Obrigado!

Tudo o que você precisa saber sobre data clean rooms – o guia completo

Data clean rooms guide - featured
Introdução

Se você é um profissional de marketing, é pouco provável que você tenha conseguido evitar qualquer conversa nos últimos meses em que “Data Clean Room” não tenha sido mencionado pelo menos uma vez.

O que é essa “câmara de dados” estranha sobre a qual todos falam? 

Alguns se referem aos data clean rooms como se eles fossem “a Suíça dos dados”, e com razão, porque eles oferecem um espaço neutro e seguro para que os dados de usuários primários sejam aproveitados de forma colaborativa. Nesse ambiente, duas empresas podem compartilhar e analisar dados de forma segura, com controle total sobre como, onde e quando esses dados podem ser usados. 

Assim, elas conseguem acessar dados muito importantes em um espaço seguro, que não viola a privacidade dos consumidores. Enquanto os dados a nível do usuário são enviados para o data clean room, os insights agregados saem em um grupo de audiências misto chamado cohort. 

Então, para que você esteja bem equipado para 2022, vamos te levar em uma jornada pelas densas florestas de incógnitas e lagos profundos de dados primários, neste guia inteiramente dedicado aos data clean rooms.  

No fim, você entenderá o que são os data clean rooms, como funcionam, por que os profissionais de marketing precisam deles e como eles vão transformar drasticamente nossa capacidade de mensurar campanhas ao longo dos próximos anos.

Mas, antes disso, vamos começar contando a história que nos trouxe até aqui.

Data clean rooms - capítulo 1 - o que são data clean rooms
Capítulo 1

O que são data clean rooms?

Isso é a evolução

História dos data clean rooms

Apesar de seu ressurgimento no ano passado, a infraestrutura dos data clean rooms já existe há alguns anos. 

O Google não foi o primeiro a criar esse termo, mas foi a primeira empresa a comercializar uma solução de data clean rooms, lançando o Ads Data Hub em 2017. O objetivo era criar um ambiente seguro e privado para enriquecer dados primários (de CRMs, CDPs, logs de eventos, etc) com os dados de usuários contidos no ecossistema do Google, que depois poderiam ser aproveitados para as campanhas do Google.

Apenas um mês depois, o Facebook anunciou sua própria oferta de data clean rooms, com o objetivo de compartilhar dados com seus clientes. Uma coincidência? Provavelmente não. 

Mas foi 2018 que realmente deu início à era da privacidade do usuário, com legislações como a GDPR e o Intelligent Tracking Prevention 2.0 da Apple estabelecendo os novos padrões de privacidade do ecossistema.

Seguindo o exemplo, em 2019, a Amazon lançou uma plataforma de data clean rooms intitulada Amazon Marketing Cloud, a CCPA entrou em vigor no início de 2020 e, em abril de 2020 – todo o ecossistema de aplicativos mobile parou quando a Apple lançou seu novo mecanismo opt-in no iOS 14 – também conhecido como ATT.

A quantidade de leis de privacidade e padrões mais rígidos transformaram a maneira como os anunciantes e as empresas coletam e compartilham dados dos consumidores.

Em outubro de 2021, o Facebook anunciou que deixará de enviar dados de campanha a nível do usuário para os anunciantes, passando a enviá-los somente para Mobile Measurement Partners (MMPs). Além disso, há a previsão de que, em breve, outras ad networks também passarão a adotar medidas como essa.

Entre a estrutura revolucionária da ATT da Apple, o anúncio do Facebook e o fim dos cookies de terceiros do Google em 2023, a escala e a amplitude do compartilhamento de dados se tornam cada vez mais limitadas, fazendo com que a mensuração e a otimização de campanhas sejam mais desafiadoras do que nunca.

Portanto, agora as empresas estão lutando para encontrar novas maneiras de obter insights de marketing significativos de forma segura. 

Em 2019, iniciando a tendência de formar alianças para a troca de dados, a Disney começou a colaborar com a Target, a Unilever se uniu ao Facebook e o Google e o Twitter criaram um modo de mensuração entre canais. Em 2020, o ITV firmou parceria com o Infosum e, em 2021, a TransUnion lançou sua colaboração de dados com o BlockGraph.  

