Beim Abgleich der von Nutzern bereitgestellten Daten (user-provided data matching, UPDM) werden selbst erhobene Daten zu einem bestimmten Nutzer, etwa Informationen von Websites, aus Apps oder aus Geschäften, mit den Aktivitäten genau dieses angemeldeten Nutzers in allen Google-Anzeigendaten zusammengeführt. Dazu gehören auch Daten, die von Google erhoben und verwaltet werden. Dazu gehören auch Daten, die über Produkte der Google Marketing Platform (GMP) gekauft wurden, z. B. YouTube-Daten, die über Display & Video 360 gekauft wurden. Andere GMP-Produkte, die nicht von Google stammen und betrieben werden, werden nicht unterstützt.
Damit von Nutzern bereitgestellte Daten abgeglichen werden können, muss das Anzeigenereignis mit einem angemeldeten Nutzer in Google-Anzeigendaten verknüpft sein.
In diesem Dokument wird die Funktion „Abgleich der von Nutzern bereitgestellten Daten“ beschrieben und es werden Anleitungen zur Einrichtung und Verwendung bereitgestellt.
Übersicht über Private Cloud Match
Um wertvolle Werbestatistiken zu erhalten, müssen oft Daten aus mehreren Quellen zusammengeführt werden. Die Entwicklung einer eigenen Lösung für dieses Datenpipeline-Problem erfordert einen erheblichen Zeit- und Entwicklungsaufwand. Private Cloud Match in Ads Data Hub optimiert diesen Prozess, indem eine Ads Data Hub-Abfragevorlage zum Erstellen einer Abgleichtabelle in BigQuery bereitgestellt wird. Diese kann dann in Ihren Ads Data Hub-Abfragen verwendet werden, um Ihre Anzeigendaten mit Ihren selbst erhobenen Daten abzugleichen. Wenn Sie selbst erhobene Daten für Ihre Abfragen verwenden, können Sie Kunden noch mehr bieten. Außerdem sind Sie dann besser auf branchenweite Änderungen beim Anzeigen-Tracking vorbereitet.
Da der Abgleich der von Nutzern bereitgestellten Daten nur für Nutzer verfügbar ist, die in Inventar angemeldet sind, das Google gehört und von Google betrieben wird, ist er nicht von der bevorstehenden Einstellung von Drittanbieter-Cookies betroffen. Da sie widerstandsfähiger gegen branchenbezogene Änderungen sind als Drittanbieterdaten, können sie umfassendere Informationen liefern, was zu mehr Kundeninteraktionen führen kann.
Zusammenfassung des Prozesses
- Einrichtung der Datenaufnahme und des Datenabgleichs
- Sie: Ihre selbst erhobenen Daten müssen sich in BigQuery befinden und Ihr Dienstkonto muss Lesezugriff darauf haben. Weitere Informationen finden Sie unter Datenaufnahme einrichten.
- Aufnahme und Abgleich selbst erhobener Daten
- Sie formatieren Ihre selbst erhobenen Daten und laden sie in Ihr BigQuery-Dataset hoch.
- Sie initiieren eine Anfrage zum Datenabgleich, indem Sie einePrivate Cloud Match-Analyseabfrage erstellen und einen Zeitplan festlegen.
- Google führt Daten aus Ihrem Projekt mit Google-eigenen Daten zusammen, die die Google-Nutzer-ID und gehashte, von Nutzern bereitgestellte Daten enthalten, um Abgleichstabellen zu erstellen und zu aktualisieren.
- Selbst erhobene Daten aufnehmen
- Laufende Abfragen in Ads Data Hub basierend auf abgeglichenen Daten
- Sie führen Abfragen für die Match-Tables auf dieselbe Weise aus wie reguläre Abfragen in Ads Data Hub. Weitere Informationen finden Sie unter Übereinstimmende Daten abfragen.
Informationen zu Datenschutzanforderungen
Kundendaten erheben
Wenn Sie den Abgleich der von Nutzern bereitgestellten Daten verwenden, müssen Sie selbst erhobene Daten hochladen. Das können Daten sein, die Sie auf Ihren Websites, in Ihren Apps oder in Ihren Geschäften erhoben haben, oder Daten, die ein Kunde direkt mit Ihnen geteilt hat.
Die folgenden Anforderungen müssen erfüllt sein:
- Legen Sie in Ihrer Datenschutzerklärung offen, dass Sie Kundendaten an Dritte weitergeben, damit sie Dienstleistungen in Ihrem Auftrag erbringen können, und dass Sie die Einwilligung für die Weitergabe dieser Daten einholen, sofern das gesetzlich vorgeschrieben ist.
- Laden Sie Kundendaten nur über APIs oder Schnittstellen hoch, die von Google zugelassen sind.
- Halten Sie alle anwendbaren Gesetze und Bestimmungen ein, darunter auch Selbstregulierungs- und Branchenkodizes.
Einholen der Einwilligung für selbst erhobene Daten bestätigen
Damit Sie Ihre selbst erhobenen Daten in Ads Data Hub nutzen können, müssen Sie bestätigen, dass Sie die entsprechende Einwilligung zur Weitergabe von Daten von Endnutzern im EWR an Google gemäß der Richtlinie zur Einwilligung der Nutzer in der EU und den Ads Data Hub-Richtlinien eingeholt haben. Die Bestätigung ist für jedes Ads Data Hub-Konto und bei jedem Upload neuer selbst erhobener Daten erforderlich. Jeder Nutzer kann die Bestätigung für das gesamte Konto abgeben.
