Pencocokan data yang disediakan pengguna

Pencocokan data yang disediakan pengguna (UPDM) menggabungkan data pihak pertama yang telah Anda kumpulkan tentang pengguna—seperti informasi dari situs, aplikasi, atau toko fisik Anda—dengan aktivitas login pengguna tersebut di semua data iklan Google, termasuk data yang dimiliki & dioperasikan Google. Hal ini mencakup data yang dibeli melalui produk Google Marketing Platform (GMP), misalnya, YouTube yang dibeli menggunakan Display & Video 360. Produk GMP lainnya yang tidak dimiliki & dioperasikan oleh Google tidak didukung.

Agar memenuhi syarat untuk pencocokan data yang disediakan pengguna, peristiwa iklan harus ditautkan ke pengguna yang login di data iklan Google.

Dokumen ini menjelaskan fitur pencocokan data yang disediakan pengguna, dan memberikan panduan tentang penyiapan dan penggunaan.

Private Cloud Match Tab Koneksi

Ringkasan Tab Koneksi

Catatan: Sebaiknya gunakan Private Cloud Match daripada tab Koneksi UPDM karena lebih mudah digunakan.

Untuk mendapatkan insight iklan yang berharga, Anda sering kali perlu menggabungkan data dari berbagai sumber. Membangun solusi Anda sendiri untuk masalah pipeline data ini memerlukan investasi waktu dan investasi teknik yang signifikan. Halaman Koneksi di Ads Data Hub menyederhanakan proses ini dengan menyediakan antarmuka terpandu langkah demi langkah untuk mengimpor, mentransformasi, dan mencocokkan data iklan Anda di BigQuery, sehingga Anda dapat menggunakannya dalam kueri Ads Data Hub, atau produk lain yang membaca dari BigQuery. Memperkaya kueri Anda dengan data pihak pertama dapat memberikan pengalaman pelanggan yang lebih kaya, dan lebih tahan terhadap perubahan pelacakan iklan di seluruh industri.

Halaman Koneksi dibuat dengan alat yang memungkinkan Anda mengenkripsi dan membagikan informasi identitas pribadi (PII) kepada partner dengan cara yang berfokus pada privasi. Setelah memilih kolom yang berisi PII, Ads Data Hub akan mengenkripsi data tersebut, sehingga memastikan bahwa data pihak pertama Anda hanya dapat diekspor atau dibaca oleh orang yang memiliki izin untuk melakukannya. Mengetahui data pihak pertama mana yang diperlukan untuk kasus penggunaan pengukuran atau aktivasi Anda bisa jadi sulit, jadi Ads Data Hub menyediakan daftar komprehensif kasus penggunaan yang telah ditentukan sebelumnya, lalu memandu Anda melalui seluruh pengalaman mengekstrak, mengubah, dan memuat data Anda. Meskipun Anda dapat membuat beberapa jenis koneksi, dokumen ini mengasumsikan bahwa Anda menggunakan halaman Koneksi untuk pencocokan data yang disediakan pengguna.

Sumber data pihak pertama yang didukung

Anda dapat mengimpor data dari sumber data berikut:

• BigQuery
• Cloud Storage
• FTP Aman (sFTP)
• Snowflake
• MySQL
• PostgreSQL
• Amazon Redshift
• Amazon S3

Karena pencocokan data yang disediakan pengguna hanya tersedia di inventaris yang dimiliki dan dikelola oleh Google untuk pengguna yang login, fitur ini tidak terpengaruh oleh penghentian penggunaan cookie pihak ketiga yang akan datang. Karena lebih tahan terhadap perubahan industri daripada data pihak ketiga, data pihak pertama dapat memberikan insight yang lebih kaya, yang dapat menghasilkan customer engagement yang lebih tinggi.

Pelajari terminologi.