O que permitiu que todas essas colaborações fossem possíveis? Os Data Clean Rooms, é claro.

Afinal, o que é um data clean room?

Os data clean rooms permitem que os profissionais de marketing aproveitem todo o potencial de combinar diferentes conjuntos de dados, ao mesmo tempo em que eles garantem a privacidade dos seus usuários. Informações pessoalmente identificáveis (PII) ou dados de atribuição a nível do usuário não podem ser visualizados por nenhum dos contribuintes envolvidos, o que faz com que seja impossível identificar usuários por meio de identificadores exclusivos.

Os dados de PII e do usuários são processados para que possam ser disponibilizados para diversos tipos de mensuração, produzindo dados anônimos que podem ser comparados e combinados com dados de diferentes fontes. 

Na maioria dos casos, os únicos resultados (outputs) do data clean room são insights agregados, por exemplo: usuários que executaram a ação X devem receber a oferta Y. Dito isso, é importante lembrar que os outputs a nível do usuário podem ser acessados mediante consentimento de todas as partes envolvidas.

O principal motivo pelo qual os data clean rooms são extremamente confiáveis é o fato de que todas as partes envolvidas permitem o acesso, disponibilidade e uso dos dados, enquanto a gestão desses dados é feita pelo fornecedor do data clean room. 

Essa prática garante que uma das partes não acesse os dados das outras, mantendo a regra básica de que dados individuais ou de usuários não podem ser compartilhados entre diferentes empresas sem o devido consentimento.

Vamos supor que uma empresa gostaria de compartilhar insights com a Target. Para facilitar esse processo, cada parte deve colocar seus dados de usuários no data clean room para entender o que a outra parte já sabe sobre suas audiências em comum, por exemplo, alcance e frequência, sobreposição de audiências, planejamento e distribuição entre plataformas, comportamento de compras e demografia.

Os data clean rooms também podem ser usados como uma ferramenta intermediária para a mensuração da performance das campanhas. Em vez de adivinhar quais são os possíveis insights da audiência, as empresas podem aproveitar insights obtidos dos dados primários de empresas como o Google e Amazon, tudo isto enquanto mantêm a compliance com as diretrizes de privacidade do setor.

Em troca, os anunciantes recebem resultados agregados sem precisar usar identificadores individuais, incluindo a segmentação de audiências e audiências lookalike, que podem ser compartilhadas com um publisher, uma ad network ou um DSP para informar uma campanha. Como alternativa, se você for um varejista com uma ad network, por exemplo, você poderá aproveitar esse output para comprar anúncios.

Como funciona um Data Clean Room?

Como funciona um Data Clean Room

Uma operação de data clean room envolve quatro etapas: 

1 – Ingestão de dados

Primeiro, os dados primários (de CRMs, atribuição do site/app, etc) ou dados secundários dos colaboradores (como marcas, parceiros, ad networks e publishers) são enviados para o data clean room. 

2 – Conexão e enriquecimento

Os conjuntos de dados são combinados a nível do usuário e são complementados usando ferramentas como o enriquecimento com dados de terceiros.

3 – Analytics

Nessa fase, os dados são analisados para: 

  • Interseções ou sobreposições
  • Mensuração e atribuição
  • Pontuação de propensão

4 – Usos para o marketing

No final da jornada do data clean room, os outputs de dados agregados permitem que os profissionais de marketing: 

  • Criem audiências mais relevantes
  • Otimizem a experiência do cliente e os testes A/B
  • Impulsionem o planejamento e a atribuição entre plataformas
  • Otimizem a mensuração de alcance e frequência
  • Realizem análises mais detalhadas sobre as campanhas
Data clean rooms para anunciantes e publishers

Agora, como é o processo de combinação desses dados? 

Quando trabalhamos com um data clean room, identificadores como o e-mail, endereço, nome ou mobile ID costumam ser parecidos tanto no lado do anunciante como do publisher, o que permite a correspondência bem-sucedida de ambas as fontes de dados.

