Las empresas buscan cada vez más formas de complementar sus datos con datos de socios comerciales externos para construir, mantener y enriquecer su visión holística de su negocio a nivel del consumidor. Salas limpias de AWS ayuda a las empresas a analizar y colaborar de forma más fácil y segura en sus conjuntos de datos colectivos, sin compartir ni copiar los datos subyacentes de cada uno. Con AWS Clean Rooms, puede crear una sala limpia de datos segura en minutos y colaborar con cualquier otra empresa en Servicios Web de Amazon (AWS) para generar insights únicos.

Una forma de comenzar rápidamente con AWS Clean Rooms es realizar una prueba de concepto (POC) entre usted y un socio prioritario. AWS Clean Rooms admite múltiples industrias y casos de uso, y este blog es el primero de una serie sobre tipos de pruebas de conceptos que se pueden realizar con AWS Clean Rooms.

En esta publicación, describimos la planificación de una prueba de concepto para medir la efectividad de los medios en una campaña publicitaria paga. Los colaboradores son un propietario de medios ("CTV.Co", un proveedor de televisión conectada) y un anunciante de marca ("Coffee.Co", una empresa de restaurantes de servicio rápido), que están analizando sus datos colectivos para comprender el impacto en las ventas como resultado. de una campaña publicitaria. Elegimos comenzar esta serie con la medición de medios porque "Resultados y medición" fue el caso de uso mejor clasificado para la colaboración de datos por parte de los clientes en una encuesta reciente que realizó el equipo de AWS Clean Rooms.

Importante a tener en cuenta

• AWS Clean Rooms está generalmente disponible para que cualquier cliente de AWS pueda iniciar sesión en la Consola de administración de AWS y comenzar a utilizar el servicio hoy mismo sin papeleo adicional.
• Con AWS Clean Rooms, puede realizar dos tipos de análisis: consultas SQL y aprendizaje automático. A los efectos de este blog, nos centraremos únicamente en las consultas SQL. Puede obtener más información sobre ambos tipos de análisis y sus estructuras de costos en AWS Clean Rooms. Caracteristicas y Precios páginas web. El equipo de AWS Clean Rooms puede ayudarle a estimar el costo de una POC y puede comunicarse con él en aws-clean-rooms-bd@amazon.com.
• Si bien AWS Clean Rooms admite la colaboración entre varias partes, en esta publicación de blog asumimos que hay dos miembros en la colaboración POC de AWS Clean Rooms.

General

La configuración de una prueba de concepto ayuda a definir un problema existente de un caso de uso específico para el uso de AWS Clean Rooms con sus socios. Una vez que haya determinado con quién desea colaborar, le recomendamos tres pasos para configurar su POC:

• Definición del contexto empresarial y criterios de éxito. – Determinar qué socio, qué caso de uso se debe probar y cuáles son los criterios de éxito para la colaboración de AWS Clean Rooms.
• Alinearse con las opciones técnicas para esta prueba. – Tome las decisiones técnicas sobre quién configura la sala limpia, quién analiza los datos, qué conjuntos de datos se utilizan, unen las claves y qué análisis se ejecutan.
• Delinear el flujo de trabajo y el tiempo – Cree un plan de recuperación, decida las pruebas de datos sintéticos y alinee las pruebas de datos de producción.

En esta publicación, analizamos un ejemplo de cómo una empresa de café de restaurante de servicio rápido (QSR) (Coffee.Co) configuraría un POC con un proveedor de televisión conectada (CTV.Co) para determinar el éxito de una campaña publicitaria.

Contexto empresarial y criterios de éxito del POC

Definir el caso de uso a probar

El primer paso para configurar la POC es definir el caso de uso que se está probando con su socio en AWS Clean Rooms. Por ejemplo, Coffee.Co quiere realizar un análisis de medición para determinar la exposición mediática en CTV.Co que llevó a registrarse en el programa de fidelización de Coffee.Co. AWS Clean Rooms permite que Coffee.Co y CTV.Co colaboren y analicen sus conjuntos de datos colectivos sin copiar los datos subyacentes de cada uno.

Criterios de éxito

Es importante determinar las métricas de éxito y los criterios de aceptación para pasar la prueba de concepto a producción por adelantado. Por ejemplo, el objetivo de Coffee.Co es lograr una tasa de coincidencia suficiente entre su conjunto de datos y el conjunto de datos de CTV.Co para garantizar la eficacia del análisis de medición. Además, Coffee.Co quiere facilidad de uso para que los miembros existentes del equipo de Coffee.Co establezcan la colaboración y la acción sobre los conocimientos generados por la colaboración para optimizar el gasto futuro en medios y tácticas en CTV.Co que generarán más miembros leales.

