기업은 소비자 수준에서 비즈니스에 대한 전체적인 관점을 구축, 유지 및 강화하기 위해 외부 비즈니스 파트너의 데이터로 자사 데이터를 보완하는 방법을 점점 더 모색하고 있습니다. AWS 클린룸 기업이 서로의 기본 데이터를 공유하거나 복사하지 않고도 집단 데이터세트를 보다 쉽고 안전하게 분석하고 협업할 수 있도록 도와줍니다. AWS Clean Rooms를 사용하면 몇 분 만에 안전한 데이터 클린룸을 만들고 다른 회사와 협업할 수 있습니다. Amazon Web Services (AWS) 독특한 통찰력을 창출합니다.

AWS Clean Rooms를 빠르게 시작하는 한 가지 방법은 귀하와 우선 파트너 간의 개념 증명(POC)을 이용하는 것입니다. AWS Clean Rooms는 다양한 산업 및 사용 사례를 지원하며, 이 블로그는 AWS Clean Rooms를 통해 수행할 수 있는 개념 증명 유형에 대한 시리즈 중 첫 번째입니다.

이 게시물에서는 유료 광고 캠페인에서 미디어 효과를 측정하기 위한 POC 계획을 간략하게 설명합니다. 협력자는 미디어 오너(커넥티드 TV 제공업체인 “CTV.Co”)와 브랜드 광고주(퀵 서비스 레스토랑 회사인 “Coffee.Co”)로, 이들이 수집한 데이터를 분석하여 결과적으로 매출에 미치는 영향을 파악하고 있습니다. 광고 캠페인의 내용입니다. AWS Clean Rooms 팀이 최근 실시한 설문 조사에서 고객의 데이터 협업에 대한 사용 사례 중 "결과 및 측정"이 가장 높은 순위를 차지했기 때문에 이 시리즈를 미디어 측정으로 시작하기로 결정했습니다.

명심해야 할 중요

• AWS Clean Rooms가 정식 출시되었으므로 모든 AWS 고객은 추가 서류 작업 없이 오늘부터 AWS Management Console에 로그인하여 서비스를 사용할 수 있습니다.
• AWS Clean Rooms를 사용하면 SQL 쿼리와 기계 학습이라는 두 가지 유형의 분석을 수행할 수 있습니다. 이 블로그에서는 SQL 쿼리에만 중점을 둘 것입니다. AWS Clean Rooms에서 두 가지 분석 유형과 비용 구조에 대해 자세히 알아볼 수 있습니다. 특징 와 가격 정책 웹페이지. AWS Clean Rooms 팀은 POC 비용을 추정하는 데 도움을 드릴 수 있으며 다음 주소로 연락하실 수 있습니다. aws-clean-rooms-bd@amazon.com.
• AWS Clean Rooms는 다자간 협업을 지원하지만, 이 블로그 게시물에서는 AWS Clean Rooms POC 협업에 두 명의 구성원이 있다고 가정합니다.

살펴보기

POC를 설정하면 파트너와 함께 AWS Clean Rooms를 사용하는 특정 사용 사례의 기존 문제를 정의하는 데 도움이 됩니다. 공동작업할 사람을 결정한 후에는 POC를 설정하는 세 가지 단계를 권장합니다.

• 비즈니스 상황 및 성공 기준 정의 – 어떤 파트너, 어떤 사용 사례를 테스트해야 하는지, AWS Clean Rooms 협업의 성공 기준은 무엇인지 결정합니다.
• 이 테스트에 대한 기술 선택 조정 – 클린룸을 설정하는 사람, 데이터를 분석하는 사람, 사용되는 데이터 세트, 조인 키 및 실행 중인 분석에 대한 기술적 결정을 내립니다.
• 워크플로 및 타이밍 개요 – 작업 계획을 수립하고, 합성 데이터 테스트를 결정하고, 프로덕션 데이터 테스트를 조정합니다.

이 게시물에서는 QSR(퀵 서비스 레스토랑) 커피 회사(Coffee.Co)가 연결된 TV 제공업체(CTV.Co)와 POC를 설정하여 광고 캠페인의 성공 여부를 결정하는 방법의 예를 살펴보겠습니다.