Se esses identificadores não existirem, ferramentas avançadas, como o machine learning e a modelagem probabilística, podem ser usadas para aprimorar os recursos de correspondência.

Por que os profissionais de marketing precisam de um data clean room?

Por que os profissionais de marketing precisam de um data clean room

Em primeiro lugar, esse recurso é necessário por conta do aumento no controle sobre a privacidade. 

Com os novos regulamentos de privacidade e iniciativas de privacidade dos jardins murados (veja mais detalhes mais adiante), a coleta, armazenamento e compartilhamento de dados estão cada vez mais complexos para os anunciantes e publishers.

O segundo motivo é a falta de confiança comercial entre as empresas. Como todos sabemos bem, entregar dados primários valiosos fora de um data clean room é arriscado tanto do ponto de vista legal quanto comercial. 

Por fim, há os processos de síntese de dados ineficientes – a correlação de dados em conjuntos de dados separados exige trabalho pesado de cientistas de dados, o que é um esforço caro e demorado. 

Data celan rooms ao resgate!

Quando se trata da privacidade de dados, todas as partes em um data clean room mantêm total controle sobre seus dados, que geralmente são criptografados durante todo o processo. Um data clean room inclui governança e permissões rígidas, onde cada parte define como seus dados são acessados e usados.  

Outro ponto importante dos desafios mencionados acima é a privacidade diferencial, que impossibilita a vinculação de uma impressão, clique ou atividade específica a um usuário específico. 

Por último, os data clean rooms oferecem computação, querying e relatórios agregados seguros adequados para integrações com qualquer finalidade, permitindo que os conjuntos de dados sejam combinados. 

Data clean rooms - capítulo 2: Visão geral comparativa
Capítulo 2

Uma visão comparativa de um mercado (quase) novo

Os profissionais de marketing mobile costumavam confiar completamente nos dados a nível do usuário. No entanto, nos últimos anos, o aumento das regulamentações de privacidade e o fato de que esses dados se tornaram mais elusivos significa que, agora, não é tão fácil para os anunciantes tomar decisões baseadas em dados.

Se você pensou que essa é apenas uma fase, você está enganado. A previsão geral é uma aceleração nessas mudanças no ecossistema, restringindo ainda mais o acesso a esses dados e dificultando ainda mais a otimização dos negócios.

No entanto, isso não é necessariamente ruim: essas mudanças podem ser uma oportunidade valiosa para que as marcas aproveitem sua vantagem competitiva. A Forrester afirmou que “práticas de privacidade éticas serão o grande diferencial de empresas que focam no consumidor e na privacidade.”

Os data clean rooms se originam nessa mentalidade centrada na privacidade do consumidor. E, impulsionados pela necessidade de mensuração e otimização de mídias cruzadas, assim como de compliance com a privacidade, os data clean rooms estão se tornando uma ferramenta essencial nas estruturas tecnológicas dos profissionais de marketing.

Segundo a Gartner, até 2023, 80% dos anunciantes que possuem grandes orçamentos de mídia utilizarão data clean rooms, estimando que atualmente existem entre 250 a 500 implementações de data clean rooms que estão ativas ou em algum estágio de desenvolvimento.

Que tipo de data clean rooms já estão disponíveis? Vamos entrar em mais detalhes:

Tipos de data clean rooms – conheça o elenco

Tipos de data clean rooms

Todos os data clean rooms escondem os consumidores, eliminando a identificação de seus dados a nível do usuário e agrupando-os com base em atributos em comum. Mas qual é a diferença entre os tipos de data clean rooms?

Para te ajudar a entender, vamos analisar os data clean rooms disponíveis, avaliar a performance relativa de cada um e examinar seus prós e contras únicos:

Jardins Murados – plataformas big tech

Tipos de data clean rooms: jardins murados

Esse grupo consiste de ecossistemas fechados nos quais o fornecedor de tecnologia tem bastante controle sobre o hardware, aplicativos e conteúdos.