Hinweis: Für UPDM-Abfragen gelten dieselben Regeln für Google-Dienst-Abfragen wie für Analyseabfragen. So sind z. B. keine dienstübergreifenden Abfragen für Nutzer im EWR möglich, wenn Sie eine Match-Table erstellen.
Informationen dazu, wie Sie in Ads Data Hub bestätigen, dass Sie die Einwilligung eingeholt haben, finden Sie unter Einwilligungsanforderungen für den Europäischen Wirtschaftsraum.
Datengröße
Zum Schutz des Datenschutzes für Endnutzer gelten beim Abgleich der von Nutzern bereitgestellten Daten die folgenden Anforderungen an die Datengröße:
- Sie müssen mindestens 1.000 Einträge in Ihre Nutzerliste hochladen.
Datenaufnahme einrichten
Voraussetzungen:
- Ihre selbst erhobenen Daten müssen sich in BigQuery befinden. Wenn Sie einen VPC-SC-Perimeter haben, müssen sich diese selbst erhobenen Daten innerhalb Ihres VPC-SC befinden.
- Ihr Ads Data Hub-Dienstkonto muss Lesezugriff auf die selbst erhobenen Daten haben.
- Ihre selbst erhobenen Daten müssen richtig formatiert und gehasht sein. Weitere Informationen finden Sie im nächsten Abschnitt.
Darüber hinaus ist für Private Cloud Match kein zusätzliches Onboarding erforderlich. Wenn Sie eine Analyseabfrage ausführen können, können Sie auch eine Private Cloud Match-Abfrage ausführen.
Selbst erhobene Daten aufnehmen und abgleichen
Quellberechtigungen und Verbindungsanforderungen
Ads Data Hub-Verbindungen verwendet das Dienstkonto, das unter Einstellungen > Details > Dienstkonto angezeigt wird (normalerweise service-<number>@gcp-sa-adsdatahub.iam.gserviceaccount.com). Weisen Sie ihm die folgenden Rollen zu:
- BigQuery-Quelle:
roles/bigquery.dataViewer(BigQuery-Datenbetrachter) für das Quell-Dataset oder die Quelltabelle. - Cloud Storage-Quelle:
roles/storage.objectViewer(Storage Object Viewer) für den Quell-Bucket oder das Quellobjekt. - Ziel für den Import von selbst erhobenen Daten:
roles/bigquery.dataEditor(BigQuery Data Editor) für das Ziel-Dataset, wenn sich die Tabelle nicht in Ihrem Standard-Dataset befindet.
Anforderungen an Felder und Datentypen
Diese Regeln gelten für Verbindungen in der aktualisierten Version von „Verbindungen“. Sie hängen vom Verbindungstyp ab: Abgleich der von Nutzern bereitgestellten Daten oder Selbst erhobene Daten.
Abgleich der von Nutzern bereitgestellten Daten
Ordnen Sie user_id und mindestens eines der folgenden Elemente zu: email, phone oder eine vollständige Adresse (first_name, last_name, country und zip_code). Wenn Sie eine Adressspalte zuordnen, müssen Sie alle vier zuordnen. Andernfalls können Sie die Verbindung nicht speichern. Sie können den Typ dieser Spalten nicht ändern: Er ist HASH für email, phone, first_name und last_name und STRING für user_id, country und zip_code.
Die Quellspalte, die Sie den einzelnen Zielspalten zuordnen, muss Folgendes enthalten. Informationen zum Formatieren der Werte finden Sie unter Daten für die Eingabe formatieren.
| Zielspalte | Wert der Quellspalte | Beispiel |
|---|---|---|
user_id |
Ihre ID für den Nutzer im Nur-Text-Format | customer-1234 |
email, phone, first_name, last_name |
Der formatierte Wert, mit SHA-256 gehasht und in Base64 codiert (44 Zeichen). Hex-Codierung (64 Zeichen) funktioniert ebenfalls. | h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=, der Hash von test@gmail.com |
country |
Ein aus zwei Buchstaben bestehender Ländercode (ISO 3166-1 alpha-2) im Nur-Text-Format | US |
zip_code |
Eine Postleitzahl mit bis zu 20 Zeichen (Buchstaben A–Z, Ziffern, Leerzeichen und Bindestriche) im Nur-Text-Format | 94043 |
- Hashen Sie die Werte in Ihrer Quelle. Connections hasht
email,phone,first_nameundlast_namenicht, obwohl ihr Typ HASH ist. Eine Ausnahme: Wenn Ihre Verbindung in die aktualisierte Version von „Verbindungen“ verschoben wurde und vor dem Verschieben ein Feld mit „Hash berechnen“ verwendet wurde (die Spalte wurde für Sie gehasht), wird dieses Feld weiterhin gehasht. Die Quellwerte dieses Felds dürfen nicht gehasht, müssen aber formatiert sein. Weitere Informationen finden Sie unter Verschobene Verbindungen. - Verwenden Sie in einer BigQuery-Quelltabelle
STRING-Spalten.email,phone,first_nameundlast_namemüssenSTRINGsein. Bei einem anderen Typ, z. B.INT64, können Sie die Verbindung nicht speichern.user_idkann auchINT64oderBYTESsein. EinBYTES-Wert, der kein UTF-8-Text ist, wird zuNULL.zip_codekann auchINT64sein, aber einINT64kann keine führende Null enthalten (02134wird als2134gespeichert). Daher kann eine solche Postleitzahl nicht übereinstimmen. Speichern Sie Postleitzahlen alsSTRING.
