Funktionen von AWS Clean Rooms

Mit AWS Clean Rooms können Sie problemlos mit Hunderttausenden von Unternehmen zusammenarbeiten, die bereits AWS nutzen, ohne dass Sie eine Kopie Ihrer Daten außerhalb Ihrer AWS-Umgebung pflegen oder sie in eine andere Plattform laden müssen. Sobald Sie einen Zusammenarbeitsbereich erstellen oder ihm beitreten, können Sie Ihre Datentabellen in Ihrem AWS-Glue-Datenkatalog konfigurieren. Wenn Sie Datensätze abgleichen, Abfragen ausführen, ein ML-Modell trainieren oder prädiktive Erkenntnisse generieren, liest AWS Clean Rooms die Daten von seinem Standort aus. Wenn Sie AWS Entity Resolution in AWS Clean Rooms verwenden, werden die zugrundeliegenden Daten, die zur Konfiguration eines Datensatzes verwendet werden, der Identifikatoren mehrerer Mitarbeitenden zugeordnet wird, niemals zwischen Mitarbeitenden geteilt oder veröffentlicht. Wenn Sie die SQL-Abfrageanalyse verwenden, können Sie für Ihre Daten zulässige Regeln und SQL-Abfrageeinschränkungen festlegen. Diese werden automatisch angewendet, um die zugrunde liegenden Daten der einzelnen Teilnehmer zu schützen. Sie können beispielsweise auch Ausgabebeschränkungen konfigurieren, z. B. minimale Aggregationsschwellenwerte. Wenn Sie AWS Clean Rooms ML verwenden, werden die zugrunde liegenden Daten, die zum Trainieren eines Modells oder zur Generierung eines Lookalike-Segments verwendet werden, niemals für Mitarbeiter freigegeben, offengelegt oder von AWS zum Trainieren von Modellen verwendet.

Zusätzlich zur AWS-Managementkonsole ist die gesamte AWS-Clean-Rooms-Funktionalität über eine API zugänglich. Sie können die AWS-SDKs oder die Befehlszeilenschnittstelle (CLI) verwenden, um AWS-Clean-Rooms-Vorgänge zu automatisieren, Clean-Rooms-Funktionen in Ihre bestehenden Workflows und Produkte zu integrieren oder Ihre eigene Version des Clean-Rooms-Angebots für Ihre Kunden zu erstellen.

Mit AWS Entity Resolution in AWS Clean Rooms können Sie und Ihre Mitarbeitenden im Rahmen einer datenschutzorientierten Zusammenarbeit mit AWS Clean Rooms die zugehörigen Daten von Kundinnen und Kunden einfacher aufbereiten und abgleichen. Mithilfe regelbasierter oder auf Datendienstleistern basierender Abgleichstechniken können Sie den Datenabgleich für Anwendungsfälle wie die Planung, Ausrichtung und Bemessung von Werbekampagnen verbessern. Sie können konfigurierbare Abgleichslogik oder Datensätze und IDs von vertrauenswürdigen Datendienstleistern wie LiveRamp verwenden, um Datensätze geräte-, plattform- und kanalübergreifend zu verbinden.

Analyseregeln sind Einschränkungen, die Ihnen eine integrierte Kontrolle darüber geben, wie Ihre Daten analysiert werden können. Kollaborationsmitglieder, die als designierte Abfrage-Runner eine Kollaboration erstellen oder einer Kollaboration beitreten, können Abfragen schreiben, um Ihre Datentabellen gemäß den von Ihnen festgelegten Analyseregeln zu überschneiden und zu analysieren. AWS Clean Rooms unterstützt drei Arten von Analyseregeln: Aggregation, Liste und benutzerdefinierte Regeln.

