Perusahaan semakin mencari cara untuk melengkapi data mereka dengan data mitra bisnis eksternal untuk membangun, memelihara, dan memperkaya pandangan holistik tentang bisnis mereka di tingkat konsumen. Kamar Bersih AWS membantu perusahaan menganalisis dan berkolaborasi pada kumpulan data kolektif mereka dengan lebih mudah dan aman—tanpa berbagi atau menyalin data dasar satu sama lain. Dengan AWS Clean Rooms, Anda dapat membuat ruang bersih data yang aman dalam hitungan menit dan berkolaborasi dengan perusahaan lain mana pun Layanan Web Amazon (AWS) untuk menghasilkan wawasan yang unik.
Salah satu cara untuk memulai AWS Clean Rooms dengan cepat adalah dengan bukti konsep (POC) antara Anda dan mitra prioritas. AWS Clean Rooms mendukung banyak industri dan kasus penggunaan, dan blog ini adalah yang pertama dari serangkaian jenis pembuktian konsep yang dapat dilakukan dengan AWS Clean Rooms.
Dalam postingan ini, kami menguraikan perencanaan POC untuk mengukur efektivitas media dalam kampanye iklan berbayar. Kolaboratornya adalah pemilik media (“CTV.Co,” penyedia TV yang terhubung) dan pengiklan merek (“Coffee.Co,” perusahaan restoran cepat saji), yang menganalisis data kolektif mereka untuk memahami dampaknya terhadap penjualan. dari kampanye iklan. Kami memilih untuk memulai seri ini dengan pengukuran media karena “Hasil & Pengukuran” adalah kasus penggunaan peringkat teratas untuk kolaborasi data oleh pelanggan dalam survei terbaru yang dilakukan oleh tim AWS Clean Rooms.
Penting untuk diingat
- AWS Clean Rooms umumnya tersedia sehingga setiap pelanggan AWS dapat masuk ke AWS Management Console dan mulai menggunakan layanan sekarang tanpa dokumen tambahan.
- Dengan AWS Clean Rooms, Anda dapat melakukan dua jenis analisis: kueri SQL dan pembelajaran mesin. Untuk tujuan blog ini, kami hanya akan fokus pada query SQL. Anda dapat mempelajari lebih lanjut tentang kedua jenis analisis dan struktur biayanya di AWS Clean Rooms Fitur dan Harga Halaman web. Tim AWS Clean Rooms dapat membantu Anda memperkirakan biaya POC dan dapat dihubungi di aws-kamar-bersih-bd@amazon.com.
- Meskipun AWS Clean Rooms mendukung kolaborasi multipihak, kami mengasumsikan dua anggota dalam kolaborasi POC AWS Clean Rooms dalam postingan blog ini.
Ringkasan
Menyiapkan POC membantu menentukan masalah yang ada pada kasus penggunaan tertentu untuk menggunakan AWS Clean Rooms dengan mitra Anda. Setelah Anda menentukan dengan siapa Anda ingin berkolaborasi, kami merekomendasikan tiga langkah untuk menyiapkan POC Anda:
- Mendefinisikan konteks bisnis dan kriteria keberhasilan – Tentukan mitra mana, kasus penggunaan mana yang harus diuji, dan apa kriteria keberhasilan kolaborasi AWS Clean Rooms.
- Menyelaraskan pilihan teknis untuk tes ini – Membuat keputusan teknis tentang siapa yang menyiapkan ruang bersih, siapa yang menganalisis data, kumpulan data mana yang digunakan, kunci gabungan, dan analisis apa yang sedang dijalankan.
- Menguraikan alur kerja dan waktu – Buat rencana pengerjaan ulang, putuskan pengujian data sintetis, dan selaraskan pengujian data produksi.
Dalam postingan ini, kita akan melihat contoh bagaimana perusahaan kopi restoran cepat saji (QSR) (Coffee.Co) akan menyiapkan POC dengan penyedia TV yang terhubung (CTV.Co) untuk menentukan keberhasilan kampanye periklanan.
Konteks bisnis dan kriteria keberhasilan POC
Tentukan use case yang akan diuji
Langkah pertama dalam menyiapkan POC adalah menentukan kasus penggunaan yang diuji dengan mitra Anda di AWS Clean Rooms. Misalnya, Coffee.Co ingin menjalankan analisis pengukuran untuk menentukan paparan media di CTV.Co yang menyebabkan mereka mendaftar ke program loyalitas Coffee.Co. AWS Clean Rooms memungkinkan Coffee.Co dan CTV.Co berkolaborasi dan menganalisis kumpulan data kolektif mereka tanpa menyalin data dasar satu sama lain.