• Koneksi data yang disediakan pengguna: Siapkan koneksi data yang disediakan pengguna untuk mengimpor dan mencocokkan data, menjadwalkan impor data, mentransformasi data, dan mencocokkan data iklan menggunakan ID pengguna. Peristiwa iklan harus ditautkan ke pengguna yang login di data iklan Google. Memerlukan beberapa project Google Cloud.
• Koneksi data pihak pertama: Siapkan koneksi data pihak pertama sebagai alat penyiapan data, untuk menjadwalkan impor data dan mentransformasi data tanpa fitur lanjutan UPDM. Jenis koneksi ini hanya memerlukan satu project Google Cloud.
• Sumber data: Produk yang terhubung, file yang diimpor, atau integrasi pihak ketiga, misalnya, BigQuery.
• Tujuan: Kasus penggunaan; biasanya produk atau fitur produk Google, tempat data yang diimpor akan diaktifkan, misalnya, pencocokan data yang disediakan pengguna Ads Data Hub.
• Project admin: Project Google Cloud yang berisi data iklan eksklusif Anda dalam format mentahnya.
• Set data output: Set data BigQuery yang ditulisi oleh Ads Data Hub. Secara default, ini adalah set data di project admin Anda. Untuk mengubahnya ke project Google Cloud lain, lihat Mengonfigurasi akun layanan.

Ringkasan proses

1. Penyiapan penyerapan dan pencocokan data
   • Anda memberikan izin yang diperlukan ke akun layanan di project admin Anda. Lihat Menyiapkan penyerapan data.
2. Penyerapan dan pencocokan data pihak pertama
   • Anda memformat dan mengupload data pihak pertama ke set data BigQuery. Untuk penyiapan paling sederhana, gunakan project admin Anda. Namun, Anda dapat menggunakan set data BigQuery apa pun yang Anda miliki.
   • Anda memulai permintaan pencocokan data dengan membuat koneksi dan menetapkan jadwal impor.
   • Google menggabungkan data antara project Anda dan data milik Google yang berisi ID pengguna Google dan data yang disediakan pengguna yang di-hash untuk membuat dan memperbarui tabel kecocokan.
   • Lihat Menyerap data pihak pertama
3. Kueri berkelanjutan di Ads Data Hub, berdasarkan data yang cocok
   • Anda menjalankan kueri terhadap tabel kecocokan dengan cara yang sama seperti Anda menjalankan kueri reguler di Ads Data Hub. Lihat Membuat kueri data yang cocok.

Mempelajari persyaratan privasi

Mengumpulkan data pelanggan

Saat menggunakan pencocokan data yang disediakan pengguna, Anda harus mengupload data pihak pertama. Informasi ini dapat berupa informasi yang Anda kumpulkan dari situs, aplikasi, toko fisik, atau informasi apa pun yang dibagikan pelanggan secara langsung kepada Anda.

Anda harus:

• Pastikan kebijakan privasi Anda mengungkapkan bahwa Anda membagikan data pelanggan kepada pihak ketiga untuk melakukan layanan atas nama Anda, dan bahwa Anda mendapatkan izin untuk membagikan data tersebut jika diwajibkan secara hukum
• Hanya menggunakan API atau antarmuka yang disetujui Google untuk mengupload data pelanggan
• Mematuhi semua hukum dan peraturan yang berlaku, termasuk peraturan mandiri atau aturan industri yang mungkin berlaku

Pengakuan izin pihak pertama

Peringatan: Jika Anda tidak mengonfirmasi izin atau menolak konfirmasi izin, Anda tidak akan dapat menggunakan data pihak pertama (1PD) di dalam Ads Data Hub. Misalnya, Anda tidak dapat memasukkan data 1PD baru atau menggabungkan data 1PD yang ada dengan data iklan tertaut. Semua kasus penggunaan, seperti pencocokan data yang disediakan pengguna dan aktivasi audiens menggunakan data pihak pertama, tidak tersedia. Hal ini mencakup semua impor 1PD terjadwal.

Untuk memastikan Anda dapat menggunakan data pihak pertama di Ads Data Hub, Anda harus mengonfirmasi bahwa Anda telah memperoleh izin yang sesuai untuk membagikan data dari pengguna akhir EEA kepada Google sesuai dengan Kebijakan izin pengguna Uni Eropa dan Kebijakan Ads Data Hub. Persyaratan ini berlaku untuk setiap akun Ads Data Hub, dan harus diperbarui setiap kali Anda mengupload data pihak pertama baru. Setiap pengguna dapat membuat konfirmasi ini atas nama seluruh akun.