Regel für die Aggregationsanalyse: Mit der Regel für die Aggregationsanalyse können Sie Abfragen ausführen, die aggregierte Statistiken generieren, z. B. wie groß die Schnittmenge zweier Datensätze ist. Wenn Sie die Regel für die Aggregationsanalyse verwenden, können Sie erzwingen, dass nur Aggregationsabfragen für Ihre Daten ausgeführt werden können, und Einschränkungen für bestimmte Teile der ausgeführten Abfragen erzwingen, z. B. welche Spalten nur bei einem Blind Match verwendet werden dürfen und welche Spalten in Aggregationen wie Summen, Anzahlen oder Durchschnittswerten verwendet werden können. Sie steuern auch die minimale Aggregationsbeschränkung in der Ausgabe.  Sie können auch Mindestaggregationsbeschränkungen festlegen, die es Ihnen ermöglichen Bedingungen für die Rückgabe von Ausgabezeilen festzulegen. Diese Einschränkungen haben das Format COUNT DISTINCT (Spalte) >= Schwellenwert. Wenn eine Ausgabezeile in den Abfrageergebnissen keine der Einschränkungen erfüllt, wird sie für die Ergebnismenge entfernt. Dies hilft Ihnen, sicherzustellen, dass Mindestaggregationsschwellenwerte automatisch durchgesetzt werden, während Sie Datenmitarbeitern Flexibilität bieten, die Abfragen ihrer Wahl zu schreiben.

Listen-Analyseregel: Mit der Listen-Analyseregel können Sie Abfragen ausführen, die die Liste der Schnittmenge mehrerer Datensätze auf Zeilenebene extrahieren, z. B. die Überlappung zweier Datensätze. Wenn Sie die Listen-Analyseregel verwenden, können Sie erzwingen, dass nur Listenabfragen für Ihre Daten ausgeführt werden können, und Einschränkungen der ausgeführten Abfragen erzwingen, z. B. welche Spalten nur bei einem Blind Match verwendet werden dürfen und welche Spalten als Liste in der Ausgabe ausgegeben werden können.

Benutzerdefinierte Analyseregel: Mit der benutzerdefinierten Analyseregel können Sie benutzerdefinierte Abfragen mithilfe der meisten ANSI-Standard-SQL erstellen, z. B. allgemeine Tabellenausdrücke (CTE) und Fensterfunktionen. Sie können Abfragen auch überprüfen und zulassen, bevor Kooperationspartner sie ausführen, und die Abfragen anderer Mitarbeiter überprüfen, bevor sie für Ihre Tabellen ausgeführt werden dürfen. Wenn Sie die benutzerdefinierte Analyseregel verwenden, können Sie die integrierte Steuerung verwenden, um im Voraus zu bestimmen oder einzuschränken, wie Ihre zugrunde liegenden Daten analysiert werden könnten, anstatt sich nach Abschluss der Analysen auf Abfrageprotokolle verlassen zu müssen. Wenn Sie benutzerdefinierte SQL-Abfragen verwenden, können Sie auch Analysevorlagen erstellen oder verwenden, um benutzerdefinierte Abfragen mit Parametern in den Kollaborationen zu speichern. Auf diese Weise können sich Kunden bei einer Zusammenarbeit leichter gegenseitig helfen. Beispielsweise kann ein Mitglied, das über mehr SQL-Erfahrung verfügt, Vorlagen erstellen, die andere Mitglieder überprüfen und möglicherweise ausführen können. Es ermöglicht auch wiederverwendbare Analysen in der Zusammenarbeit. Sie können AWS Clean Rooms Differential Privacy auch verwenden, indem Sie eine benutzerdefinierte Analyseregel auswählen und dann Ihre differenziellen Datenschutzparameter konfigurieren.

AWS Clean Rooms Differential Privacy hilft Ihnen, die Privatsphäre Ihrer Benutzer mit mathematisch gestützten und intuitiven Steuerelementen mit wenigen Schritten zu schützen. Differenzierter Datenschutz ist eine strenge mathematische Definition des Schutzes von Daten. Die Konfiguration dieser Technik ist jedoch komplex und erfordert ein tiefgreifendes Verständnis der Theorie und mathematisch strenger Formeln, um sie effektiv anzuwenden. AWS Clean Rooms Differential Privacy ist eine intuitive, vollständig verwaltete Funktion von AWS Clean Rooms, mit der Sie die erneute Identifizierung Ihrer Benutzer verhindern können. Sie benötigen keine Vorkenntnisse im Bereich des differenziellen Datenschutzes, um diese Funktion nutzen zu können. Der Differenzierte Datenschutz von AWS Clean Rooms verschleiert den Beitrag der Daten einer Person aus den aggregierten Ergebnissen einer Clean-Rooms-Kollaboration und ermöglicht es Ihnen, eine Vielzahl von SQL-Abfragen auszuführen, um Erkenntnisse über Werbekampagnen, Investitionsentscheidungen, klinische Forschung und mehr zu erhalten. Sie können AWS Clean Rooms Differential Privacy einrichten, indem Sie in Ihrer Zusammenarbeit mit AWS Clean Rooms eine benutzerdefinierte Analyseregel anwenden. Anschließend können Sie AWS Clean Rooms Differential Privacy mit Steuerelementen konfigurieren, die flexibel auf Ihre spezifischen Geschäftsanwendungsfälle zugeschnitten sind und in nur wenigen Schritten angewendet werden können. AWS Clean Rooms Differential Privacy erleichtert es Ihnen, differenziellen Datenschutz in AWS Clean Rooms-Kooperationen mit ein paar einfachen Optionen zu aktivieren – und das alles, ohne dass Sie zusätzliches Fachwissen oder eine zusätzliche Einrichtung von Ihren Partnern benötigen.