Kriteria sukses
Penting untuk menentukan metrik keberhasilan dan kriteria penerimaan untuk memindahkan POC ke tahap produksi terlebih dahulu. Misalnya, tujuan Coffee.Co adalah mencapai tingkat kecocokan yang memadai antara kumpulan data mereka dan kumpulan data CTV.Co untuk memastikan keefektifan analisis pengukuran. Selain itu, Coffee.Co menginginkan kemudahan penggunaan bagi anggota tim Coffee.Co yang sudah ada untuk mengatur kolaborasi dan mengambil tindakan berdasarkan wawasan yang didorong oleh kolaborasi untuk mengoptimalkan pembelanjaan media di masa depan hingga taktik di CTV.Co yang akan mendorong lebih banyak anggota loyalitas.
Pilihan teknis untuk POC
Tentukan pembuat kolaborasi, ID akun AWS, runner kueri, pembayar, dan penerima hasil
Setiap kolaborasi AWS Clean Rooms dibuat oleh satu akun AWS yang mengundang akun AWS lainnya. Pembuat kolaborasi menentukan akun mana yang diundang ke kolaborasi, siapa yang dapat menjalankan kueri, siapa yang membayar komputasi, siapa yang dapat menerima hasilnya, dan pengaturan pencatatan kueri dan komputasi kriptografi opsional. Pencipta juga dapat menghapus anggota dari kolaborasi. Dalam POC ini, Coffee.Co mengawali kerja sama dengan mengundang CTV.Co. Selain itu, Coffee.Co menjalankan kueri dan menerima hasilnya, namun CTV.Co membayar untuk komputasinya.
Pengaturan pencatatan kueri
Jika pencatatan diaktifkan dalam kolaborasi, AWS Clean Rooms memungkinkan setiap anggota kolaborasi menerima log kueri. Kolaborator yang menjalankan kueri, Coffee.Co, mendapatkan log untuk semua tabel data sementara kolaborator lainnya, CTV.Co, hanya melihat log jika tabel datanya direferensikan dalam kueri.
Tentukan wilayah AWS
Yang mendasarinya Layanan Penyimpanan Sederhana Amazon (Amazon S3) dan Lem AWS sumber daya untuk tabel data yang digunakan dalam kolaborasi harus berada di Wilayah AWS yang sama dengan kolaborasi AWS Clean Rooms. Misalnya, Coffee.Co dan CTV.Co menyepakati Wilayah AS Timur (Ohio) untuk kolaborasi mereka.
Gabung kunci
Untuk menggabungkan kumpulan data dalam kueri AWS Clean Rooms, setiap sisi gabungan harus berbagi kunci yang sama. Perbandingan gabungan kunci dengan sama dengan operator (=) harus bernilai True. Operator logika AND atau OR dapat digunakan di inner join untuk mencocokkan beberapa kolom join. Kunci seperti alamat email, nomor telepon, atau UID2 sering kali dipertimbangkan. Pengidentifikasi pihak ketiga dari LiveRamp, berpengalaman, or Neustar dapat digunakan dalam penggabungan melalui alur kerja khusus AWS Clean Rooms dengan masing-masing mitra.
Jika data sensitif digunakan sebagai kunci gabungan, disarankan untuk menggunakan teknik kebingungan untuk mengurangi risiko tereksposnya data sensitif jika data tersebut salah penanganan. Kedua belah pihak harus menggunakan teknik yang menghasilkan nilai kunci gabungan yang sama seperti hashing. Komputasi Kriptografi untuk Kamar Bersih dapat digunakan untuk usulan ini.
Dalam POC ini, Coffee.Co dan CTV.Co bergabung melalui email hash atau ponsel hash. Kedua kolaborator menggunakan hash SHA256 pada email teks biasa dan nomor telepon mereka saat menyiapkan kumpulan data untuk kolaborasi.
Skema data
Skema data yang tepat harus ditentukan oleh kolaborator untuk mendukung analisis yang disepakati. Dalam POC ini, Coffee.Co menjalankan analisis konversi untuk mengukur keterpaparan media di CTV.Co yang mendorong mereka untuk mendaftar ke program loyalitas Coffee.Co. Skema Coffee.Co mencakup email yang di-hash, ponsel yang di-hash, tanggal pendaftaran loyalitas, jenis keanggotaan loyalitas, dan ulang tahun anggota. Skema CTV.Co mencakup email yang di-hash, seluler yang di-hash, tayangan, klik, stempel waktu, penempatan iklan, dan jenis penempatan iklan.