Perhatikan bahwa aturan kueri layanan Google yang sama yang berlaku untuk kueri analisis juga berlaku untuk kueri UPDM. Misalnya, Anda tidak dapat menjalankan kueri lintas layanan pada pengguna di EEA saat membuat tabel kecocokan.

Untuk mempelajari cara mengonfirmasi izin di Ads Data Hub, lihat Persyaratan izin untuk Wilayah Ekonomi Eropa.

Ukuran data

Untuk melindungi privasi pengguna akhir, pencocokan data yang disediakan pengguna menerapkan persyaratan berikut terkait ukuran data Anda:

• Anda harus mengupload minimal 1.000 data dalam daftar pengguna.
• Setiap pembaruan tabel kecocokan yang berhasil harus menyertakan jumlah minimum pengguna yang baru dicocokkan. Perilaku ini mirip dengan pemeriksaan perbedaan.
• Daftar Anda tidak boleh melebihi jumlah maksimum data. Untuk mempelajari batas data maksimum, hubungi perwakilan Google Anda.

---

Menyiapkan penyerapan data

Peringatan: Jika VPC-SC diaktifkan di project Anda, Anda tidak akan dapat menggunakan UPDM untuk secara otomatis menyerap dan mencocokkan data pihak pertama. Pelajari lebih lanjut batasan ini.

Sebelum memulai, Anda harus mengonfigurasi akun Ads Data Hub untuk membuat koneksi data, yang merupakan cara Anda akan membuat pipeline pencocokan data. Anda hanya perlu melakukan langkah ini satu kali.

Dari halaman Connections, klik Begin setup untuk membuka wizard penyiapan akun di tahap pengaktifan UPDM.

Buka Koneksi

Izin apa yang diberikan untuk BigQuery dan Cloud Storage?

Jika Anda menyiapkan UPDM untuk digunakan dengan BigQuery atau Cloud Storage, gunakan referensi ini untuk memahami izin yang diberikan ke akun layanan Ads Data Hub.

BigQuery

Akun layanan Datafusion
Tujuan	Akun layanan datafusion digunakan untuk menampilkan daftar kolom sumber di UI Ads Data Hub.
Format	[e-mail]
Akses yang diperlukan	BigQuery Data Viewer roles/bigquery.dataViewer untuk set data tertentu di project Sumber Data dan Tujuan Storage Admin roles/storage.admin untuk project Sumber Data, atau bucket penyimpanan khusus
Akun layanan Dataproc
Tujuan	Akun layanan Dataproc bertanggung jawab untuk menjalankan pipeline data di latar belakang.
Format	[e-mail]
Akses yang diperlukan	BigQuery Data Viewer roles/bigquery.dataViewer untuk set data tertentu di project Sumber Data dan Tujuan BigQuery Data Editor roles/bigquery.dataEditor untuk set data tertentu dalam project Tujuan BigQuery Job User roles/bigquery.jobUser untuk project Sumber Data dan Tujuan Storage Admin roles/storage.admin untuk project Sumber Data dan Tujuan, atau bucket penyimpanan khusus
Akun layanan UPDM
Tujuan	Akun layanan UPDM digunakan untuk menjalankan tugas pencocokan.
Format	[e-mail]
Akses yang diperlukan	BigQuery Data Viewer roles/bigquery.dataViewer untuk project Destination BigQuery Job User roles/bigquery.jobUser untuk project Destination