- Weisen Sie jeder Zeile eine Nutzer-ID zu. Alle Zeilen mit der User-ID
NULLwerden als ein Nutzer gezählt, sodass höchstens eine davon übereinstimmen kann. Das Gleiche gilt für alle Zeilen mit einer leeren Nutzer-ID. - Ihre Nutzer-ID lautet dann
BYTES. Connections konvertiert sie inBYTES, den Nutzer-ID-Typ, der in Daten für die Eingabe formatieren aufgeführt ist. Ihre Quellspalte kann alsoSTRINGbleiben. Beispiel: DerINT64-Wert42wird zub"42". In den_updm-Abgleichstabellen ist dies die Spaltecustomer_data_user_id.CAST(my_data.user_id AS BYTES)schlägt für eineINT64-ID fehl. Wenn Sie also eine Verknüpfung mit einer ID herstellen möchten, wandeln Sie sie zuerst inSTRINGum:customer_data_user_id = CAST(CAST(my_data.user_id AS STRING) AS BYTES). - Ein leerer oder falsch formatierter Wert für E-Mail, Telefon oder Adresse kann nicht abgeglichen werden, führt aber nicht zu einem Fehler bei der Ausführung. Die Zeile kann weiterhin mit ihren anderen Werten übereinstimmen. Beispielsweise kann eine E-Mail-Adresse im Nur-Text-Format, das Land
USAoder die Postleitzahl94043.1351nicht abgeglichen werden. Damit eine Zeile anhand ihrer Adresse abgeglichen werden kann, muss sie in allen vier Adressspalten gültige Werte enthalten. - In einer Private Cloud Match-Abfrage kann ein Wert im falschen Format dazu führen, dass die gesamte Abfrage fehlschlägt. Das gilt, wenn Sie die Match-Table mit der Abfrage
CREATE OR REPLACE TABLE adh.updm_match_tablein Ads Data Hub anstelle einer Verbindung erstellen. Beispielsweise schlägt die Abfrage bei einem E-Mail-Hash, der nicht 44 Zeichen lang ist, z. B. einem hexadezimal codierten Hash, mit einem Fehler wieemail must be encoded using TO_BASE64(SHA256(email))fehl. - Abgleichsrate prüfen: Verwenden Sie beispielsweise die Abfrage Abgleichsrate berechnen. In Connections werden keine Werte gemeldet, die nicht übereinstimmen. Sie erhalten weniger übereinstimmende Nutzer. Wenn 1.000 Nutzer oder weniger übereinstimmen, schlägt die Ausführung mit
Minimum match count check failed.fehl. - Verwenden Sie nur eine UPDM-Verbindung pro Konto. UPDM-Verbindungen haben keine Zieltabelle. Jede UPDM-Verbindung in einem Konto und jede Private Cloud Match-Abfrage schreibt in dieselbe Abgleichtabelle und jeder erfolgreiche Durchlauf ersetzt sie. Wenn Sie Daten aus mehreren Quellen abgleichen möchten, fassen Sie sie zuerst in einer Tabelle oder Datei zusammen.
Selbst erhobene Daten
Wählen Sie für jede Spalte einen Typ (Datentyp auf der Seite mit den Verbindungsdetails) aus. Verbindungen konvertiert jeden Quellwert in diesen Typ und die Zielspalte erhält den hier aufgeführten BigQuery-Typ:
| Typ | Zielspalte | Werte, die konvertiert werden | Werte, die zu NULL werden |
|---|---|---|---|
| STRING (Standard) | STRING |
Beliebiger Wert als Text. In BigQuery wird 123 zu "123" und TRUE zu "true". In Cloud Storage wird der Text unverändert beibehalten. |
Ein BYTES-Wert, der kein UTF-8-Text ist |
| HASH | STRING |
Entspricht STRING. Connections hasht oder prüft den Wert nicht. | Wie bei STRING |
| INTEGER | INT64 |
Ganze Zahlen und Zahlentext wie "42". In BigQuery wird eine Dezimalzahl abgeschnitten: 1.9 wird zu 1. |
Andere Werte wie "abc", TRUE oder ein Datum. Aus Cloud Storage, ebenfalls eine Dezimalzahl, z. B. 1.9. |
| DOUBLE | FLOAT64 |
Zahlen und Zahlentext wie "1.5" |
Andere Werte, z. B. TRUE oder ein Datum |
| DATUM | DATE |
DATE-Werte und Text im Format „Jahr-Monat-Tag“, z. B. 2026-01-15 oder 2026-1-5 |
Andere Werte, z. B. 01/15/2026, 20260115 oder ein TIMESTAMP- oder DATETIME-Wert |
| TIMESTAMP | TIMESTAMP |
TIMESTAMP-, DATETIME- und DATE-Werte sowie Text wie 2026-01-15 10:00:00 oder 2026-01-15T10:00:00-08:00. Ein Wert ohne Zeitzone wird als UTC gelesen. Ein Datum wird zu Mitternacht UTC. |
Andere Werte, z. B. eine Unix-Epochenzeit (1768471200) |
- Ein Wert, der nicht konvertiert werden kann, führt nicht zu einem Fehler bei der Ausführung. Sie wird als
NULLimportiert und nicht von Connections gemeldet. Prüfen Sie daher die Zieltabelle nach der ersten Ausführung. - Wählen Sie den Typ aus, der zu Ihren Daten passt. Wählen Sie für eine BigQuery-Quelle den Typ aus, der der Quellspalte entspricht: STRING für
STRING, INTEGER fürINT64, DOUBLE fürFLOAT64, DATE fürDATEund TIMESTAMP fürTIMESTAMP. Diese Werte werden unverändert importiert. Bei einer Cloud Storage-Quelle ist jeder CSV-Wert Text: Wählen Sie den Typ der Werte in der Spalte aus, z. B. INTEGER für42oder DATE für2026-01-15. Wenn eine Spalte in jeder ZeileNULList, wählen Sie STRING aus oder konvertieren Sie zuerst die Werte in Ihren Quelldaten. - Einige BigQuery-Typen können nicht zugeordnet werden. Wenn Sie eine
ARRAY-,STRUCT-,JSON- oderGEOGRAPHY-Spalte zuordnen, können Sie die Verbindung nicht speichern. - Bei jeder Ausführung wird die gesamte Zieltabelle ersetzt. Es wird nicht angehängt. Wenn die Quelle keine Zeilen enthält, ist das Ziel leer. Verwenden Sie nicht die Quelltabelle oder eine Tabelle, deren Daten Sie behalten möchten, als Ziel.