Os jardins murados (também conhecidos como walled gardens) foram introduzidos pela primeira vez pelo Google, Amazon e Meta (Facebook) para a comercialização segura dos seus dados primários e também para capturar os gastos com anúncios de seus rivais. 

Não precisamos nem falar que quase 70% de todos os gastos com mídia publicitária ficam com esses três gigantes – e cada um permite que os anunciantes trabalhem em seus jardins murados: Google Ads Data Hub (ADH), Facebook Advanced Analytics (FAA) e Amazon Marketing Cloud (AMC). 

Esses ambientes rigorosamente seguros são onde as mega SRNs permitem que os profissionais de marketing acessem dados de evento para tomar decisões de campanha bem-informadas, sem comprometer a privacidade do consumidor ou as defesas dos ecossistemas.

Vantagens 

  • Suporte ao enriquecimento de conjuntos de dados primários com dados de eventos

Desvantagens

  • Oferecem materiais brutos para análise – para que um profissional de marketing comum consiga entender esses dados, ele precisa de uma equipe de cientistas, analistas e engenheiros de dados. 
  • Arquitetura rígida
  • Falta de recursos de plataforma cruzada para gerar dados acionáveis (por exemplo, a atribuição multi-touch)
  • Falta de colaboração de dados entre empresas
  • Funcionalidade de query rígida

Multiplataforma ou players neutros

Esse tipo de data clean room consiste de dois subgrupos, e cada um possui seus próprios pontos fortes e fracos:

Diversified

Esses são principalmente negócios herdados que operam em indústrias adjacentes como aplicações de marketing ou data cloud storage, oferecendo mecanismos de colaboração de dados para a coleta de sinais sem desrespeitar as diretrizes de privacidade. Esse grupo inclui fornecedores como Epsilon, Measured, BlueConic e Merkle.

Vantagens 

  • Flexibilidade arquitetônica
  • Controles de governança feitos sob medida para diferentes tipos de dados e níveis de análise

Desvantagens

  • Acesso limitado a dados de jardins murados
  • Ecossistema de parceiros restrito 
  • Integrações de downstream limitadas 
  • Usa a funcionalidade existente da Plataforma de Dados do Cliente (CDP) / Processamento de Eventos Complexos (CEP), o que pode levar a possíveis problemas de dados

Pure playes

São provedores de data clean rooms de pequeno e médio porte, como Hobu, Harbr, InfoSum e Decentriq, além de ferramentas focadas em empresas enterprise, como a SnowFlake.

Vantagens 

  • Flexibilidade arquitetônica
  • Usa a infraestrutura de armazenamento e piping de dados existente (SnowFlake)
  • Acesso a um ecossistema de parceiros integrados (SnowFlake) 

Desvantagens

  • Granularidade limitada de dados primários
  • Muitas vezes depende de infraestrutura de terceiros para a ingestão de dados
  • Conjunto restrito de opções de integração downstream

Parceiros de mensuração mobile (MMPs)

Idealmente, um MMP é um player confiável e imparcial que permite que os dados a nível do usuário sejam aproveitados usando a lógica de negócios dos clientes, que são consumidos por meio de insights agregados e acionáveis.

Vantagens 

  • Recursos exclusivos (cornered resource) – granularidade de dados a nível do usuário e entre canais
  • Dados de conversão em tempo real
  • Análise completa criada seguindo a lógica de negócios do aplicativo mobile em questão
  • Opções de integração flexíveis
  • Relatórios agregados de alta qualidade 

Desvantagens

  • Algumas limitações na granularidade de dados e ações relacionadas a query podem ser impostas por SRNs
  • Falta de arquitetura CDP existente

Para entender qual é o melhor fornecedor de data clean room para a sua empresa, considere o seu canal principal (mobile, app ou web), o tamanho do seu negócio, suas necessidades de marketing, sua estrutura de dados e seus recursos internos.

Performance relativa dos data clean rooms
Avaliando a performance relativa de cada tipo de DCR

Para onde caminha o mercado?

Data clean rooms: futuro do mercado

A coleta de dados primários já se tornou uma missão estratégica, e sua trajetória continuará acelerando nos próximos anos. Impulsionada por essa tendência, o crescente interesse na colaboração de dados segura é resultado da proliferação de fornecedores neutros de data clean rooms. 