Aturan analisis diterapkan ke setiap tabel dikonfigurasi yang terkait dengan kolaborasi
Kamar Bersih AWS tabel yang dikonfigurasi adalah referensi ke tabel yang ada di Katalog Data AWS Glue yang digunakan dalam kolaborasi. Ini berisi aturan analisis yang menentukan bagaimana data dapat ditanyakan di AWS Clean Rooms. Tabel yang dikonfigurasi dapat dikaitkan dengan satu atau lebih kolaborasi.
AWS Clean Rooms menawarkan tiga jenis aturan analisis: agregasi, daftar, dan kustom.
- Pengumpulan memungkinkan Anda menjalankan kueri yang menghasilkan statistik agregat dalam batasan privasi yang ditetapkan oleh setiap pemilik data. Misalnya, seberapa besar perpotongan dua dataset.
- Daftar memungkinkan Anda menjalankan kueri yang mengekstrak daftar tingkat baris dari perpotongan beberapa kumpulan data. Misalnya, catatan yang tumpang tindih pada dua kumpulan data.
- Kustom memungkinkan Anda membuat kueri khusus dan templat yang dapat digunakan kembali menggunakan sebagian besar SQL standar industri, serta meninjau dan menyetujui kueri sebelum kolaborator Anda menjalankannya. Misalnya, membuat kueri peningkatan bertahap yang merupakan satu-satunya kueri yang diizinkan untuk dijalankan pada tabel data Anda. Anda juga bisa menggunakan Privasi Diferensial AWS Clean Rooms dengan memilih aturan analisis khusus dan kemudian mengonfigurasi parameter privasi diferensial Anda.
Dalam POC ini, CTV.Co menggunakan aturan analisis khusus dan menulis kueri konversi. Coffee.Co menambahkan aturan analisis khusus ini ke tabel data mereka, mengonfigurasi tabel untuk dikaitkan dengan kolaborasi. Coffee.Co menjalankan kueri, dan hanya dapat menjalankan kueri yang dibuat oleh CTV.Co pada kumpulan data kolektif dalam kolaborasi ini.
Permintaan yang direncanakan
Kolaborator harus menentukan kueri yang akan dijalankan oleh kolaborator yang bertekad menjalankan kueri tersebut. Dalam POC ini, Coffe.Co menjalankan kueri aturan analisis khusus yang dibuat CTV.Co untuk memahami siapa yang mendaftar ke program loyalitas mereka setelah melihat iklan di CTV.Co. Coffee.Co dapat menentukan parameter jendela waktu yang diinginkan untuk menganalisis kapan pendaftaran keanggotaan dilakukan dalam rentang tanggal tertentu, karena parameter tersebut telah diaktifkan dalam kueri aturan analisis khusus.
Alur kerja dan garis waktu
Untuk menentukan alur kerja dan jadwal penyiapan POC, kolaborator harus menetapkan tanggal untuk aktivitas berikut.
- Coffee.Co dan CTV.Co menyelaraskan konteks bisnis, kriteria keberhasilan, detail teknis, dan menyiapkan tabel data mereka.
- Contoh batas waktu: 10 Januari.
- [Pilihan] Kolaborator bekerja untuk menghasilkan kumpulan data sintetis yang representatif untuk pengujian non-produksi sebelum pengujian data produksi.
- Contoh batas waktu: 15 Januari
- [Pilihan] Setiap kolaborator menggunakan kumpulan data sintetis untuk membuat kolaborasi AWS Clean Rooms antara dua akun non-produksi AWS milik mereka dan menyelesaikan aturan analisis dan kueri yang ingin mereka jalankan dalam produksi.
- Contoh batas waktu: 30 Januari
- [Pilihan] Coffee.Co dan CTV.Co membuat kolaborasi AWS Clean Rooms antara akun non-produksi dan menguji aturan analisis dan kueri dengan set data sintetis.
- Contoh batas waktu: 15 Februari
- Coffee.Co dan CTV.Co membuat kolaborasi produksi AWS Clean Rooms dan menjalankan kueri POC pada data produksi.
- Contoh batas waktu: 28 Februari
- Evaluasi hasil POC terhadap kriteria keberhasilan untuk menentukan kapan harus beralih ke produksi.