Verschobene Verbindungen
Transformationen sind in der aktualisierten Version von „Verbindungen“ noch nicht verfügbar: Sie können sie keinem Feld hinzufügen und sie werden nicht in den Feldzuordnungen angezeigt. Bei einer Verbindung, die in die aktualisierte Version von „Verbindungen“ verschoben wurde, bleiben die Transformationen der Felder erhalten, z. B. die Berechnung des Hash-Werts (SHA-256-Hashing).
- In einer Verbindung für selbst erhobene Daten erhält ein Feld mit einer Transformation den Wert, der durch die Transformation erzeugt wird, anstatt der Typ-Konvertierung. Sie können den Typ nicht ändern. In einer UPDM-Verbindung gelten die UPDM-Regeln weiterhin für diesen Wert.
- Ein UPDM-Feld, für das ein Compute-Hash verwendet wurde, wird weiterhin von Connections gehasht. Lassen Sie die Quellwerte ungehasht, aber formatieren Sie sie wie unter Daten für die Eingabe formatieren beschrieben: Ein bereits gehashter Wert wird noch einmal gehasht und kann nicht abgeglichen werden. Wenn Sie die Werte stattdessen selbst hashen möchten, entfernen Sie die Feldzuordnung und fügen Sie sie wieder hinzu.
Nur diese Transformationen werden verschoben:
- Berechnen Sie den Hashwert mit SHA-256 (Base64 oder Hex), außer bei einem UPDM-
user_id,countryoderzip_code, der im Nur-Text-Format bleiben muss. - Klein- oder Großschreibung
- Konvertierung in einen String.
- Zeitstempel-Parsing ohne Standardzeitzone für bis zu 10 Felder einer Verbindung.
- Zwei der ersten drei in einer Zeile, z. B. Formatierung in Kleinbuchstaben und dann Hash berechnen.
Eine Transformation wird nur verschoben, wenn das Ergebnis in das Feld passt. Bei zwei aufeinanderfolgenden Schritten zählt das Ergebnis des zweiten Schritts: Die Formatierung in Kleinbuchstaben und dann die Berechnung des Hash-Werts passt zu
email, aber die Berechnung des Hash-Werts und dann die Formatierung in Kleinbuchstaben nicht.- In einer UPDM-Verbindung passt der berechnete Hash zu
email,phone,first_nameundlast_name. Die Formatierung in Klein- oder Großbuchstaben und die Konvertierung in einen String passen zuuser_id,countryundzip_code. Das Parsen des Zeitstempels passt zu keinem Feld. - In einer Verbindung zu selbst erhobenen Daten passt der berechnete Hashwert in eine STRING- oder HASH-Spalte. Die Formatierung in Klein- oder Großbuchstaben und die Konvertierung in einen String passen in eine STRING-Spalte. Das Parsen von Zeitstempeln passt zu einer TIMESTAMP-Spalte.
Eine Verbindung mit einer anderen Transformation, z. B. dem Zusammenführen oder Aufteilen von Feldern, oder mit einer Transformation, die nicht zu ihrem Feld passt, wird nicht verschoben.
- Berechnen Sie den Hashwert mit SHA-256 (Base64 oder Hex), außer bei einem UPDM-
Anforderungen an CSV-Spalten in Cloud Storage
- Fügen Sie eine Kopfzeile ein. Die erste Zeile wird übersprungen. Die Spaltennamen werden nicht verwendet.
- Die Datei muss genau die zugeordneten Quellspalten enthalten, nicht mehr und nicht weniger. Zusätzliche Spalten führen dazu, dass die Ausführung fehlschlägt.
- Selbst erhobene Daten: Die Spalten müssen in derselben Reihenfolge wie die Feldzuordnungen sein.
- Abgleich der von Nutzern bereitgestellten Daten: Die Spalten müssen in dieser Reihenfolge angeordnet sein, wobei nur die von Ihnen zugeordneten Felder beibehalten werden:
user_id,email,phone,first_name,last_name,country,zip_code. Die Reihenfolge der Zuordnungszeilen spielt keine Rolle. - Eine andere Spaltenreihenfolge wird nicht erkannt: Werte werden ohne Fehlermeldung in die falschen Felder geladen (oder die Abgleichsraten sinken).
Unterstützte Datenquellen und Verbindungslimits
- Datenquellen: Es werden nur BigQuery- und Cloud Storage-Quellen unterstützt.
