La privacidad del usuario final es el núcleo de todo lo que hace el Centro de Datos de Anuncios; es la base sobre la que se basa nuestra plataforma. Para ayudar a mantener esa privacidad y ayudar a nuestros clientes con el cumplimiento normativo, imponemos ciertas verificaciones y restricciones, diseñadas para evitar la transmisión de datos sobre usuarios individuales1 en los datos que obtienes de la plataforma.
A continuación, se incluye una descripción general de las funciones de privacidad del Centro de Datos de Anuncios, con más detalles en las secciones que siguen:
- Las verificaciones estáticas examinan las sentencias de tus consultas para detectar problemas de privacidad inmediatos y evidentes.
- Los presupuestos de acceso a los datos limitan la cantidad total de veces que puedes acceder a un dato determinado.
- Las verificaciones de agregación garantizan que cada fila contenga una cantidad suficiente de usuarios para proteger la privacidad del usuario final.
- Las verificaciones de diferencias (o "verificaciones de diff") comparan conjuntos de resultados para evitar que recopiles información sobre usuarios individuales comparando datos de varios conjuntos de usuarios.
- La inyección de ruido es una alternativa a las verificaciones de diferencias. El modo Ruido solo está disponible en la experiencia del Centro de Datos de Anuncios para especialistas en marketing. Para obtener información sobre la inserción de ruido, consulta esta página en el sitio del Centro de Datos de Anuncios para especialistas en marketing.
Cuando un resultado no pase las verificaciones de privacidad, el Centro de Datos de Anuncios mostrará o devolverá un mensaje de privacidad informándote que se filtró una fila. Puede ser cualquier cosa, desde una sola fila hasta un conjunto de resultados completo. Para asegurarte de que los totales de tus informes sigan siendo precisos, usa un resumen de filas filtradas para contar los datos de las filas descartadas2.
Verificaciones estáticas
Las verificaciones estáticas examinan las sentencias de tus consultas para detectar problemas de privacidad obvios e inmediatos, como la exportación de identificadores de usuario, cualquier función de identificadores de usuario o el uso de funciones no permitidas en campos que contienen datos a nivel del usuario. Para evitar errores de consulta de las verificaciones estáticas, revisa las prácticas recomendadas y comprende qué funciones están permitidas.
Presupuesto de acceso a los datos
Tu presupuesto de acceso a los datos limita la cantidad total de veces que puedes acceder a un dato determinado. Los usuarios que estén por agotar su presupuesto recibirán una notificación con un mensaje de privacidad con el tipo DATA_ACCESS_BUDGET_IS_NEARLY_EXHAUSTED. Puedes supervisar el presupuesto con el punto de entrada del presupuesto de acceso a los datos o observando las notificaciones del presupuesto en la IU.
Requisitos de agregación
El umbral de agregación de usuarios es el elemento clave de las verificaciones de privacidad del Centro de Datos de Anuncios. En la mayoría de las consultas, solo puedes recibir datos de informes sobre 50 usuarios o más. Sin embargo, las consultas que solo acceden a los clics y las conversiones se pueden usar para generar informes sobre 10 o más usuarios.
- Los eventos con IDs de usuario con valor cero se cuentan como un solo usuario para el umbral de agregación, sin importar cuántos usuarios reales hayan creado los eventos.
- Los usuarios con IDs nulos no se tienen en cuenta para el umbral de agregación.
Práctica recomendada: Configura un resumen de filas filtradas para generar informes sobre los datos que se omitieron. Esto ayuda a mantener un modelo de referencia coherente en tus informes.
En el siguiente ejemplo, la fila que contiene la campaña 125 se filtraría de los resultados finales, ya que agrega resultados de 48 usuarios, que es inferior al mínimo de 50 usuarios.
| ID de la campaña | Usuarios | Impresiones |
|---|---|---|
| 123 | 314 | 928 |
| 124 | 2718 | 5772 |
| 125 | 48 | 353 |
Verificaciones de diferencias
Las verificaciones de diferencias ayudan a garantizar que no se pueda identificar a los usuarios a través de la comparación de varios resultados agregados de manera suficiente de las siguientes maneras:
- Comparan los resultados del trabajo que estás ejecutando con los anteriores.
- Comparan filas dentro del mismo conjunto de resultados.