Cloud Storage

Akun layanan Datafusion
Tujuan	Akun layanan datafusion digunakan untuk menampilkan daftar kolom sumber di UI Ads Data Hub.
Format	[e-mail]
Akses yang diperlukan	Storage Object Viewer roles/storage.objectViewer untuk bucket penyimpanan tertentu dalam project Sumber Data BigQuery Data Viewer roles/bigquery.dataViewer untuk project Sumber Data, atau bucket penyimpanan khusus Storage Admin roles/storage.admin untuk project Sumber Data, atau bucket penyimpanan khusus
Akun layanan Dataproc
Tujuan	Akun layanan Dataproc bertanggung jawab untuk menjalankan pipeline data di latar belakang.
Format	[e-mail]
Akses yang diperlukan	Storage Admin roles/storage.admin untuk project Sumber Data dan Tujuan, atau bucket penyimpanan khusus BigQuery Job User roles/bigquery.jobUser untuk project Destination
Akun layanan UPDM
Tujuan	Akun layanan UPDM digunakan untuk menjalankan tugas pencocokan.
Format	[e-mail]
Akses yang diperlukan	BigQuery Data Viewer roles/bigquery.dataViewer untuk project Destination BigQuery Job User roles/bigquery.jobUser untuk project Destination

Sumber data lain

Tidak diperlukan untuk sumber data lainnya

Menyerap dan mencocokkan data pihak pertama

Memformat data untuk input

Data Anda harus mematuhi persyaratan pemformatan ini agar dapat dicocokkan dengan benar:

• Jika ditunjukkan dalam deskripsi kolom input berikut, Anda harus mengupload menggunakan hashing SHA256.
• Kolom input harus diformat sebagai string. Misalnya, jika Anda menggunakan fungsi hash SHA256 BigQuery dengan fungsi encoding Base16 (TO_HEX), gunakan transformasi berikut: TO_HEX(SHA256(user_data)).
• UPDM mendukung encoding Base16 dan Base64. Anda harus menyelaraskan encoding data pihak pertama dengan decoding yang digunakan dalam kueri Ads Data Hub. Jika Anda mengubah encoding data pihak pertama, Anda harus memperbarui kueri Ads Data Hub untuk mendekode dari basis yang sama. Contoh berikut menggunakan encoding Base16.

ID Pengguna

• Teks biasa
• Hashing: Tidak ada

Email

• Menghapus spasi kosong di awal dan akhir
• Semua karakter harus berupa huruf kecil
• Sertakan nama domain untuk semua alamat email, seperti gmail.com atau hotmail.co.jp.
• Hapus aksen—misalnya, ubah è, é, ê, atau ë menjadi e
• Hapus semua titik (.) yang mendahului nama domain di alamat email gmail.com dan googlemail.com
• Hashing: SHA256 berenkode Base16

Valid: TO_HEX(SHA256("[e-mail]"))

Tidak valid: TO_HEX(SHA256("JéffersonLô[e-mail]"))

Telepon

• Menghapus spasi kosong
• Format dalam format E.164—misalnya, contoh AS: [phone], contoh Inggris Raya: [phone]
• Hapus semua karakter khusus kecuali "+" sebelum kode negara
• Hashing: SHA256 berenkode Base16

Valid: TO_HEX(SHA256("[phone]"))

Tidak valid: TO_HEX(SHA256("[phone]"))

Nama depan

• Menghapus spasi kosong
• Semua karakter harus berupa huruf kecil
• Hapus semua awalan, misalnya, Ibu, Tn., Nn., Dr.
• Jangan menghapus aksen—misalnya, è, é, ê, atau ë
• Hashing: SHA256 berenkode Base16

Valid: TO_HEX(SHA256("daní"))

Tidak valid: TO_HEX(SHA256("Daní"))

Nama belakang

• Menghapus spasi kosong
• Semua karakter harus berupa huruf kecil
• Hapus semua akhiran, misalnya Jr., Sr., 2nd, 3rd, II, III, PHD, MD
• Jangan menghapus aksen—misalnya, è, é, ê, atau ë
• Hashing: SHA256 berenkode Base16

Valid: TO_HEX(SHA256("delacruz"))

Tidak valid: TO_HEX(SHA256("de la Cruz, Jr."))