- BigQuery-Tabellennamen: Für BigQuery-Quell- und ‑Zieltabellen ist der vollständige
project.dataset.table-Name erforderlich. - Cloud Storage-Dateipfade: Geben Sie einen einzelnen Datei-URI an (z. B.
gs://bucket/path/file.csv). Platzhalterpfade mit*oder?werden nicht unterstützt. - Verbindungsnamen: Jede Verbindung in einem Konto muss einen eindeutigen Namen haben.
Daten für die Eingabe formatieren
Ihre Daten müssen den folgenden Formatierungsanforderungen entsprechen, damit sie richtig zugeordnet werden können:
- Wenn in den folgenden Beschreibungen der Eingabefelder angegeben, müssen Sie den Upload mit SHA256-Hashing durchführen.
- UPDM unterstützt die Base64-Codierung. Siehe TO_BASE64.
- Eingabefelder müssen als Strings formatiert sein. Wenn Sie beispielsweise die SHA256-Hash-Funktion von BigQuery verwenden, nutzen Sie die folgende Transformation:
TO_BASE64(SHA256(user_data)).
Nutzer-ID
- Datentyp:
BYTES - Hashing: Keine
- Entfernen Sie Leerzeichen am Anfang und Ende.
- Alle Zeichen kleinschreiben
- Geben Sie einen Domainnamen für alle E-Mail-Adressen an, z. B. gmail.com oder hotmail.de.
- Entfernen Sie Akzente, z. B. è, é, ê oder ë zu e.
- Entfernen Sie alle Punkte (.) vor dem Domainnamen in
gmail.com- undgooglemail.com-E-Mail-Adressen. - Hashing: Base64-codiertes SHA256
Gültig: TO_BASE64(SHA256("jeffersonloveshiking@gmail.com"))
Ungültig: TO_BASE64(SHA256("JéffersonLôvesHiking@gmail.com"))
Telefon
- Leerzeichen entfernen
- Format im E.164-Format – Beispiel für die USA: +14155552671, Beispiel für das Vereinigte Königreich: +442071838750
- Entfernen Sie alle Sonderzeichen mit Ausnahme des „+“ vor dem Ländercode.
- Hashing: Base64-codiertes SHA256
Gültig: TO_BASE64(SHA256("+18005550101"))
Ungültig: TO_BASE64(SHA256("(800) 555-0101"))
Vorname
- Leerzeichen entfernen
- Alle Zeichen kleinschreiben
- Entferne alle Präfixe, z. B. Frau, Herr, Frau, Dr.
- Entfernen Sie keine Akzente, z. B. è, é, ê oder ë.
- Hashing: Base64-codiertes SHA256
Gültig: TO_BASE64(SHA256("daní"))
Ungültig: TO_BASE64(SHA256("Daní"))
Nachname
- Leerzeichen entfernen
- Alle Zeichen kleinschreiben
- Entferne alle Suffixe, z. B. Jr., Sr., 2nd, 3rd, II, III, PHD, MD
- Entfernen Sie keine Akzente, z. B. è, é, ê oder ë.
- Hashing: Base64-codiertes SHA256
Gültig: TO_BASE64(SHA256("délacruz"))
Ungültig: TO_BASE64(SHA256("dé la Cruz, Jr."))
Land
- Geben Sie den Ländercode auch dann an, wenn Ihre gesamten Kundendaten aus demselben Land stammen.
- Länderdaten nicht hashen
- Verwenden Sie ISO 3166-1 alpha-2-Ländercodes.
- Hashing: Keine
Gültig: US
Ungültig: United States of America oder USA
Postleitzahl
- Postleitzahlen nicht hashen
- Sowohl US-amerikanische als auch internationale Postleitzahlen sind zulässig
- Verwenden Sie nur die Buchstaben A–Z, Ziffern, Leerzeichen und Bindestriche (bis zu 20 Zeichen)
- Für die USA:
- Fünfstellige Codes sind zulässig, z. B. 94043.
- Fünf Ziffern, gefolgt von einer vierstelligen Erweiterung, sind ebenfalls zulässig, z. B. 94043-1351 oder 940431351.
- Für alle anderen Länder:
- Sie müssen die Zeichen nicht in Kleinbuchstaben umwandeln oder Leerzeichen und Bindestriche entfernen.
- Lassen Sie Postleitzahlerweiterungen weg.
- Hashing: Keine
Hash-Validierung und Datencodierung
Mit den folgenden Hash-Validierungsskripts können Sie prüfen, ob Ihre Daten richtig formatiert sind.
JavaScript
/**
* @fileoverview Provides the hashing algorithm, as well as some valid hashes of
* sample data for testing.
*/
async function hash(token) {
// Removes leading or trailing spaces and converts all characters to lowercase.
const formattedToken = token.trim().toLowerCase();
// Hashes the formatted string using the SHA-256 hashing algorithm.
const hashBuffer = await crypto.subtle.digest(
'SHA-256', (new TextEncoder()).encode(formattedToken));
// Converts the hash buffer to a base64-encoded string and returns it.
const base64Str = btoa(String.fromCharCode(...new Uint8Array(hashBuffer)));
return base64Str;
}
function main() {
// Expected hash for test@gmail.com:
// h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
hash('test@gmail.com').then(result => console.log(result));
// Expected hash for +18005551212:
// YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
hash('+18005551212').then(result => console.log(result));
// Expected hash for John: ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
hash('John').then(result => console.log(result));
// Expected hash for Doe: eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
hash('Doe').then(result => console.log(result));
}
main()
Python
"""Provides the hashing algorithm, as well as some valid hashes of sample data for testing.