Opciones técnicas para el POC

Determine el creador de la colaboración, los ID de cuenta de AWS, el ejecutor de consultas, el pagador y el receptor de resultados.

Cada colaboración de AWS Clean Rooms se crea mediante una única cuenta de AWS que invita a otras cuentas de AWS. El creador de la colaboración especifica qué cuentas están invitadas a la colaboración, quién puede ejecutar consultas, quién paga por el proceso, quién puede recibir los resultados y el registro de consultas opcional y la configuración de computación criptográfica. El creador también puede eliminar miembros de una colaboración. En esta POC, Coffee.Co inicia la colaboración invitando a CTV.Co. Además, Coffee.Co ejecuta las consultas y recibe los resultados, pero CTV.Co paga por el cálculo.

Configuración de registro de consultas

Si el registro está habilitado en la colaboración, AWS Clean Rooms permite que cada miembro de la colaboración reciba registros de consultas. El colaborador que ejecuta las consultas, Coffee.Co, obtiene registros de todas las tablas de datos, mientras que el otro colaborador, CTV.Co, solo ve los registros si se hace referencia a sus tablas de datos en la consulta.

Decidir la región de AWS

El subyacente Servicio de almacenamiento simple de Amazon (Amazon S3) y Pegamento AWS Los recursos para las tablas de datos utilizadas en la colaboración deben estar en la misma región de AWS que la colaboración de AWS Clean Rooms. Por ejemplo, Coffee.Co y CTV.Co acuerdan la región este de EE. UU. (Ohio) para su colaboración.

Unir claves

Para unir conjuntos de datos en una consulta de AWS Clean Rooms, cada lado de la unión debe compartir una clave común. Comparación de unión clave con el igual a El operador (=) debe evaluarse como Verdadero. Los operadores lógicos Y u O se pueden utilizar en la combinación interna para hacer coincidir varias columnas de combinación. A menudo se consideran claves como la dirección de correo electrónico, el número de teléfono o el UID2. Identificadores de terceros de LiveRamp, experiencia, or Neustar se puede utilizar en la unión a través de flujos de trabajo específicos de AWS Clean Rooms con cada socio.

Si se utilizan datos confidenciales como claves de unión, se recomienda utilizar una técnica de ofuscación para mitigar el riesgo de exponer datos confidenciales si se manejan incorrectamente. Ambas partes deben utilizar una técnica que produzca los mismos valores clave de unión ofuscados, como el hash. Computación criptográfica para salas limpias se puede utilizar para esta propuesta.

En esta POC, Coffee.Co y CTV.Co se unen mediante correo electrónico con hash o dispositivo móvil con hash. Ambos colaboradores utilizan el hash SHA256 en su correo electrónico y número de teléfono en texto plano al preparar sus conjuntos de datos para la colaboración.

Esquema de datos

Los colaboradores deben determinar el esquema de datos exacto para respaldar el análisis acordado. En esta prueba de concepto, Coffee.Co está ejecutando un análisis de conversión para medir la exposición a los medios en CTV.Co que condujo al registro en el programa de fidelización de Coffee.Co. El esquema de Coffee.Co incluye correo electrónico con hash, dispositivo móvil con hash, fecha de registro de fidelidad, tipo de membresía de fidelidad y fecha de nacimiento del miembro. El esquema de CTV.Co incluye correo electrónico con hash, dispositivos móviles con hash, impresiones, clics, marca de tiempo, ubicación de anuncios y tipo de ubicación de anuncios.

Regla de análisis aplicada a cada tabla configurada asociada a la colaboración.

Salas limpias de AWS tabla configurada es una referencia a una tabla existente en el catálogo de datos de AWS Glue que se utiliza en la colaboración. Contiene un regla de análisis que determina cómo se pueden consultar los datos en AWS Clean Rooms. Las tablas configuradas se pueden asociar a una o más colaboraciones.

AWS Clean Rooms ofrece tres tipos de reglas de análisis: agregación, lista y personalizada.

• Agregación le permite ejecutar consultas que generan una estadística agregada dentro de las barreras de privacidad establecidas por cada propietario de datos. Por ejemplo, qué tan grande es la intersección de dos conjuntos de datos.
• Lista le permite ejecutar consultas que extraen la lista a nivel de fila de la intersección de múltiples conjuntos de datos. Por ejemplo, los registros superpuestos en dos conjuntos de datos.
• Personalizado le permite crear consultas personalizadas y plantillas reutilizables utilizando la mayoría de SQL estándar de la industria, así como revisar y aprobar consultas antes de que su colaborador las ejecute. Por ejemplo, crear una consulta de elevación incremental que sea la única consulta que se permite ejecutar en sus tablas de datos. También puedes usar Privacidad diferencial de salas limpias de AWS seleccionando una regla de análisis personalizada y luego configurando sus parámetros de privacidad diferenciales.