POC의 비즈니스 컨텍스트 및 성공 기준

테스트할 사용 사례 정의

POC 설정의 첫 번째 단계는 AWS Clean Rooms에서 파트너와 함께 테스트 중인 사용 사례를 정의하는 것입니다. 예를 들어 Coffee.Co는 측정 분석을 실행하여 Coffee.Co의 충성도 프로그램에 가입하게 만든 CTV.Co의 미디어 노출을 확인하려고 합니다. AWS Clean Rooms를 사용하면 Coffee.Co와 CTV.Co가 서로의 기본 데이터를 복사하지 않고도 공동 데이터세트를 공동 작업하고 분석할 수 있습니다.

성공 기준

POC를 프로덕션 단계로 미리 이동하려면 성공 지표와 승인 기준을 결정하는 것이 중요합니다. 예를 들어 Coffee.Co의 목표는 측정 분석의 효율성을 보장하기 위해 데이터 세트와 CTV.Co의 데이터 세트 간의 충분한 일치율을 달성하는 것입니다. 또한 Coffee.Co는 기존 Coffee.Co 팀 구성원이 더 많은 충성도 회원을 유도할 CTV.Co 전술에 대한 향후 미디어 지출을 최적화하기 위해 협업을 설정하고 협업을 통해 얻은 통찰력에 대한 조치를 쉽게 취할 수 있기를 원합니다.

POC를 위한 기술적 선택

협업 생성자, AWS 계정 ID, 쿼리 실행자, 지불자 및 결과 수신자를 결정합니다.

각 AWS Clean Rooms 협업은 다른 AWS 계정을 초대하는 단일 AWS 계정에 의해 생성됩니다. 협업 작성자는 협업에 초대할 계정, 쿼리를 실행할 수 있는 사람, 컴퓨팅 비용을 지불하는 사람, 결과를 받을 수 있는 사람, 선택적 쿼리 로깅 및 암호화 컴퓨팅 설정을 지정합니다. 작성자는 공동 작업에서 구성원을 제거할 수도 있습니다. 이번 POC에서 Coffee.Co는 CTV.Co를 초대하여 협업을 시작합니다. 또한 Coffee.Co는 쿼리를 실행하고 결과를 받지만 CTV.Co는 컴퓨팅 비용을 지불합니다.

쿼리 로깅 설정

협업에서 로깅이 활성화된 경우 AWS Clean Rooms는 각 협업 구성원이 쿼리 로그를 수신하도록 허용합니다. 쿼리를 실행하는 공동 작업자인 Coffee.Co는 모든 데이터 테이블에 대한 로그를 가져오는 반면, 다른 공동 작업자인 CTV.Co는 해당 데이터 테이블이 쿼리에서 참조되는 경우에만 로그를 봅니다.

AWS 지역 결정

기초 Amazon Simple Storage Service(Amazon S3) 와 AWS 접착제 협업에 사용되는 데이터 테이블의 리소스는 AWS Clean Rooms 협업과 동일한 AWS 리전에 있어야 합니다. 예를 들어 Coffee.Co와 CTV.Co는 협력을 위해 미국 동부(오하이오) 지역에 동의합니다.

조인 키

AWS Clean Rooms 쿼리에서 데이터 세트를 조인하려면 조인의 각 측면이 공통 키를 공유해야 합니다. 다음과의 주요 조인 비교 동일 연산자(=)는 True로 평가되어야 합니다. 여러 조인 열을 일치시키기 위해 내부 조인에 AND 또는 OR 논리 연산자를 사용할 수 있습니다. 이메일 주소, 전화번호, UID2 등의 키가 고려되는 경우가 많습니다. 제XNUMX자 식별자: LiveRamp, 익스페리언, or Neustar 각 파트너와의 AWS Clean Rooms 특정 워크플로우를 통한 조인에 사용될 수 있습니다.