Supports: Python 2, Python 3
Sample hashes:
- Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
- Phone '+18005551212': YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
- First name 'John': ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
- Last name 'Doe': eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
"""
import base64
import hashlib
def hash(token):
# Generates a base64-encoded SHA-256 hash of a normalized input string.
return base64.b64encode(
hashlib.sha256(
token.strip().lower().encode('utf-8')).digest()).decode('utf-8')
def print_hash(token, expected=None):
# Computes and displays the hash of a token, with optional validation.
hashed = hash(token)
if expected is not None and hashed != expected:
print(
'ERROR: Incorrect hash for token "{}". Expected "{}", got "{}"'.format(
token, expected, hashed))
return
print('Hash: "{}"\t(Token: {})'.format(hashed, token))
def main():
# Tests the hash function with sample tokens and expected results.
print_hash(
'test@gmail.com', expected='h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=')
print_hash(
'+18005551212', expected='YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=')
print_hash('John', expected='ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=')
print_hash('Doe', expected='eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=')
if __name__ == '__main__':
main()
Go
/*
Provides the hashing algorithm, as well as some valid hashes of sample data for testing.
Sample hashes:
- Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
- Phone '+18005551212': YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
- First name 'John': ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
- Last name 'Doe': eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
*/
package main
import (
"crypto/sha256"
"encoding/base64"
"fmt"
"strings"
)
// Hash hashes an email, phone, first name, or last name into the correct format.
func Hash(token string) string {
formatted := strings.TrimSpace(strings.ToLower(token))
hashed := sha256.Sum256([]byte(formatted))
encoded := base64.StdEncoding.EncodeToString(hashed[:])
return encoded
}
// PrintHash prints the hash for a token.
func PrintHash(token string) {
fmt.Printf("Hash: \"%s\"\t(Token: %s)\n", Hash(token), token)
}
func main() {
PrintHash("test@gmail.com")
PrintHash("+18005551212")
PrintHash("John")
PrintHash("Doe")
}
Java
package updm.hashing;
import static java.nio.charset.StandardCharsets.UTF_8;
import java.security.MessageDigest;
import java.security.NoSuchAlgorithmException;
import java.util.Base64;
/**
* Example of the hashing algorithm.
*
* <p>Sample hashes:
*
* <ul>
* <li>Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
* <li>Phone '+18005551212': YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
* <li>First name 'John': ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
* <li>Last name 'Doe': eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
* </ul>
*/
public final class HashExample {
private HashExample() {}
public static String hash(String token) {
// Normalizes and hashes the input token using SHA-256 and Base64 encoding.
String formattedToken = token.toLowerCase().strip();
byte[] hash;
try {
hash = MessageDigest.getInstance("SHA-256").digest(formattedToken.getBytes(UTF_8));
} catch (NoSuchAlgorithmException e) {
throw new IllegalStateException("SHA-256 not supported", e);
}
return Base64.getEncoder().encodeToString(hash);
}
public static void printHash(String token) {
// Calculates and prints the hash for the given token.
System.out.printf("Hash: \"%s\"\t(Token: %s)\n", hash(token), token);
}
public static void main(String[] args) {
// Executes hash calculations and prints results for sample tokens.
printHash("test@gmail.com");
printHash("+18005551212");
printHash("John");
printHash("Doe");
}
}
SQL
/*
Provides the hashing algorithm, as well as some valid hashes of sample data for testing.
The following code uses Google Standard SQL and can be run on BigQuery to generate match tables from unhashed data.
Sample hashes:
- Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
- Phone '+18005551212': YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
- First name 'John': ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
- Last name 'Doe': eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
The unhashed input table schema is assumed to be:
- Column name: UserID, Type: String
- Column name: Email, Type: String
- Column name: Phone, Type: String
- Column name: FirstName, Type: String
- Column name: LastName, Type: String
- Column name: PostalCode, Type: String
- Column name: CountryCode, Type: String
*/
-- Creates a new table with Base64-encoded SHA-256 hashes of specified columns.
CREATE TABLE `your_project_name.your_dataset_name.output_hashed_table_name`
AS
SELECT
UserID,
TO_BASE64(SHA256(LOWER(Email))) AS Email,
TO_BASE64(SHA256(Phone)) AS Phone,
TO_BASE64(SHA256(LOWER(FirstName))) AS FirstName,
TO_BASE64(SHA256(LOWER(LastName))) AS LastName,
PostalCode,
CountryCode,
FROM
`your_project_name.your_dataset_name.input_unhashed_table_name`;
JOIN-Schlüssel
Einige Kombinationen von von Nutzern bereitgestellten Daten sind besser geeignet als andere. Im Folgenden finden Sie eine Liste der verschiedenen Kombinationen von Nutzern bereitgestellter Daten, sortiert nach relativer Stärke. Wenn Sie eine Adresse verwenden, müssen Sie Vorname, Nachname, Land und Postleitzahl angeben.
- E‑Mail-Adresse, Telefonnummer, Adresse (stärkste)
- Telefon, Adresse
- E-Mail-Adresse, Adresse
- E‑Mail, Telefonnummer
- Adresse
- Telefon
- E-Mail (am schwächsten)
Abgleichstabelle erstellen
- Klicken Sie auf add Erstellen > Abfrage.