Negara

• Sertakan kode negara meskipun semua data pelanggan Anda berasal dari negara yang sama
• Jangan menggunakan hash untuk data negara
• Gunakan kode negara ISO 3166-1 alpha-2
• Hashing: Tidak ada

Valid: US

Tidak valid: United States of America atau USA

Kode pos

• Jangan hash data kode pos
• Kode zip/pos AS dan internasional diizinkan
• Untuk Amerika Serikat:
  • Kode 5 digit diizinkan—misalnya, 94043
  • 5 digit yang diikuti dengan ekstensi 4 digit juga diizinkan—misalnya, 94043-1351 atau 940431351
• Untuk semua negara lain:
  • Tidak perlu pemformatan (Tidak perlu huruf kecil, atau menghapus spasi dan karakter khusus)
  • Jangan sertakan ekstensi kode pos
• Hashing: Tidak ada

Catatan: Anda juga dapat memilih untuk memformat data menggunakan transformasi saat membuat tabel kecocokan. Transformasi mencakup penghitungan hash, pemformatan huruf kecil/besar, dan penggabungan/pemisahan kolom. Hash komputasi berguna untuk Informasi Identitas Pribadi (PII) karena memangkas dan memformat string ke huruf kecil, menghitung nilai hash, dan mengenkodenya menggunakan Base64.

Validasi hash dan encoding data

Anda dapat menggunakan skrip validasi hash berikut untuk memastikan bahwa data Anda diformat dengan benar.

JavaScript

Base16

/**
 * @fileoverview Provides the hashing algorithm for User-Provided Data Match, 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 hashArrayBuffer = await crypto.subtle.digest(
      'SHA-256', (new TextEncoder()).encode(formattedToken));
  // Converts the hash buffer to a hexadecimal string.
  return Array.from(new Uint8Array(hashArrayBuffer))
      .map((b) => b.toString(16).padStart(2, '0'))
      .join('');
}

function main() {
  // Expected hash for [e-mail]:
  // 87924606b4131a8aceeeae8868531fbb9712aaa07a5d3a756b26ce0f5d6ca674
  hash('[e-mail]').then(result => console.log(result));

  // Expected hash for [phone]:
  // 61d9111bed3e6d9cfc1bc3b5cb35a402687c4f1546bee061a2bd444fbdd64c44
  hash('[phone]').then(result => console.log(result));

  // Expected hash for John:
  // 96d9632f363564cc3032521409cf22a852f2032eec099ed5967c0d000cec607a
  hash('John').then(result => console.log(result));

  // Expected hash for Doe:
  // 799ef92a11af918e3fb741df42934f3b568ed2d93ac1df74f1b8d41a27932a6f
  hash('Doe').then(result => console.log(result));
}

main()

Base64

/**
 * @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 [e-mail]:
  // h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  hash('[e-mail]').then(result => console.log(result));

  // Expected hash for [phone]:
  // YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
  hash('[phone]').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

Base16

"""Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

Supports: Python 2, Python 3

Sample hashes:

  - Email '[e-mail]': 87924606b4131a8aceeeae8868531fbb9712aaa07a5d3a756b26ce0f5d6ca674
  - Phone '[phone]':   61d9111bed3e6d9cfc1bc3b5cb35a402687c4f1546bee061a2bd444fbdd64c44
  - First name 'John':      96d9632f363564cc3032521409cf22a852f2032eec099ed5967c0d000cec607a
  - Last name 'Doe':        799ef92a11af918e3fb741df42934f3b568ed2d93ac1df74f1b8d41a27932a6f
"""

import base64
import hashlib

def updm_hash(token):
# Generates a SHA-256 hash of the input token after normalization.
  return hashlib.sha256(token.strip().lower().encode('utf-8')).hexdigest()

def print_updm_hash(token):
# Prints the SHA-256 hash and the original token.
  print('Hash: "{}"\t(Token: {})'.format(updm_hash(token), token))

def main():
# Hashes and prints sample tokens.
  print_updm_hash('[e-mail]')
  print_updm_hash('[phone]')
  print_updm_hash('John')
  print_updm_hash('Doe')

if __name__ == '__main__':
  main()

Base64

"""Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

Supports: Python 2, Python 3

Sample hashes:

  - Email '[e-mail]': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  - Phone '[phone]':   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(
      '[e-mail]', expected='h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=')
  print_hash(
      '[phone]', expected='YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=')
  print_hash('John', expected='ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=')
  print_hash('Doe', expected='eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=')

if __name__ == '__main__':
  main()

Go

Base16

/*
Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

Sample hashes:

  - Email '[e-mail]': 87924606b4131a8aceeeae8868531fbb9712aaa07a5d3a756b26ce0f5d6ca674
  - Phone '[phone]':   61d9111bed3e6d9cfc1bc3b5cb35a402687c4f1546bee061a2bd444fbdd64c44
  - First name 'John':      96d9632f363564cc3032521409cf22a852f2032eec099ed5967c0d000cec607a
  - Last name 'Doe':        799ef92a11af918e3fb741df42934f3b568ed2d93ac1df74f1b8d41a27932a6f
*/
package main

import (
  "crypto/sha256"
  "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 := fmt.Sprintf("%x", 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("[e-mail]")
  PrintHash("[phone]")
  PrintHash("John")
  PrintHash("Doe")
}

Base64

/*
Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

Sample hashes:

  - Email '[e-mail]': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  - Phone '[phone]':   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("[e-mail]")
  PrintHash("[phone]")
  PrintHash("John")
  PrintHash("Doe")
}

Java

Base16

package updm.hashing;

import static java.nio.charset.StandardCharsets.UTF_8;

import com.google.common.base.Ascii;
import com.google.common.hash.Hashing;

/**
 * Example of the UPDM hashing algorithm using hex-encoded SHA-256.
*
* <p>This uses the Guava Hashing to generate the hash: https://github.com/google/guava
*
* <p>Sample valid hashes:
*
* <ul>
*   <li>Email "[e-mail]": "87924606b4131a8aceeeae8868531fbb9712aaa07a5d3a756b26ce0f5d6ca674"
*   <li>Phone "[phone]": "61d9111bed3e6d9cfc1bc3b5cb35a402687c4f1546bee061a2bd444fbdd64c44"
*   <li>First name "John": "96d9632f363564cc3032521409cf22a852f2032eec099ed5967c0d000cec607a"
*   <li>Last name "Doe": "799ef92a11af918e3fb741df42934f3b568ed2d93ac1df74f1b8d41a27932a6f"
* </ul>
*/
public final class HashExample {

  private HashExample() {}

  public static String hash(String token) {
    // Normalizes and hashes the input token.
    String formattedToken = Ascii.toLowerCase(token).strip();
    return Hashing.sha256().hashString(formattedToken, UTF_8).toString();
  }

  public static void printHash(String token) {
    // Calculates and prints the token's hash.
    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("[e-mail]");
    printHash("[phone]");
    printHash("John");
    printHash("Doe");
  }
}

Base64

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 '[e-mail]': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
*   <li>Phone '[phone]': 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("[e-mail]");
  printHash("[phone]");
  printHash("John");
  printHash("Doe");
}
}

SQL

Base16

/*
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 '[e-mail]': 87924606b4131a8aceeeae8868531fbb9712aaa07a5d3a756b26ce0f5d6ca674
  - Phone '[phone]':   61d9111bed3e6d9cfc1bc3b5cb35a402687c4f1546bee061a2bd444fbdd64c44
  - First name 'John':      96d9632f363564cc3032521409cf22a852f2032eec099ed5967c0d000cec607a
  - Last name 'Doe':        799ef92a11af918e3fb741df42934f3b568ed2d93ac1df74f1b8d41a27932a6f

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 hashed versions of specified columns from the input table.
CREATE TABLE `your_project_name.your_dataset_name.output_hashed_table_name`
AS
SELECT
  UserID,
  TO_HEX(SHA256(LOWER(Email))) AS Email,
  TO_HEX(SHA256(Phone)) AS Phone,
  TO_HEX(SHA256(LOWER(FirstName))) AS FirstName,
  TO_HEX(SHA256(LOWER(LastName))) AS LastName,
  PostalCode,
  CountryCode,
FROM
  `your_project_name.your_dataset_name.input_unhashed_table_name`;

Base64

/*
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 '[e-mail]': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  - Phone '[phone]':   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`;

Kunci penghubung

Beberapa kombinasi data yang disediakan pengguna lebih kuat daripada yang lain. Berikut adalah daftar kombinasi data yang disediakan pengguna yang berbeda, yang diurutkan berdasarkan kekuatan relatif. Jika Anda menggunakan alamat, Anda harus menyertakan: Nama depan, Nama belakang, Negara, dan Kode pos.