De fato, a Gartner prevê que, até 2023, 80% dos profissionais de marketing que possuem orçamentos de mídia superiores a US$ 1 bilhão adotarão os data clean rooms. 

Essa é uma boa notícia para todo o ecossistema, pois, quanto mais diversas forem as opções disponíveis, mais fácil será para as empresas adotarem a plataforma de data clean room adequada às suas necessidades exclusivas. 

E, quanto mais empresas colaboram em bases de dados intermediárias e regulamentadas como os data clean rooms, mais fácil é para os profissionais de marketing mensurar, atribuir e otimizar suas campanhas.

Vamos fazer um tour – como escolher o data clean room certo para o seu negócio?

Anunciantes que investem em ecossistemas de dados também devem investir agora mesmo nos data clean rooms. Mas se você já está implementando um novo data clean room ou quer impulsionar o que você já usa – como você pode fazer uma escolha informada sobre a solução mais adequada para o seu negócio?

Para te ajudar a decidir, vamos falar um pouco sobre o cenário competitivo dos data clean rooms, considerando que você deve avaliar dois principais fatores:

  • O volume e a qualidade dos dados – que também chamamos de profundidade
  • A variedade de dados recebidos – que também chamamos de diversidade
Como escolher o data clean room certo para o seu negócio

Os jardins murados têm a vantagem da profundidade de dados, mas carecem de variedade. O grupo pure-play geralmente oferece apenas a tecnologia de data clean rooms, com muito pouca profundidade ou diversidade de dados. E, depois, temos os MMPs – que oferecem tanto a tecnologia de data clean rooms como a profundidade e diversidade de dados, além de uma ampla variedade de integrações de parceiros.

Quando estiver avaliando suas opções de data clean rooms, lembre-se que existem diversas práticas recomendadas que você pode seguir para se certificar de que receberá o maior valor possível:

  • Primeiro, considere qual é o seu canal principal (seja ele o mobile, app ou web), o tamanho do seu negócio, suas necessidades de marketing, estrutura de dados e recursos internos. 
  • Em seguida, imagine como seria o seu data clean room levando em consideração os seus consumidores. Não apenas para o presente, mas para o futuro. Os melhores data clean rooms são configurados para antecipar mudanças no comportamento do consumidor. 
  • Por fim, faça um teste com uma audiência ativa. Analisar o comportamento do consumidor em tempo real e obter insights acionáveis é absolutamente fundamental.

Agora, uma questão importante: por que os data clean rooms ainda não foram amplamente adotados?

Por que os data clean rooms ainda não foram amplamente adotados
  • A resposta é simples: os data clean rooms não são baratos. Os grandes fornecedores de jardins murados oferecem alternativas para isso, mas os obstáculos logísticos e operacionais de trabalhar com essas plataformas podem sobrecarregar todas as partes envolvidas.  
  • O sucesso dos data clean rooms é o fato de que os dados são compartilhados, e nem todos os anunciantes aceitam facilmente a ideia de divulgar dados transacionais detalhados, principalmente por conta de um medo equivocado de que esse espaço apresenta possíveis riscos de privacidade. Assim, quando dados parciais são enviados, os resultados obtidos também são incompletos.
  • Padrões universais para a implementação ainda não foram definidos, o que significa que o pool de dados possui diversos formatos e o trabalho necessário para agregá-los pode consumir muito tempo.
  • Por fim, precisamos lembrar que os dados a nível do usuário ainda estão disponíveis em alguns casos (por exemplo, dispositivos Android e usuários iOS que permitem o compartilhamento de dados na ATT), o que pode aliviar pelo menos um pouco a urgência de implementar uma solução de data clean rooms.

Esses obstáculos podem ser superados com os recursos, a preparação de dados e parceiro de tecnologia certos? Com certeza. Vamos falar sobre isso no próximo capítulo.