En esta prueba de concepto, CTV.Co utiliza la regla de análisis personalizada y crea la consulta de conversión. Coffee.Co agrega esta regla de análisis personalizada a su tabla de datos, configurando la tabla para asociarla a la colaboración. Coffee.Co está ejecutando la consulta y solo puede ejecutar consultas creadas por CTV.Co en los conjuntos de datos colectivos de esta colaboración.

Consulta planificada

Los colaboradores deben definir la consulta que ejecutará el colaborador determinado para ejecutar las consultas. En esta prueba de concepto, Coffe.Co ejecuta la consulta de regla de análisis personalizada creada por CTV.Co para comprender quién se inscribió en su programa de fidelización después de haber estado expuesto a un anuncio en CTV.Co. Coffee.Co puede especificar el parámetro de ventana de tiempo deseado para analizar cuándo se realizó el registro de membresía dentro de un rango de fechas específico, porque ese parámetro se ha habilitado en la consulta de regla de análisis personalizada.

Flujo de trabajo y cronograma

Para determinar el flujo de trabajo y el cronograma para la configuración del POC, los colaboradores deben establecer fechas para las siguientes actividades.

1. Coffee.Co y CTV.Co se alinean en cuanto al contexto empresarial, los criterios de éxito, los detalles técnicos y preparan sus tablas de datos.
   • Fecha límite de ejemplo: 10 de enero.
2. [Opcional] Los colaboradores trabajan para generar conjuntos de datos sintéticos representativos para pruebas que no son de producción antes de las pruebas de datos de producción.
   • Fecha límite de ejemplo: 15 de enero
3. [Opcional] Cada colaborador utiliza conjuntos de datos sintéticos para crear una colaboración de AWS Clean Rooms entre dos de sus propias cuentas de no producción de AWS y finaliza las reglas de análisis y las consultas que desean ejecutar en producción.
   • Fecha límite de ejemplo: 30 de enero
4. [Opcional] Coffee.Co y CTV.Co crean una colaboración de AWS Clean Rooms entre cuentas que no son de producción y prueban las reglas de análisis y las consultas con los conjuntos de datos sintéticos.
   • Fecha límite de ejemplo: 15 de febrero
5. Coffee.Co y CTV.Co crean una colaboración de producción con AWS Clean Rooms y ejecutan consultas POC sobre datos de producción.
   • Fecha límite de ejemplo: 28 de febrero
6. Evalúe los resultados de POC frente a los criterios de éxito para determinar cuándo pasar a producción.
   • Ejemplo de fecha límite 15 de marzo

Conclusión

Una vez que haya definido el contexto empresarial y los criterios de éxito para la POC, alineado con los detalles técnicos y delineado el flujo de trabajo y los tiempos, el objetivo de la POC es ejecutar una colaboración exitosa utilizando AWS Clean Rooms para validar el paso a producción. Una vez que haya validado que la colaboración está lista para pasar a producción, AWS puede ayudarlo a identificar e implementar mecanismos de automatización para ejecutar mediante programación AWS Clean Rooms para sus casos de uso de producción. Mira este video para obtener más información sobre la colaboración con privacidad mejorada y ponerse en contacto con un Representante de AWS para obtener más información sobre las salas limpias de AWS.

Acerca de las salas limpias de AWS

AWS Clean Rooms ayuda a las empresas y a sus socios a analizar y colaborar de forma más fácil y segura en sus conjuntos de datos colectivos, sin compartir ni copiar los datos subyacentes de otros. Con AWS Clean Rooms, los clientes pueden crear una sala limpia de datos segura en minutos y colaborar con cualquier otra empresa en AWS para generar información única sobre campañas publicitarias, decisiones de inversión e investigación y desarrollo.

Recursos adicionales

Sobre los autores

Shaila Matías  es líder de desarrollo empresarial para AWS Clean Rooms en Amazon Web Services.

Allison Milone es comercializador de productos para la industria de publicidad y marketing en Amazon Web Services.

Ryan Malecky es arquitecto senior de soluciones en Amazon Web Services. Su objetivo es ayudar a los clientes a obtener información valiosa a partir de sus datos, especialmente con AWS Clean Rooms.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://aws.amazon.com/blogs/big-data/aws-clean-rooms-proof-of-concept-scoping-part-1-media-measurement/