- Contoh batas waktu 15 Maret
Kesimpulan
Setelah Anda menentukan konteks bisnis dan kriteria keberhasilan POC, menyelaraskan detail teknis, dan menguraikan alur kerja dan waktu, tujuan POC adalah menjalankan kolaborasi yang sukses menggunakan AWS Clean Rooms untuk memvalidasi perpindahan ke produksi. Setelah Anda memvalidasi bahwa kolaborasi siap untuk dipindahkan ke produksi, AWS dapat membantu Anda mengidentifikasi dan menerapkan mekanisme otomatisasi untuk menjalankan AWS Clean Rooms secara terprogram untuk kasus penggunaan produksi Anda. Tonton video ini untuk mempelajari lebih lanjut tentang kolaborasi yang meningkatkan privasi dan menghubungi Perwakilan AWS untuk mempelajari lebih lanjut tentang AWS Clean Rooms.
Tentang Kamar Bersih AWS
AWS Clean Rooms membantu perusahaan dan mitra mereka menganalisis dan berkolaborasi pada kumpulan data kolektif mereka dengan lebih mudah dan aman—tanpa berbagi atau menyalin data dasar satu sama lain. Dengan AWS Clean Rooms, pelanggan dapat membuat ruang bersih data yang aman dalam hitungan menit, dan berkolaborasi dengan perusahaan lain di AWS untuk menghasilkan wawasan unik tentang kampanye periklanan, keputusan investasi, serta penelitian dan pengembangan.
Sumber daya tambahan
Tentang penulis
Shaila Mathias adalah pemimpin Pengembangan Bisnis untuk AWS Clean Rooms di Amazon Web Services.
Allison Milone adalah Pemasar Produk untuk Industri Periklanan & Pemasaran di Amazon Web Services.
Ryan Malecky adalah Arsitek Solusi Senior di Amazon Web Services. Dia fokus membantu pelanggan membangun wawasan dari data mereka, terutama dengan AWS Clean Rooms.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/big-data/aws-clean-rooms-proof-of-concept-scoping-part-1-media-measurement/
- :memiliki
- :adalah
- $NAIK
- 1
- 10
- 100
- a
- Sanggup
- Tentang Kami
- penerimaan
- Akun
- Akun
- Mencapai
- Tindakan
- kegiatan
- Ad
- Tambahan
- Selain itu
- alamat
- Menambahkan
- pengiklanan
- Setelah
- terhadap
- agregat
- pengumpulan
- sepakat
- meluruskan
- selaras
- Semua
- memungkinkan
- juga
- Amazon
- Amazon Web Services
- Amazon.com
- an
- analisis
- analisis
- menganalisa
- menganalisis
- dan
- Apa pun
- terapan
- menyetujui
- ADALAH
- AS
- terkait
- Asosiasi
- menganggap
- At
- Authored
- menulis
- penulis
- Otomatisasi
- tersedia
- AWS
- Pelanggan AWS
- Lem AWS
- Konsol Manajemen AWS
- BE
- karena
- menjadi
- makhluk
- antara
- Blog
- kedua
- kedua belah pihak
- merek
- membangun
- bisnis
- pengembangan bisnis
- tapi
- by
- Kampanye
- Kampanye
- CAN
- kasus
- kasus
- katalog
- pilihan
- memilih
- membersihkan
- CO
- Tanaman
- Berkolaborasi
- kolaborasi
- Kolaborasi
- kolaborator
- Kolektif
- Kolom
- COM
- Umum
- Perusahaan
- perusahaan
- perbandingan
- Melengkapi
- menghitung
- komputasi
- konsep
- konsep
- dilakukan
- dikonfigurasi
- mengkonfigurasi
- terhubung
- dianggap
- konsul
- konsumen
- kontak
- mengandung
- konteks
- Konversi
- penyalinan
- Biaya
- membuat
- dibuat
- pencipta
- kriteria
- kriptografi
- adat
- pelanggan
- pelanggan
- data
- kumpulan data
- set data
- kumpulan data
- Tanggal
- Tanggal
- batas waktu
- memutuskan
- keputusan
- menetapkan
- didefinisikan
- mendefinisikan
- diinginkan
- rincian
- Menentukan
- ditentukan
- ditentukan
- Pengembangan
- mendorong
- didorong
- setiap
- mudah
- Timur
