Обзор инструментов эры post-cookie взаимодействия. Только 30% аудитории в интернете доступно для индентификации

Прекращение использования файлов cookie и потеря доступа к данным в них привели к исчезновению доступа к индентификаторам, которые были основой таргетинга и измерений в маркетинге. Safari и Firefox больше не поддерживают сторонние файлы cookie для таргетирования рекламы, а интеллектуальное предотвращение отслеживания (Intelligent Tracking Prevention) от Apple затрудняет использование мобильных ID.

Это означает, что сегодня только 30% процентов аудитории в интернете может быть таргетирована и поддается отсеиванию. Когда Chrome прекратит поддержку файлов cookie, у маркетологов возникнут большие проблемы.

В ответ на эти изменения бренды и агентства активно изучают технологии совместной работы с данными. Надежда на то, что сочетание «чистых комнат» (clean rooms), первичных данных пользователей и техник улучшения конфиденциальности помогут рекламодателям и их партнерам взаимодействовать с файлами данных, идентифицировать совпадения, доставлять целевую рекламу, измерять эффективность кампании и обеспечивать большую прозрачность данных.

Адаптация таких совместных инструментов и переход в мир первичных данных (first party data) будет означать значительный сдвиг для индустрии, которая долго фокусировалась на отслеживании с использованием сторонних решений. Тем не менее, становится ясно, что многие рекламодатели видят в этих инструментах способ поддерживать статус-кво на фоне устаревания файлов cookie и более строгих норм конфиденциальности. Они не обязательно хотят новых решений или других способов работы; они ищут замены.

В дополнение к этому ошибочному желанию найти замену сторонним cookie с минимальными изменениями, существует путаница по поводу альтернатив совместной работы с данными, их возможностей и различий между ними.

«Совместная работа с данными» это более широкое понятие, которое включает «чистые комнаты», анклавы и технологии шифрования. Все эти инструменты могут помочь маркетологам безопасно анализировать и измерять маркетинговые данные.

Некоторым маркетологам может потребоваться использовать все эти инструменты, но другим могут потребоваться только один или два. Чтобы лучше понять потребности в соответствии с вашим кейсом использования, полезно понимать некоторые категории технологий повышения конфиденциальности, используемых сегодня.

Например, многих маркетологов может удивить, что большинство «чистых комнат» не предоставляют гарантий безопасности и что не все шифрование равнозначно.

Фактически, сама концепция шифрования стала расплывчатой. Многие маркетологи, принимающие новые инструменты, считают, что хеширование адресов электронной почты квалифицируется как шифрование, но это не так.

Хешированные адреса электронной почты замаскированы, а не зашифрованы. Техники, такие как «salting of data» или хеширование данных и токенизация, являются устаревшими техниками, которые маркетинговые и технологические компании использовали на протяжении многих лет. Ключевой проблемой с этими техниками является то, что данные передаются стороне, с которой бренд хочет сотрудничать, и затем могут быть расшифрованы в среде данных этой стороны. Дифференциальная конфиденциальность — еще одна форма технологии повышения конфиденциальности. Эта технология вводит ошибку или шум в данные. Когда они замаскированы, их очень трудно преобразовать обратно в исходный набор.

Проблема для маркетологов с дифференциальной конфиденциальностью заключается в том, что она часто приводит к отсутствию точности в анализе, что может иметь значение при измерении и атрибуции рекламных кампаний. Неточное соответствие данных имеет еще большее значение вне маркетинга, в таких отраслях, как финансовые услуги или здравоохранение.

Другая технология — это распределенное обучение (Federated Learning). Вместо того, чтобы собирать все данные в центральной точке обработки, FL сохраняет данные на родном устройстве и передает модель этих данных в точку обработки. FL требует большого доверия к компании, создающей модель и распространяющей данные обратно. Она также подходит только для крупных организаций с действительно огромными объемами данных, таких как Google.

Более аппаратный подход — это доверенные исполнительные среды, также известные как анклавы или конфиденциальные вычисления. Коротко говоря, анклавы используют подход на основе памяти в аппаратуре. Можно думать об анклаве как о замке, который хранит данные. Конечно, даже замки могут быть осаждены, и данные могут быть потеряны при нарушениях анклавов. Анклавы также требуют от брендов доверия к компании, управляющей железом. Это означает, что бренды могут быть привязаны к одному типу анклава, например, к облачному провайдеру, что затрудняет работу в других облаках.

Наконец, мы подходим к таким решениям, как полностью гомоморфное шифрование и безопасное вычисление с участием нескольких сторон. Оба варианта предлагают полное шифрование, в то время как многие другие техники шифруют данные только на этапах хранения/размещения и обработки. Это означает, что эти технологии могут предложить гарантии безопасности. Историческая проблема для решений с полным шифрованием заключалась в медленной скорости вычислений и, следовательно, в стоимости. Могло потребоваться несколько часов времени и большие вычислительные мощности, чтобы работать с полностью зашифрованными наборами данных, и это часто означало астрономические затраты на вычисления.

Ни одно решение не является идеальным продолжением ухода от файлов cookie. Также ни одно решение не идеально подходит для каждой маркетинговой организации.

Обладая более глубокими знаниями, бренды могут понять, что совместная работа с данными должна быть в центре их стратегии, а не просто временной мерой. Мы же видим сегодня на рынке России, что каждый строит свою неприступную крепость со своими базами данных и планирует это монетизировать не сотрудничая с другими игроками. Боюсь что уровень «метчинга» этих данных с пользователями на сайтах и в приложениях будет очень низким.