Data clean rooms - capítulo 3: Casos de uso
Capítulo 3

A praticidade dos Data Clean Rooms – Diferentes tipos de usos que podem impulsionar a mensuração das suas campanhas

Agora, já sabemos que os Data Clean Rooms oferecem aos anunciantes e publishers uma mensuração segura em um ambiente de loop fechado, que está em total conformidade com as diretrizes de privacidade do setor. 

Mas quando você deve usar esse recurso? Quais casos podem se beneficiar da análise feita em um Data Clean Room?

Apertem os cintos, porque nesta sessão vamos aprender como os Data Clean Rooms permitem que os profissionais de marketing: 

  1. Criem audiências mais relevantes
  2. Melhorem cada vez mais a experiência dos seus clientes
  3. Impulsionem o planejamento e a atribuição entre plataformas
  4. Otimizem a mensuração de alcance e frequência
  5. Realizem análises mais detalhadas sobre as campanhas

Vamos lá.

1 – Mensuração da performance

Casos de uso de data clean rooms: mensuração da performance

Acompanhar dados de retenção, ARPU, LTV e ROAS é um dos principais usos dos Data Clean Rooms. Um Data Clean Room oferece um ambiente neutro para a análise de dados de CRM dos anunciantes e dados de exibição de anúncios fornecidos pelos parceiros de marketing relevantes.

Nesse caso, os anunciantes podem fazer o upload de seus dados primários em um Data Clean Room após o final de uma campanha, combinar identificadores idênticos e realizar análises sobre os dados de seus clientes e os dados de exibição de anúncios, disponibilizados pelo provedor do Data Clean Room. 

Vamos supor que você gostaria de comparar seus dados de compras mais recentes com os dados de exibição de anúncios do Google. O jardim murado do DCR do Google — o Ads Data Hub — permitirá que você atribua a porcentagem de clientes novos à atividade de marketing nos canais de anúncios do Google.  

Se você fizer parte da vertical de eCommerce, basta alimentar o Data Clean Room com seus dados de CRM, identificadores exclusivos (e-mails, endereços, mobile IDs, etc) e a data da compra. Em seguida, cada proprietário de mídia incluirá seus dados de exibição de anúncios e identificadores exclusivos usados para criar a audiência da campanha. 

Nesse ponto, você será capaz de mensurar com precisão a intersecção entre novos clientes e aqueles expostos à campanha em cada ponto de mídia e, depois, determinar qual é a porcentagem de novos clientes que podem ser atribuídos a cada canal.

2 – Construa audiências mais granulares

Casos de uso de data clean rooms: construindo audiências mais granulares

Depois que a Apple lançou a ATT, que dificultou drasticamente o acesso a dados a nível do usuário, a granularidade se tornou o recurso mais procurado pelos profissionais de marketing.

Um Data Clean Room oferece granularidade em um grau que até recentemente não era possível. Ele coleta dados de fontes terceiras autorizadas que são ingeridos e segmentados em uma variedade de buckets comportamentais, demográficos e de localização, que são utilizados para aprimorar seu banco de dados interno e permitem um enriquecimento e uma análise de dados mais granulares. 

A beleza de tudo isso é que, em vez de exigir que os dados pessoais dos usuários sejam compartilhados para essas análises, um Data Clean Room permite que várias fontes de dados se conectem virtualmente através de cohorts anônimos. 

Isso permite que os profissionais de marketing mensurem a intersecção que existe entre seu público-alvo e as diversas audiências de outras mídias. Assim, eles são capazes de entender qual é o caminho ideal para alcançar sua audiência, planejar campanhas mais eficazes e realizar a mensuração omnichannel.

Como insights granulares de audiências podem impulsionar seus esforços de marketing? Ainda bem que você perguntou: 

Aprimore sua segmentação de audiências

A segmentação de suas audiências com base em dados refinados, como o comportamento dos clientes e seus hábitos de compras, pode ter um efeito extremamente positivo sobre a estratégia da sua campanha. 

Vamos supor que uma empresa acabou de firmar uma parceria nova com outra empresa, que compartilha de uma audiência que se sobrepõe à sua. Usando os insights de audiências do Data Clean Room, você pode identificar os pontos de sobreposição e as características compartilhadas que podem ser usadas para impulsionar análises estratégicas.