Mit Analysis Builder können Geschäftsanwender in wenigen einfachen Schritten Erkenntnisse erhalten, ohne SQL schreiben oder verstehen zu müssen. Sie können die Schritte in der geführten Benutzeroberfläche befolgen, um Abfragen zu erstellen, die den Datenbeschränkungen entsprechen, die jeder Mitarbeiter für seine Tabellen festgelegt hat, basierend auf automatisch vorgeschlagenen Kriterien wie Metriken, Segmenten und Filtern, die sich auf Ihre kollektiven Datensätze beziehen. Verwenden Sie Analysis Builder in Kollaborationen, in denen eine oder zwei Tabellen entweder mit einer Aggregations- oder einer Listen-Analyseregel konfiguriert sind.

AWS Clean Rooms ML unterstützt Sie und Ihre Partner bei der Anwendung von datenschutzförderndem Machine Learning (ML), um prädiktive Insights zu generieren, ohne dass Sie Rohdaten miteinander teilen müssen. AWS Clean Rooms ML unterstützt benutzerdefinierte und Lookalike-Machine-Learning-Modellierung. Mit der benutzerdefinierten Modellierung können Sie ein benutzerdefiniertes Modell für das Training erstellen und Inferenzen auf kollektiven Datensätzen ausführen, ohne die zugrunde liegenden Daten oder das geistige Eigentum unter den Mitarbeitern zu teilen. Mit der Lookalike-Modellierung können Sie ein von AWS erstelltes Modell verwenden, um einen erweiterten Satz ähnlicher Profile zu generieren, der auf einer kleinen Stichprobe von Profilen basiert, die Ihre Partner in eine Zusammenarbeit einbringen.

AWS Clean Rooms ML hilft Kunden bei mehreren Anwendungsfällen. Werbetreibende können beispielsweise ihr proprietäres Modell und ihre Daten in eine Clean-Rooms-Zusammenarbeit einbringen und Publisher einladen, ihre Daten hinzuzufügen, um ein benutzerdefiniertes ML-Modell zu trainieren und bereitzustellen, das ihnen dabei hilft, die Effektivität ihrer Kampagnen zu steigern. Finanzinstitute können historische Transaktionsaufzeichnungen verwenden, um ein benutzerdefiniertes ML-Modell zu trainieren, und Partner zu einer Clean-Rooms-Zusammenarbeit einladen, um potenziell betrügerische Transaktionen zu erkennen; Forschungseinrichtungen und Krankenhausnetzwerke können Kandidaten finden, die bestehenden Teilnehmern an klinischen Studien ähneln, um klinische Studien zu beschleunigen; und Marken und Publisher können Lookalike-Segmente von In-Market-Kunden modellieren und hochrelevante Werbeerlebnisse bereitstellen, ohne dass eines der Unternehmen die zugrunde liegenden Daten mit dem anderen teilt.

AWS Clean Rooms ML Lookalike-Modelling wurde unter Verwendung eines von AWS erstellten Modells erstellt und anhand verschiedener Datensätze, wie z. B. E-Commerce und Video-Streaming, getestet. Es kann Ihnen dabei helfen, die Genauigkeit des Lookalike-Modellings um bis zu 36 % zu verbessern, wenn man es mit repräsentativen Branchen-Baselines vergleicht. In realen Anwendungen wie der Neukundenakquise kann diese Verbesserung der Genauigkeit zu Einsparungen in Millionenhöhe führen.