Los incumplimientos de la verificación de diferencias pueden deberse a cambios en los datos subyacentes entre dos trabajos. Cuando se comparan los resultados de una tarea con los resultados anteriores, el Centro de Datos de Anuncios busca vulnerabilidades a nivel de los usuarios individuales. Por este motivo, incluso los resultados de diferentes campañas o los que registran la misma cantidad de usuarios se pueden filtrar si tienen una gran cantidad de usuarios superpuestos.
Por otro lado, dos conjuntos de resultados agregados pueden tener la misma cantidad de usuarios (aparentemente idénticos), pero no compartir usuarios individuales y, por lo tanto, ser seguros para la privacidad, en cuyo caso no se filtrarían.
Ads Data Hub utiliza datos de tus resultados históricos cuando considera la vulnerabilidad de un resultado nuevo. Esto significa que ejecutar la misma consulta una y otra vez crea más datos para que las verificaciones de diferencias usen cuando se considere la vulnerabilidad de un resultado nuevo. Además, los datos subyacentes pueden cambiar, lo que genera incumplimientos de la verificación de privacidad en las consultas que se consideran estables.
Cuando tus resultados a nivel del trabajo difieran de forma adecuada, pero una fila individual sea similar a una fila de un trabajo anterior, el Centro de Datos de Anuncios filtrará la fila similar. En este ejemplo, se filtrará la fila que contiene la campaña 123 en los resultados del segundo trabajo, ya que difiere del resultado anterior en un solo usuario.
|
|
||||||||||||||||
Si la suma de los usuarios en todas las filas de un conjunto de resultados es similar a la de un trabajo anterior, el Centro de Datos de Anuncios filtrará todo el conjunto de resultados. En este ejemplo, se filtrarán todos los resultados de la segunda tarea.
|
|
||||||||||||||||
Resumen de filas filtradas
Los resúmenes de filas filtradas registran los datos que se filtraron debido a las verificaciones de privacidad. Los datos de las filas filtradas se suman y se agregan a una fila de captura general. Si bien los datos filtrados no se pueden analizar más, proporcionan un resumen de la cantidad de datos que se filtraron de los resultados.
Filtrado de privacidad explícito
En los casos en que necesites dividir tu consulta, pero quieras combinar los resultados agregados, puedes aplicar verificaciones de privacidad de forma explícita a varias consultas más pequeñas y, luego, agregar esos resultados de forma segura para la privacidad.
Casos prácticos de ejemplo:
- Eres un anunciante que busca todas las conversiones por tipo de evento de atribución en tu cuenta de Google Ads vinculada, que incluye datos del EEE.
- Eres un socio de medición que busca todas las conversiones por tipo de evento de atribución en tu cuenta de Google Ads vinculada.
Para obtener la suma de conversiones de tu cuenta de Google Ads, puedes volver a escribir la consulta con una cláusula OPTIONS(privacy_checked_export=TRUE) para aplicar verificaciones de privacidad a cada servicio de Google de forma individual.
La reescritura de ejemplo de esta sección hace lo siguiente:
- Consulta cada servicio de Google de forma individual y aplica verificaciones de privacidad de forma explícita a cada conjunto de resultados intermedios.
- Crea una tabla temporal independiente para los resultados verificados de privacidad de cada servicio de Google: YouTube, Gmail y la red.
- Agrupa y suma los recuentos de conversiones verificados por privacidad de las tablas temporales.
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
Ten en cuenta que esta consulta no usa un JOIN para combinar directamente los datos entre las tablas, sino que primero realiza la consulta para cada tabla, aplica verificaciones de privacidad a cada tabla intermedia y, luego, usa un UNION para sumar los valores verificados por privacidad.
Asesor de consultas
Si tu SQL es válido, pero podría activar un filtrado excesivo, el asesor de consultas muestra sugerencias prácticas durante el proceso de desarrollo de la consulta para ayudarte a evitar resultados no deseados.
Los activadores incluyen los siguientes patrones:
- Cómo unir subconsultas agregadas
- Cómo unir datos no agregados con usuarios potencialmente diferentes
- Tablas temporales definidas de forma recursiva
Para usar el asesor de consultas, haz lo siguiente:
- IU. Las recomendaciones aparecerán en el editor de consultas, sobre el texto de la consulta.
- API. Usa el método
customers.analysisQueries.validate.
-
Además de los datos que dieron su consentimiento para compartir, como en el caso de los panelistas. ↩
-
A menos que se lo impidan las restricciones de privacidad, como cuando los usuarios de un resumen de filas filtradas no cumplen con los requisitos de agregación. ↩