Pemeriksaan privasi di Ads Data Hub

Privasi pengguna akhir adalah inti dari semua yang dilakukan Ads Data Hub; privasi adalah fondasi tempat platform kami dibangun. Untuk membantu menjaga privasi tersebut dan membantu pelanggan kami mematuhi peraturan, kami menerapkan pemeriksaan dan batasan tertentu, yang dirancang untuk membantu mencegah transmisi data tentang pengguna individu1 dalam data yang Anda dapatkan dari platform.

Berikut ringkasan fitur privasi Ads Data Hub, dengan detail selengkapnya di bagian berikut:

  • Pemeriksaan statis memeriksa pernyataan dalam kueri Anda untuk mencari masalah privasi yang jelas dan langsung.
  • Anggaran akses data membatasi jumlah total akses yang dapat Anda lakukan ke bagian data tertentu.
  • Pemeriksaan agregasi memastikan bahwa setiap baris berisi jumlah pengguna yang cukup besar untuk melindungi privasi pengguna akhir.
  • Injeksi noise menambahkan noise acak yang dikalibrasi secara tepat ke klausa SELECT yang menggabungkan untuk melindungi privasi pengguna sekaligus memberikan hasil yang cukup akurat.
  • Pemeriksaan perbedaan (atau "pemeriksaan diff") adalah alternatif lama untuk injeksi noise yang membandingkan kumpulan hasil untuk membantu mencegah kombinasi yang dapat mengidentifikasi pengguna individu. Cara ini menghindari noise, tetapi sering kali menyebabkan pengeditan data yang signifikan dan tidak dapat diprediksi.

Pemeriksaan statis

Pemeriksaan statis memeriksa pernyataan dalam kueri Anda untuk mencari masalah privasi yang jelas dan langsung, seperti mengekspor ID pengguna, fungsi ID pengguna, atau menggunakan fungsi yang tidak diizinkan pada kolom yang berisi data tingkat pengguna. Untuk menghindari error kueri dari pemeriksaan statis, tinjau praktik terbaik dan pahami fungsi mana yang diizinkan.

Anggaran akses data

Anggaran akses data Anda membatasi jumlah total akses yang dapat Anda lakukan ke bagian data tertentu. Pengguna yang hampir mencapai akhir anggaran akan diberi tahu dengan pesan privasi dengan jenis DATA_ACCESS_BUDGET_IS_NEARLY_EXHAUSTED. Anda dapat memantau anggaran menggunakan titik entri anggaran akses data atau dengan mengamati notifikasi anggaran di UI.

Persyaratan agregasi

Inti dari pemeriksaan privasi Ads Data Hub adalah nilai minimum agregasi pengguna. Nilai minimum spesifik bergantung pada mode privasi dan data yang diakses:

  • Injeksi noise memerlukan sekitar 20 pengguna unik per baris hasil.
  • Pemeriksaan perbedaan memerlukan sekitar 50 pengguna unik per baris hasil.
  • Kueri yang hanya berisi data klik dan konversi memerlukan sekitar 10 pengguna unik per baris hasil.

Pada contoh berikut (menggunakan injeksi noise), baris yang berisi kampanye 125 akan difilter dari hasil akhir, karena menggabungkan hasil dari 18 pengguna, yang berada di bawah minimum 20 pengguna.

ID Kampanye Pengguna Tayangan
123 314 928
124 2718 5772
125 18 45

Mode privasi

Ads Data Hub menawarkan dua mode privasi—injeksi noise dan pemeriksaan perbedaan. Lihat halaman berikut untuk mengetahui detail tentang setiap mode:

Membandingkan pemeriksaan perbedaan dengan injeksi noise

Data sebenarnya
ID Kampanye Jumlah tayangan
101 35
102 63
201 142
202 21
301 56
302 99
Hasil menggunakan pemeriksaan perbedaan pemeriksaan
ID Kampanye Jumlah tayangan
101 35
102 63
201 142
202 21
301 56
302 99
Hasil menggunakan injeksi noise
ID Kampanye Jumlah tayangan
101 37,8373
102 60,9104
201 182,0955
202 26,2332
301 58,0871
302 97,5018
Contoh Kampanye 101 dalam mode noise
ID Kampanye Tayangan sebenarnya Noise ditambahkan Tayangan yang ditampilkan (ANON_COUNT)
101 35 2,8373 37,8373

Pemfilteran privasi eksplisit

Jika perlu membagi kueri, tetapi ingin menggabungkan hasil agregasi, Anda dapat menerapkan pemeriksaan privasi secara eksplisit ke beberapa kueri yang lebih kecil, lalu menggabungkan hasil tersebut dengan cara yang aman untuk privasi.

