellen Werbetreibenden die Qualität der Nutzer:innen vor Augen führen

Publisher können Daten auf Nutzerebene in die sichere Umgebung eines Clean Rooms einspeisen und Werbetreibenden die Möglichkeit geben, die Überschneidung von Kunden – und sogar die Qualität der Nutzer:innen – anhand verschiedener Merkmale zu beurteilen.

Auf der anderen Seite können Werbetreibende eine Zielgruppe aufbauen und es dann mit Publisher X testen, um die Ergebnisse zu bewerten. Sowohl für Publisher als auch für Werbetreibende ist es eine ideale Möglichkeit, sich einzubringen und den Wert der von ihnen akquirierten Nutzer:innen zu demonstrieren.

6 – Aufbau von Partnerschaften für 1st-Party-Daten

Strategisch gesehen können sich zwei Unternehmen darauf einigen, Datensätze in einer geschützten und ausschließlich genehmigten Umgebung zusammenzuführen und abzugleichen, um so neue Partnerschaften innerhalb des Medien-Ökosystems zu fördern.  

Diese sichere Queranalyse kann auch dazu beitragen, die Produktentwicklung voranzutreiben und den Marketers zu ermöglichen, ihre strategische Planung zu verbessern.

7 – Training, Inferenz und Propensity Scoring

Schließlich können Sie in einer Data-Clean-Room-Umgebung wieder Zugriff auf eingeschränkte granulare Daten auf Nutzerebene erhalten, die für die erfolgreiche Ausführung von Trainings- und Inferenzmodellen und sogar von Propensity-Modellen erforderlich sind, mit denen Sie eine Prognose über die Wahrscheinlichkeit erhalten, dass eine Kundin oder Kunde eine bestimmte Aktion durchführen wird.