- efektivitas
- kemanjuran
- diaktifkan
- memperkaya
- memastikan
- terutama
- memperkirakan
- Eter (ETH)
- mengevaluasi
- contoh
- ada
- terkena
- Pencahayaan
- luar
- ekstrak
- Februari
- Februari
- Pertama
- Mengalir
- terfokus
- berfokus
- berikut
- Untuk
- dari
- masa depan
- Mendapatkan
- umumnya
- menghasilkan
- mendapatkan
- tujuan
- hash
- hash
- hashing
- he
- membantu
- membantu
- membantu
- holistik
- Seterpercayaapakah Olymp Trade? Kesimpulan
- HTML
- HTTPS
- pengidentifikasi
- mengenali
- id
- if
- Dampak
- melaksanakan
- penting
- in
- termasuk
- makin
- inkremental
- industri
- industri
- Inisiat
- batin
- wawasan
- persimpangan
- investasi
- diundang
- mengundang
- IT
- Januari
- ikut
- bergabung
- Menjaga
- kunci
- kunci-kunci
- besar
- memimpin
- BELAJAR
- pengetahuan
- Dipimpin
- Tingkat
- Daftar
- penebangan
- logis
- Loyalitas
- Program Loyalitas
- mesin
- Mesin belajar
- memelihara
- membuat
- pengelolaan
- March
- Marketing
- Industri Pemasaran
- Cocok
- sesuai
- mengukur
- pengukuran
- mekanisme
- Media
- anggota
- Anggota
- keanggotaan
- Metrik
- keberatan
- menit
- Mengurangi
- mobil
- lebih
- paling
- pindah
- bergerak
- multipartai
- beberapa
- harus
- jumlah
- of
- Penawaran
- sering
- Ohio
- on
- ONE
- hanya
- operator
- operator
- Optimize
- or
- Lainnya
- garis besar
- diuraikan
- dimiliki
- pemilik
- dibayar
- dokumen
- parameter
- parameter
- bagian
- pihak
- pasangan
- rekan
- pihak
- negara
- melakukan
- telepon
- Tempat
- penempatan
- Teks biasa
- rencana
- perencanaan
- plato
- Kecerdasan Data Plato
- Data Plato
- PoC
- Pos
- Mempersiapkan
- mempersiapkan
- Sebelumnya
- prioritas
- pribadi
- Masalah
- menghasilkan
- Produk
- Produksi
- program
- bukti
- bukti konsep
- mengusulkan
- pemberi
- tujuan
- query
- Cepat
- segera
- jarak
- peringkat
- Penilaian
- tercapai
- siap
- menerima
- menerima
- baru
- sarankan
- direkomendasikan
- arsip
- referensi
- wilayah
- menghapus
- wakil
- penelitian
- penelitian dan pengembangan
- Sumber
- restoran
- mengakibatkan
- Hasil
- dapat digunakan kembali
- ulasan
- Risiko
- Kamar
- kamar
- BARIS
- Aturan
- aturan
- Run
- pelari
- berjalan
- berjalan
- penjualan
- sama
- Pelingkupan
- aman
- aman
- pencarian
- melihat
- memilih
- senior
- peka
- Seri
- layanan
- Layanan
- set
- set
- pengaturan
- pengaturan
- SHA256
- Share
- berbagi
- harus
- sisi
- menandatangani
- tertanda
- Sederhana
- tunggal
- So
- Solusi
- tertentu
- menghabiskan
- SQL
- standar
- awal
- mulai
- Langkah
- Tangga
- penyimpanan
- struktur
- sukses
- sukses
- seperti itu
- cukup
- mendukung
- Mendukung
- Survei
- sintetis
- data sintetis
- tabel
- taktik
- tim
- Anggota tim
- Teknis
- teknik
- template
- diuji
- pengujian
- tes
- bahwa
- Grafik
- mereka
- Mereka
- kemudian
- mereka
- Ketiga
- ini
- tiga
- Melalui
- waktu
- waktu
- timestamp
- waktu
- untuk
- hari ini
- mengambil
- puncak
- benar
- tv
- dua
- mengetik
- jenis
- pokok
- memahami
- unik
- atas
- us
- menggunakan
- gunakan case
- bekas
- kegunaan
- menggunakan
- MENGESAHKAN
- divalidasi
- Nilai - Nilai
- View
- berjalan
- ingin
- ingin
- adalah
- Cara..
- cara
- we
- jaringan
- layanan web
- BAIK
- Apa
- ketika
- yang
- sementara
- SIAPA
- akan
- jendela
- dengan
- dalam
- tanpa
- Kerja
- alur kerja
- akan
- kamu
- Anda
- Youtube
- zephyrnet.dll