Kopieren Sie die Abfragevorlage Match-Table-Generierung in privater Cloud und fügen Sie sie in den Abfrageeditor ein. Optional: Sie können die Vorlage Match-Table-Generierung in privater Cloud (mit Hash-Technologie) verwenden, wenn Ihre Daten noch nicht gehasht sind.
/* Private cloud match table generation Create a new match table using your first party data with this template. Parameters: Manually remove all the parameters tagged with @ prefix and replace them with column names from your first party table: * @user_id * @email * @phone * @first_name * @last_name * @country_code * @postal_code And your BigQuery table information: * @my_project: Your BigQuery project where the first party table is. * @my_dataset: Your dataset where the first party table is. * @my_first_party_table: Your first party table. */ CREATE OR REPLACE TABLE adh.updm_match_table AS ( SELECT CAST(@user_id AS BYTES) AS user_id, @email AS email, @phone AS phone, @first_name AS first_name, @last_name AS last_name, @country_code AS country, @postal_code AS zip_code FROM `@my_project.@my_dataset.@my_first_party_table` );/* Private cloud match table generation (with hashing) Create a new match table using your first party data with this template. Parameters: Manually remove all the parameters tagged with @ prefix and replace them with column names from your first party table: * @user_id * @email * @phone * @first_name * @last_name * @country_code * @postal_code And your BigQuery table information: * @my_project : Your BigQuery project where the first party table is. * @my_dataset : Your dataset where the first party table is. * @my_first_party_table : Your first party table. */ CREATE OR REPLACE TABLE adh.updm_match_table AS ( SELECT CAST(@user_id AS BYTES) AS user_id, TO_BASE64(SHA256(LOWER(@email))) AS email, TO_BASE64(SHA256(@phone)) AS phone, TO_BASE64(SHA256(LOWER(@first_name))) AS first_name, TO_BASE64(SHA256(LOWER(@last_name))) AS last_name, @country_code AS country, @postal_code AS zip_code FROM `@my_project.@my_dataset.@my_first_party_table` );Ersetzen Sie die Parameternamen durch Ihre Spaltennamen, um ein korrektes Aliasing zu ermöglichen.
Klicken Sie auf Speichern.
Klicken Sie auf Ausführen. Sie müssen diese Abfrage manuell ausführen, um die Zuordnungstabelle zu aktualisieren. Bei jeder Ausführung wird die aktuelle Abgleichtabelle überschrieben.
Vorhandene Verbindungen migrieren
Bestehende Verbindungen auf dem Tab Verbindungen werden in eine aktualisierte Version von „Verbindungen“ verschoben, die direkt in Ads Data Hub integriert ist. Aktualisierte Verbindungen lesen Quellen und schreiben Ziele mit dem Dienstkonto, das unter Einstellungen > Details > Dienstkonto (normalerweise service-<number>@gcp-sa-adsdatahub.iam.gserviceaccount.com) angezeigt wird, anstelle der alten Data Fusion-, Dataproc- und UPDM-Dienstkonten.
Führen Sie diese Aufgaben bevor Ihre Verbindungen verschoben werden:
- Dienstkontoberechtigungen gewähren: Gewähren Sie dem Dienstkonto, das unter Einstellungen > Details > Dienstkonto angezeigt wird (normalerweise
service-<number>@gcp-sa-adsdatahub.iam.gserviceaccount.com), die erforderlichen Quell- und Zielrollen (roles/bigquery.dataViewer,roles/storage.objectViewerundroles/bigquery.dataEditorfür nicht standardmäßige Ziel-Datasets). Verbindungen mit nicht lesbaren, gelöschten oder geänderten Quellen werden möglicherweise trotzdem verschoben (insbesondere Cloud Storage-Quellen, die beim Verschieben nicht validiert werden), aber die Ausführungen schlagen fehl, bis Sie Zugriff gewähren oder die Quelle korrigieren. Nicht unterstützte Verbindungen konvertieren: Verbindungen mit den folgenden Konfigurationen werden nicht migriert. Konvertieren Sie sie in unterstützte BigQuery- oder Cloud Storage-Verbindungen:
- Andere Datenquellen (Amazon S3, Snowflake, MySQL, PostgreSQL, Amazon Redshift, sFTP oder Salesforce): Stellen Sie die Daten zuerst in BigQuery oder Cloud Storage bereit und erstellen Sie dann eine BigQuery- oder Cloud Storage-Verbindung.
- Nicht unterstützte Feldzuordnungen oder Datentypen: Aktualisieren Sie die Verbindung oder erstellen Sie sie neu, um die Anforderungen an Felder und Datentypen zu erfüllen.
- Nicht unterstützte Transformationen: Es werden nur die Transformationen verschoben, die unter Verschobene Verbindungen aufgeführt sind. Entfernen Sie alle anderen Transformationen, z. B. das Zusammenführen oder Aufteilen von Feldern, und führen Sie diese Arbeit stattdessen in Ihren Quelldaten aus.
- Cloud Storage-Platzhalterpfade (
*oder?): Ersetzen Sie den Platzhalter-URI durch einen einzelnen Datei-URI oder laden Sie die Dateien zuerst in BigQuery. - Namen, die bereits in Ads Data Hub verwendet werden: Benennen Sie die Verbindung um, wenn eine Abfrage oder eine Verbindung, die in der aktualisierten Verbindungsfunktion erstellt wurde, bereits denselben Namen in Ihrem Konto hat.
Bestehende Verbindungen, die denselben Namen haben, werden trotzdem migriert: Die älteste Verbindung behält den Namen und die anderen erhalten ein Suffix, z. B.