Contoh kasus penggunaan:

  • Anda adalah pengiklan yang mencari semua konversi menurut jenis peristiwa atribusi di akun Google Ads tertaut, yang mencakup data EEA.
  • Anda adalah partner pengukuran yang mencari semua konversi menurut jenis peristiwa atribusi di akun Google Ads tertaut.

Untuk mendapatkan jumlah konversi untuk akun Google Ads, Anda dapat menulis ulang kueri menggunakan klausa OPTIONS(privacy_checked_export=TRUE) untuk menerapkan pemeriksaan privasi ke setiap layanan Google secara individual.

Penulisan ulang contoh di bagian ini melakukan hal berikut:

  1. Kueri ini melakukan kueri setiap layanan Google secara individual, dengan menerapkan pemeriksaan privasi secara eksplisit ke setiap kumpulan hasil perantara.
  2. Kueri ini membuat tabel sementara terpisah untuk hasil yang diperiksa privasinya dari setiap layanan Google: YouTube, Gmail, dan Jaringan.
  3. Kueri ini menggabungkan dan menjumlahkan jumlah konversi yang diperiksa privasinya dari tabel sementara.
CREATE TEMP TABLE youtube_agg OPTIONS(privacy_checked_export=TRUE) AS
SELECT
 impression_data.campaign_id,
 attribution_event_type,
 COUNT(1) AS num_convs
FROM adh.google_ads_conversions_policy_isolated_youtube
WHERE impression_data.campaign_id IN UNNEST(@campaign_ids)
 AND conversion_type IN UNNEST(@conversion_type_list)
GROUP BY campaign_id, attribution_event_type;

CREATE TEMP TABLE network_agg OPTIONS(privacy_checked_export=TRUE) AS
SELECT
 impression_data.campaign_id,
 attribution_event_type,
 COUNT(1) AS num_convs
FROM adh.google_ads_conversions_policy_isolated_network
WHERE impression_data.campaign_id IN UNNEST(@campaign_ids)
 AND conversion_type IN UNNEST(@conversion_type_list)
GROUP BY campaign_id, attribution_event_type;

CREATE TEMP TABLE gmail_agg OPTIONS(privacy_checked_export=TRUE) AS
SELECT
 impression_data.campaign_id,
 attribution_event_type,
 COUNT(1) AS num_convs
FROM adh.google_ads_conversions_policy_isolated_gmail
WHERE impression_data.campaign_id IN UNNEST(@campaign_ids)
 AND conversion_type IN UNNEST(@conversion_type_list)
GROUP BY campaign_id, attribution_event_type;

SELECT
 campaign_id,
 attribution_event_type,
 SUM(num_convs) AS num_convs
FROM (
 SELECT * FROM youtube_agg
 UNION ALL
 SELECT * FROM network_agg
 UNION ALL
 SELECT * FROM gmail_agg
)
GROUP BY campaign_id, attribution_event_type

Perhatikan bahwa kueri ini tidak menggunakan JOIN untuk menggabungkan data secara langsung antar-tabel, tetapi menjalankan kueri untuk setiap tabel terlebih dahulu, menerapkan pemeriksaan privasi ke setiap tabel perantara, lalu menggunakan UNION untuk menjumlahkan nilai yang diperiksa privasinya.

Penasihat kueri

Jika SQL Anda valid, tetapi dapat memicu masalah privasi, penasihat kueri akan menampilkan saran yang dapat ditindaklanjuti selama proses pengembangan kueri, untuk membantu Anda menghindari hasil yang tidak diinginkan.

Untuk menggunakan penasihat kueri:

  1. Selain data yang telah mereka setujui untuk dibagikan, seperti dalam kasus panelis. ↩