최종 사용자의 개인 정보 보호가 Ads Data Hub에서 실행하는 모든 작업의 핵심이며 Google 플랫폼의 기반입니다. 이러한 개인 정보 보호를 유지하고 고객의 규제 준수를 지원하기 위해 Google에서는 사용자가 플랫폼에서 가져오는 데이터에서 개별 사용자1에 대한 데이터의 전송을 방지하도록 디자인된 특정한 검사를 실시하고 제한사항을 적용합니다.
다음은 Ads Data Hub의 개인 정보 보호 기능에 대한 개요로, 자세한 내용은 아래 섹션을 참고하세요.
- 정적 검사: 쿼리의 문을 검토하여 분명하고 즉각적인 개인 정보 보호 문제를 찾습니다.
- 데이터 액세스 예산에 따라 특정 데이터에 액세스할 수 있는 총횟수가 제한됩니다.
- 집계 검사: 모든 행에 최종 사용자의 개인 정보를 보호하기에 충분한 수의 사용자가 포함되어 있는지 확인합니다.
- 노이즈 삽입은 집계
SELECT절에 정확하게 보정된 무작위 노이즈를 추가하여 합리적인 수준에서 정확한 결과를 제공하면서 사용자의 개인 정보를 보호합니다. - 데이터 차이 검사('차이 검사')는 결과 집합을 비교하여 개별 사용자를 식별할 수 있는 조합을 방지하는 데 도움이 되는 노이즈 주입의 기존 대안입니다. 이렇게 하면 노이즈가 방지되지만 예측할 수 없는 데이터 삭제가 많이 발생할 수 있습니다.
정적 검사
정적 검사는 쿼리의 문을 검토하여 사용자 식별자, 사용자 식별자의 함수 또는 사용자 수준 데이터가 포함된 필드에 허용되지 않는 함수 사용과 같이 분명하고 즉각적인 개인 정보 보호 문제를 찾습니다. 정적 검사로 인한 쿼리 오류를 방지하려면 권장사항을 검토하고 허용되는 함수를 파악하세요.
데이터 액세스 예산
데이터 액세스 예산에 따라 특정 데이터에 액세스할 수 있는 총횟수가 제한됩니다. 예산이 거의 소진된 사용자에게는 DATA_ACCESS_BUDGET_IS_NEARLY_EXHAUSTED 유형의 개인 정보 보호 메시지를 통해 알림이 전송됩니다. 데이터 액세스 예산 진입점을 사용하거나 UI의 예산 알림을 관찰하여 예산을 모니터링할 수 있습니다.
집계 요구사항
Ads Data Hub 개인 정보 보호 검사의 핵심은 사용자 집계 기준점입니다. 구체적인 임계값은 개인 정보 보호 모드와 액세스한 데이터에 따라 다릅니다.
- 노이즈 삽입에는 결과 행당 약 20명의 순 사용자가 필요합니다.
- 데이터 차이 검사를 사용하려면 결과 행당 고유 사용자가 약 50명 필요합니다.
- 클릭수 및 전환수 데이터만 포함하는 쿼리에는 결과 행당 약 10명의 순 사용자가 필요합니다.
다음 예(노이즈 주입 사용)에서 캠페인 125가 포함된 행은 최솟값(사용자 20명) 미만인 18명의 사용자로부터 결과를 집계하므로 최종 결과에서 필터링됩니다.
| 캠페인 ID | 사용자 | 노출수 |
|---|---|---|
| 123 | 314 | 928 |
| 124 | 2718 | 5772 |
| 125 | 18 | 45 |
개인 정보 보호 모드
Ads Data Hub는 노이즈 삽입과 차이 확인이라는 두 가지 개인 정보 보호 모드를 제공합니다. 각 모드에 대한 자세한 내용은 다음 페이지를 참고하세요.
데이터 차이 검사와 노이즈 삽입 비교
|
|
||||||||||||||||||||||||||||||||
|
|
||||||||||||||||||||||||||||||||
명시적 개인 정보 보호 필터링
쿼리를 분할해야 하지만 집계된 결과를 결합하려는 경우 여러 개의 작은 쿼리에 개인 정보 보호 검사를 명시적으로 적용한 다음 개인 정보 보호가 보장되는 방식으로 결과를 집계할 수 있습니다.
사용 사례 예:
- 연결된 Google Ads 계정에서 기여 분석 이벤트 유형별로 모든 전환을 찾고 있으며 EEA 데이터가 포함된 광고주입니다.
- 연결된 Google Ads 계정에서 기여 분석 이벤트 유형별로 모든 전환을 확인하려는 측정 파트너입니다.
Google Ads 계정의 전환 합계를 구하려면 OPTIONS(privacy_checked_export=TRUE) 절을 사용하여 각 Google 서비스에 개별적으로 개인 정보 보호 검사를 적용하도록 쿼리를 다시 작성하면 됩니다.
이 섹션의 재작성 예시는 다음을 수행합니다.
- 각 Google 서비스를 개별적으로 쿼리하여 각 중간 결과 집합에 명시적으로 개인 정보 보호 검사를 적용합니다.
- YouTube, Gmail, 네트워크 등 각 Google 서비스의 개인 정보 보호 검사 결과를 위한 별도의 임시 테이블을 만듭니다.
- 개인 정보 보호 검사를 거친 전환수를 임시 테이블에서 집계하고 합산합니다.
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
이 쿼리는 JOIN를 사용하여 테이블 간 데이터를 직접 결합하지 않고 각 테이블에 대해 먼저 쿼리를 실행하고 각 중간 테이블에 개인 정보 보호 검사를 적용한 다음 UNION를 사용하여 개인 정보 보호 검사를 거친 값을 합산합니다.
쿼리 어드바이저
SQL은 유효하지만 개인 정보 보호 문제를 트리거할 수 있는 경우 원치 않는 결과를 피할 수 있도록 쿼리 어드바이저가 쿼리 개발 프로세스 중에 실행 가능한 조치를 표시합니다.
쿼리 어드바이저를 사용하려면 다음 안내를 따르세요.
- UI. 추천은 쿼리 편집기의 쿼리 텍스트 위에 표시됩니다.
- API.
customers.analysisQueries.validate메서드를 사용합니다.
-
패널 멤버의 경우와 같이 공유에 동의한 데이터 제외 ↩