민감한 데이터가 조인 키로 사용되는 경우 데이터가 잘못 처리될 경우 민감한 데이터가 노출될 위험을 완화하기 위해 난독화 기술을 사용하는 것이 좋습니다. 양 당사자는 해싱과 같이 동일한 난독화된 조인 키 값을 생성하는 기술을 사용해야 합니다. 클린룸을 위한 암호화 컴퓨팅 이 제안에 사용될 수 있습니다.

이 POC에서는 Coffee.Co와 CTV.Co가 해시된 이메일 또는 해시된 모바일을 통해 참여합니다. 두 공동 작업자 모두 공동 작업을 위한 데이터 세트를 준비할 때 일반 텍스트 이메일 및 전화 번호에 SHA256 해시를 사용하고 있습니다.

데이터 스키마

정확한 데이터 스키마는 합의된 분석을 지원하기 위해 공동 작업자가 결정해야 합니다. 이 POC에서 Coffee.Co는 Coffee.Co의 충성도 프로그램 가입으로 이어진 CTV.Co의 미디어 노출을 측정하기 위해 전환 분석을 실행하고 있습니다. Coffee.Co의 스키마에는 해시된 이메일, 해시된 모바일, 로열티 가입 날짜, 로열티 멤버십 유형 및 회원의 생일이 포함됩니다. CTV.Co의 스키마에는 해시된 이메일, 해시된 모바일, 노출, 클릭, 타임스탬프, 광고 배치 및 광고 배치 유형이 포함됩니다.

협업과 연관되어 구성된 각 테이블에 적용되는 분석 규칙

AWS 클린룸 구성된 테이블 협업에 사용되는 AWS Glue 데이터 카탈로그의 기존 테이블에 대한 참조입니다. 그것은 포함 분석 규칙 AWS Clean Rooms에서 데이터를 쿼리하는 방법을 결정합니다. 구성된 테이블은 하나 이상의 협업과 연관될 수 있습니다.

AWS Clean Rooms는 집계, 목록, 사용자 지정이라는 세 가지 유형의 분석 규칙을 제공합니다.

• 집합 각 데이터 소유자가 설정한 개인 정보 보호 가드레일 내에서 집계 통계를 생성하는 쿼리를 실행할 수 있습니다. 예를 들어 두 데이터세트의 교차점 크기입니다.
• 명부 여러 데이터 세트의 교차 부분에 대한 행 수준 목록을 추출하는 쿼리를 실행할 수 있습니다. 예를 들어 두 데이터세트의 레코드가 겹칩니다.
• 관습 대부분의 업계 표준 SQL을 사용하여 사용자 정의 쿼리와 재사용 가능한 템플릿을 생성할 수 있을 뿐만 아니라 공동 작업자가 쿼리를 실행하기 전에 쿼리를 검토하고 승인할 수 있습니다. 예를 들어 데이터 테이블에서 실행이 허용된 유일한 쿼리인 증분 리프트 쿼리를 작성합니다. 당신은 또한 사용할 수 있습니다 AWS 클린룸 차등 개인정보 보호 사용자 정의 분석 규칙을 선택한 다음 차등 개인정보 보호 매개변수를 구성합니다.

이 POC에서 CTV.Co는 사용자 정의 분석 규칙을 사용하고 변환 쿼리를 작성합니다. Coffee.Co는 이 사용자 정의 분석 규칙을 데이터 테이블에 추가하여 협업에 대한 연관 테이블을 구성합니다. Coffee.Co는 쿼리를 실행하고 있으며 CTV.Co가 이 공동 작업의 집합 데이터 세트에 대해 작성한 쿼리만 실행할 수 있습니다.

계획된 쿼리

공동 작업자는 쿼리를 실행하기로 결정한 공동 작업자가 실행할 쿼리를 정의해야 합니다. 이 POC에서 Coffe.Co는 CTV.Co의 광고에 노출된 후 충성도 프로그램에 가입한 사람이 누구인지 이해하기 위해 작성된 사용자 정의 분석 규칙 쿼리 CTV.Co를 실행합니다. Coffee.Co에서는 원하는 기간 매개변수를 지정하여 특정 날짜 범위 내에서 멤버십 가입이 발생한 시기를 분석할 수 있습니다. 해당 매개변수가 사용자 정의 분석 규칙 쿼리에서 활성화되어 있기 때문입니다.