(2)oder(3).Nicht verwendete Verbindungen löschen: Löschen Sie veraltete Verbindungen, die Sie nicht mehr benötigen.
Daten abfragen, die mit der Abfrage übereinstimmen
Match-Tables abfragen
Wenn die Match-Tables genügend Daten enthalten, um die Datenschutzprüfungen zu bestehen, können Sie Abfragen dafür ausführen.
Die ursprüngliche Tabelle für selbst erhobene Daten wird durch my_data dargestellt.
Dazu gehören sowohl personenidentifizierbare Informationen (PII) als auch Nicht-PII-Daten.
Wenn Sie die ursprüngliche Tabelle verwenden, können Sie Ihre Berichte mit mehr Statistiken verbessern, da sie im Vergleich zu einer Match-Table alle relevanten selbst erhobenen Daten enthält.
Für jede Tabelle im Ads Data Hub-Schema, die ein user_id-Feld enthält, gibt es eine entsprechende Match-Table. Beispielsweise wird für die Tabelle adh.google_ads_impressions in Ads Data Hub auch eine Match-Table mit dem Namen adh.google_ads_impressions_updm erstellt, die Ihre Nutzer-IDs enthält.
Für richtlinienkonform isolierte Netzwerktabellen werden separate Match-Tables erstellt. Beispielsweise wird für die Tabelle adh.google_ads_impressions_policy_isolated_network in Ads Data Hub auch eine Match-Table mit dem Namen adh.google_ads_impressions_policy_isolated_network_updm erstellt, die Ihre Nutzer-IDs enthält.
Diese Tabellen enthalten eine Teilmenge der in den ursprünglichen Tabellen verfügbaren Nutzer, bei denen es eine Übereinstimmung mit der user_id gibt. Wenn die ursprüngliche Tabelle beispielsweise Daten für Nutzer A und Nutzer B enthält, aber nur Nutzer A abgeglichen werden kann, ist Nutzer B nicht in der Match-Table enthalten.
Die Match-Tables enthalten die zusätzliche Spalte customer_data_user_id, in der die Nutzer-ID als BYTES gespeichert wird.
Beim Erstellen von Abfragen ist es wichtig, den Feldtyp zu berücksichtigen. Für SQL-Vergleichsoperatoren ist es erforderlich, dass die zu vergleichenden Literale denselben Typ haben. Je nachdem, wie die user_id in der Tabelle mit selbst erhobenen Daten gespeichert wird, müssen Sie die Werte in der Tabelle möglicherweise codieren, bevor die Daten abgeglichen werden.
Für erfolgreiche Übereinstimmungen müssen Sie den Join-Schlüssel in BYTES umwandeln:
JOIN ON
adh.google_ads_impressions_updm.customer_data_user_id = CAST(my_data.user_id AS BYTES)
Außerdem wird bei Stringvergleichen in SQL die Groß- und Kleinschreibung berücksichtigt. Eventuell müssen Sie also Strings auf beiden Seiten des Vergleichs entsprechend codieren, damit sie richtig verglichen werden können.
Beispielabfragen
Übereinstimmende Nutzer zählen
Mit dieser Abfrage wird die Anzahl der übereinstimmenden Nutzer in der Tabelle mit den Google Ads-Anzeigenimpressionen gezählt.
/* Count matched users in Google Ads impressions table */
SELECT COUNT(DISTINCT user_id)
FROM adh.google_ads_impressions_updm
Abgleichsrate berechnen
Nicht alle Nutzer kommen für einen Abgleich infrage. Beispielsweise werden abgemeldete Nutzer, Kinder und Nutzer, die keine Einwilligung erteilt haben, nicht über UPDM abgeglichen. Mit dem Feld is_updm_eligible können Sie genauere Abgleichsraten für von Nutzern bereitgestellte Daten berechnen. Das Feld is_updm_eligible ist seit dem 1. Oktober 2024 verfügbar. Sie können dieses Feld nicht verwenden, um Abgleichsraten vor diesem Datum zu berechnen.
/* Calculate the UPDM match rate */
CREATE TEMP TABLE total_events OPTIONS(privacy_checked_export=TRUE) AS
SELECT
customer_id,
COUNT(*) AS n
FROM adh.google_ads_impressions
WHERE is_updm_eligible
GROUP BY 1;
CREATE TEMP TABLE matched_events OPTIONS(privacy_checked_export=TRUE) AS
SELECT
customer_id,
COUNT(*) AS n
FROM adh.google_ads_impressions_updm
GROUP BY 1;
SELECT
customer_id,
SAFE_DIVIDE(matched_events.n, total_events.n) AS match_rate
FROM total_events
LEFT JOIN matched_events
USING (customer_id)
Selbst erhobene Daten und Google Ads-Daten zusammenführen
Diese Abfrage veranschaulicht, wie Sie selbst erhobene Daten mit Google Ads-Daten verknüpfen:
/* Join first-party data with Google Ads data. The customer_data_user_id field
contains your ID as BYTES. You need to cast your join key into BYTES for
successful matches. */
SELECT
inventory_type,
COUNT(*) AS impressions
FROM
adh.yt_reserve_impressions_updm AS google_data_imp
LEFT JOIN
`my_data`
ON
google_data_imp.customer_data_user_id = CAST(my_data.user_id AS BYTES)
GROUP BY
inventory_type
Häufig gestellte Fragen zu UPDM
Eine Liste mit häufig gestellten Fragen zu UPDM finden Sie unter Häufig gestellte Fragen zu UPDM.