Hashing ist eine Abfolge von Prozessen, die einen Identifier so „maskieren“ können, dass seine Einzigartigkeit erhalten bleibt und es unmöglich ist, diese Maske zu entfernen (ohne den Original-Identifier selbst zu kennen). So lassen sich beispielsweise Audience-IDs in dem Ad Request des Publishers eindeutig hashen, bevor sie in einem Bid Request an die Demand-Side-Plattform (DSP) gesendet werden. Eine Reihe beliebter E-Mail-basierter IDs nutzen Hashing, um Nutzerdaten über den Bid Stream so weiterzuleiten, dass das Risiko eines Datenlecks minimiert wird. Dazu gehören zum Beispiel UID 2.0, Liveramps Ramp ID oder Live Intent. Diese gehashten E-Mail-basierten Identifier ermöglichen Publishern eine Monetarisierung, die weniger abhängig ist von potenziellen weiteren Schritten von Browsern und Geräteherstellern. So haben Publisher mehr Kontrolle über ihre Daten.

Die derzeitigen Hashing-Verfahren haben potenzielle Nachteile – vor allem die Verwendung eines gemeinsamen Schlüssels, der es den Parteien, die über den Schlüssel verfügen, ermöglichen kann, die ursprünglichen Kennungen in ihrem eigenen Datensatz zu entschlüsseln. Dieser Schlüssel wird in der Regel als “Salt” bezeichnet. Diese Hashing-Verfahren beschränken den Abgleich auf IDs, die mit genau demselben Schlüssel verschlüsselt wurden.

Neue Techniken wie die Multi-Party-Computation (MPC) gehen über die Verwendung eines gemeinsamen Schlüssels hinaus, das heißt jeder Datenlieferant kann seinen eigenen privaten Schlüssel – statt eines gemeinsamen Schlüssels – zur Verschlüsselung der Daten verwenden, während Sell-Side-Plattformen (SSP) weiterhin die Möglichkeit haben, Identifikatoren abzugleichen, selbst wenn sie mit unterschiedlichen Schlüsseln versehen werden.

Ja, wenn zwei oder mehr Parteien ihre Daten und den Zugang teilen sowie die Nutzung vorab unter Berücksichtigung geltender Datenschutzrichtlinien geklärt wurde – und diese Vereinbarungen durch den Clean-Room-Anbieter in Kraft gesetzt werden. Clean Rooms und PETs, die auf cloudbasierte gemeinsame Speicherung zurückgreifen, bieten allen beteiligten Parteien die Kontrolle über die eigenen Daten, bei zweckgebundener Kollaboration und gleichzeitigem Datenschutz. Die Option, gehashte Nutzerdaten zu speichern, ohne dass diese aus der Umgebung gelöscht werden, ermöglicht den beteiligten Parteien, Datenschutzgesetze zu befolgen und durch Anreicherung einen Mehrwert aus den Daten zu gewinnen.

Datenschutzkonforme Lösungen zum Data Matching werden künftig noch wertvoller. Sie bieten Käufern und Verkäufern von Media eine skalierbare Methode zum Matching von First-Party-Daten und gleichzeitig die Möglichkeit zum akkuraten Targeting von Audiences in einer kontrollierten Umgebung. Der Schwung an neuen Werbe-Identifiern, die Drittanbieter-Cookies ersetzen sollen, könnten auch zum Matching verwendet werden, um größere Reichweite und Genauigkeit für Targeting und Wirkungsmessung durch verbesserte Matching-Quoten zu erzielen.

Im Moment nutzen die meisten Publisher und Advertiser Clean Rooms zur Gewinnung von Insights. Sie kombinieren Datensätze, um Informationen zu Audience-Verhalten und Überlappungen zu erhalten und lassen diese in die Kampagnenplanung einfließen.

Angenommen, eine Fitness-Marke weiß zum Beispiel nichts über ihre Kunden. Sie kennt nur einfache Transaktionsdaten und weiß, dass die Kunden gerne fit bleiben wollen. Der Abgleich von Profilen mit verhaltensbasierten Daten von Publishern ist insofern gewinnbringend, als das Wissen, woran Kundinnen und Kunden über Sport und Fitness hinaus interessiert sind, der Marke wertvolle Ideen liefert, welche Art von Content sie bewerben könnte.

Der nächste Schritt wäre der Einsatz einer Aktivierungsfunktion (Activation Layer). So könnten Kampagnen auf Basis der gematchten Nutzer ausgespielt werden, wobei die Daten gehasht und verschlüsselt bleiben. Obwohl Branchenriesen wie Google, Amazon und Meta genau das anbieten, wurden ihre Clean Rooms in den Walled Gardens ursprünglich entwickelt, um über eigene Medien zu werben, ohne nach der Kampagne Nutzerdaten zurück an die Advertiser zu spielen. Unabhängige Anbieter können dazu beitragen, Daten in programmatischen Umgebungen zu aktivieren, jenseits von Walled Gardens. Dies wiederum wird auch Werbetreibenden helfen, ihre First-Party-Datenbasis zu erweitern.

Mangel an Ressourcen, Probleme im Nachweis von ROI, mangelnde Interoperabilität und der weiterhin mühelose Umgang mit Drittanbieter-Cookies reduzieren die Dringlichkeit, Clean Rooms zu verwenden – wobei Standardisierung und Interoperabilität unter Clean-Room-Anbietern die Nutzung künftig vereinfachen dürften. So zeigt das IAB Tech Lab in seinem Leitfaden “Open Private Join and Activation” (OPJA) Standards auf, wie Anbieter von Data Clean Rooms ihren Kunden das datenschutzkonforme Matching von Audiences zwischen Datensätzen ermöglichen können, für Targeting und maximale Skalierbarkeit.

Clean Rooms sind die Basis für ein Werbesystem ohne Drittanbieter-Cookies. Die Zukunft des Datenteilens liegt aber darin, Daten dort zu verschlüsseln, wo sie sind, und sie dort zu aktivieren, wo sie benötigt werden. Alle, die mit Clean Rooms arbeiten, sehen Audience Modeling (beispielsweise Lookalikes), Insights und Attribution als innovative Lösungen; doch der entscheidende Aspekt bleibt die Aktivierung dieser Daten. Und hier sind PETs mit einem integrierten Aktivierungspfad von großem Nutzen für Publisher, denn sie bieten die Möglichkeit, gematchte Daten mit einer Ad Impression zu verknüpfen und sie der Buy-Side auf einem datenschutzkonformen Weg anzubieten.