Crie conteúdos sob medida e gere engajamento

Quando você entende os interesses de cada segmento de mercado, você consegue criar conteúdos mais relevantes, recomendações promocionais e novos formatos de anúncios especificamente voltados para esses interesses.

Refinar suas mensagens, formatos, tipos de anúncios e canais para poder abordar cada segmento individualmente, falar sua linguagem exclusiva e solucionar seus problemas específicos — é uma tarefa muito mais fácil com um ambiente de Data Clean Room.

Segmentação granular

Vamos supor que você seja proprietário de uma empresa de eCommerce, e seus dados primários incluem atributos de usuários e unidades de manutenção de estoque de produtos associados (SKUs). Você gostaria de executar uma campanha voltada para uma audiência em potencial que possui atributos semelhantes e, em seguida, executar uma campanha de remarketing relevante baseada no histórico e frequência de compras. 

Primeiro, crie seus segmentos-alvo. Depois, faça o upload dos conjuntos de dados relevantes em um Data Clean Room, no qual a sua equipe pode trabalhar com parceiros de anúncios para realizar a análise cruzada dos dados primários com seus dados de terceiros. Isso gera resultados agregados e acionáveis que podem te ajudar a criar campanhas direcionadas — sem comprometer a privacidade dos seus usuários.

3 – Otimização do alcance e mensuração de frequência

Casos de uso de data clean rooms: Otimização do alcance e mensuração de frequência

Uma vez que você possui dados de impressão de PII de ad networks parceiras, você consegue entender exatamente quais anúncios e com que frequência eles são exibidos para quais clientes. Em troca, essa informação pode ser usada para desduplicar o alcance e a frequência de uma campanha, reduzir a fadiga de anúncios e melhorar seu planejamento de mídias. 

Os DCRs também podem validar se você chega até a audiência certa, permitindo que você a ajuste e aprimore seus critérios de segmentação. Além disso, os Data Clean Rooms permitem que você otimize a jornada do seu cliente, engajando os usuários com base em onde eles estão no funil e como eles interagem com seu anúncio. 

4 – Mensuração de incrementalidade

Os dados de impressão de publishers , audiências, dados primários de resposta e conversão podem ser vinculados ao nível do usuário para que você entenda o impacto incremental dos seus esforços de marketing.

Ou seja, eles permitem que você compare seus grupos de teste e de controle por meio de testes A/B, ou até seus grupos que foram expostos a anúncios ou não. Impressionante, não?

5 – Mostre a qualidade do usuário para anunciantes em potencial

Os publishers podem enviar dados a nível do usuário para um ambiente seguro de um Data Clean Room e permitir que os anunciantes avaliem a sobreposição de clientes — ou mesmo a qualidade dos usuários — com base em diversas características.

Por outro lado, os anunciantes podem construir uma audiência e, em seguida, testá-la contra o publisher X para avaliar os resultados. É uma área restrita ideal para que tanto os publishers como os anunciantes avaliem e demonstrem o valor de seus usuários adquiridos.

6 – Estabeleça parcerias de dados de primários

Casos de uso de data clean rooms: estabeleça parcerias de dados de primários

Em um lado mais estratégico, duas empresas podem concordar em juntar e combinar conjuntos de dados em um ambiente protegido, que só pode ser acessado mediante permissão, cultivando novas parcerias no ecossistema de mídias.  

Essa análise cruzada também pode ajudar a impulsionar o desenvolvimento de produtos e permitir que os profissionais de marketing melhorem seu planejamento estratégico.

7 – Treinamento, inferência e pontuação de propensão

Por fim, um ambiente de Data Clean Room permite que você recupere o acesso a dados do usuário restritos e granulares — necessários para executar com sucesso modelos de treinamento e inferência, ou mesmo modelos de propensão, a partir dos quais você pode obter uma estimativa da probabilidade de um cliente realizar uma ação específica.

Background
Receba notícias de marketing e insights de especialistas direto em seu e-mail