워크플로 및 타임라인

POC 설정을 위한 워크플로와 타임라인을 결정하려면 공동 작업자는 다음 활동에 대한 날짜를 설정해야 합니다.

1. Coffee.Co와 CTV.Co는 비즈니스 맥락, 성공 기준, 기술 세부 사항을 조정하고 데이터 테이블을 준비합니다.
   • 마감일 예시: 10월 XNUMX일.
2. [선택 과목] 공동 작업자는 프로덕션 데이터 테스트에 앞서 비프로덕션 테스트를 위한 대표적인 합성 데이터 세트를 생성하기 위해 노력합니다.
   • 마감일 예시: 15월 XNUMX일
3. [선택 과목] 각 협력자는 합성 데이터 세트를 사용하여 소유한 두 개의 AWS 비프로덕션 계정 간에 AWS Clean Rooms 협업을 생성하고 프로덕션에서 실행할 분석 규칙과 쿼리를 마무리합니다.
   • 마감일 예시: 30월 XNUMX일
4. [선택 과목] Coffee.Co와 CTV.Co는 비프로덕션 계정 간에 AWS Clean Rooms 협업을 생성하고 합성 데이터 세트를 사용하여 분석 규칙과 쿼리를 테스트합니다.
   • 마감일 예시: 15월 XNUMX일
5. Coffee.Co와 CTV.Co는 프로덕션 AWS Clean Rooms 협업을 생성하고 프로덕션 데이터에 대해 POC 쿼리를 실행합니다.
   • 마감일 예시: 28월 XNUMX일
6. 성공 기준에 따라 POC 결과를 평가하여 프로덕션으로 이동할 시기를 결정합니다.
   • 예시 마감일: 15월 XNUMX일

결론

POC에 대한 비즈니스 컨텍스트와 성공 기준을 정의하고, 기술 세부 사항을 조정하고, 워크플로와 타이밍을 개략적으로 설명한 후, POC의 목표는 AWS Clean Rooms를 사용하여 성공적인 협업을 실행하여 프로덕션으로의 전환을 검증하는 것입니다. 협업이 프로덕션으로 이동할 준비가 되었는지 확인한 후 AWS는 프로덕션 사용 사례에 맞게 AWS Clean Rooms를 프로그래밍 방식으로 실행하기 위한 자동화 메커니즘을 식별하고 구현하는 데 도움을 줄 수 있습니다. 이 비디오보기 개인 정보 보호가 강화된 협업에 대해 자세히 알아보고 AWS 담당자 AWS 클린룸에 대해 자세히 알아보세요.

AWS 클린룸 정보

AWS Clean Rooms는 기업과 파트너가 서로의 기본 데이터를 공유하거나 복사하지 않고도 집단 데이터 세트를 보다 쉽고 안전하게 분석하고 협업할 수 있도록 도와줍니다. AWS Clean Rooms를 사용하면 고객은 몇 분 만에 안전한 데이터 클린룸을 만들고 AWS의 다른 회사와 협력하여 광고 캠페인, 투자 결정, 연구 및 개발에 대한 고유한 통찰력을 얻을 수 있습니다.

추가 리소스

저자 소개

샤일라 마티아스  Amazon Web Services의 AWS Clean Rooms 비즈니스 개발 책임자입니다.

앨리슨 밀론 Amazon Web Services의 광고 및 마케팅 산업 제품 마케팅 담당자입니다.

라이언 말레키 Amazon Web Services의 수석 솔루션 아키텍트입니다. 그는 특히 AWS Clean Rooms를 통해 고객이 데이터에서 통찰력을 얻을 수 있도록 돕는 데 중점을 두고 있습니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://aws.amazon.com/blogs/big-data/aws-clean-rooms-proof-of-concept-scoping-part-1-media-measurement/