1. Email, Telepon, Alamat (terkuat)
2. Telepon, Alamat
3. Email, Alamat
4. Email, Telepon
5. Alamat
6. Telepon
7. Email (terlemah)

Membuat tabel kecocokan

1. Klik Koneksi > Buat koneksi > Pencocokan data yang disediakan pengguna.
2. Pilih sumber data, lalu klik Hubungkan.
3. Lakukan autentikasi jika diminta, lalu klik Berikutnya:

   BigQuery

   Klik Terapkan untuk memberikan akses ke BigQuery.

   Cloud Storage

   Klik Terapkan untuk memberikan akses ke Cloud Storage.

   MySQL

   Masukkan lokasi database, port, nama pengguna, dan sandi MySQL Anda.

   S3

   Masukkan kunci akses rahasia Amazon S3 Anda.

   PostgreSQL

   Masukkan lokasi database, port, nama pengguna, sandi, dan database PostgreSQL Anda.

   Redshift

   Masukkan lokasi database, port, nama pengguna, sandi, dan database Redshift Anda.

   sFTP

   Masukkan lokasi, nama pengguna, dan sandi server sFTP Anda.

   Snowflake

   Masukkan ID akun, nama pengguna, dan sandi Snowflake Anda.

4. Konfigurasi sumber data Anda, lalu klik Berikutnya:

   BigQuery

   Pilih tabel BigQuery yang akan diimpor.

   Cloud Storage

   Masukkan jalur gsutil, seperti gs://my-bucket/folder/, lalu pilih pemformatan file Anda.

   Jika ini adalah pertama kalinya Anda menghubungkan sumber ini, peringatan akan muncul. Klik Terapkan untuk memberikan akses, lalu klik Berikutnya. Catatan: Anda harus memiliki peran dengan izin untuk mendelegasikan storage.buckets.setIamPolicy untuk bucket yang relevan.

   MySQL

   Pilih database dan tabel MySQL yang ingin Anda gunakan.

   S3

   Masukkan URI ke file yang ingin Anda upload, secara relatif terhadap alamat host.

   PostgreSQL

   Masukkan nama skema dan tabel (atau tampilan) PostgreSQL.

   Redshift

   Masukkan nama skema dan tabel (atau tampilan) Redshift. Secara default, Redshift menggunakan URL lokasi database yang mengikuti template berikut: cluster-identifier.account-number.aws-region.redshift.amazonaws.com .

   sFTP

   Masukkan jalur dan nama file, yang diformat sebagai /PATH/FILENAME.csv

   Snowflake

   Masukkan database, skema, dan tabel (atau tampilan) Snowflake yang ingin Anda gunakan.

5. Pilih set data BigQuery yang akan digunakan sebagai tujuan perantara, lalu klik Berikutnya. Langkah ini memastikan bahwa data Anda telah diformat dengan benar.
6. Opsional: Ubah format data Anda. Transformasi mencakup hash komputasi, pemformatan huruf kecil/besar, dan penggabungan/pemisahan kolom.
   1. Klik Tindakan > > Ubah.
   2. Di panel yang muncul, klik Tambahkan transformasi atau Tambahkan transformasi lain
   3. Pilih jenis transformasi dari menu dropdown dan masukkan persyaratan.
   4. Klik Simpan.
7. Pilih minimal satu kunci gabungan dan petakan kolom yang akan Anda gunakan. Ads Data Hub akan otomatis memetakan kolom dengan nama yang identik, yang ditunjukkan dengan . Lakukan pengeditan yang diperlukan, lalu klik Berikutnya.
8. Menyetel jadwal:
   1. Beri nama koneksi Anda.
   2. Tetapkan frekuensi, yang menentukan seberapa sering data akan diimpor ke dalam kumpulan data yang Anda pilih pada langkah sebelumnya. Setiap operasi akan menimpa data dalam tabel tujuan.
   3. Tentukan cara Anda ingin penabrakan ID pengguna ditangani. Anda dapat memilih antara mempertahankan kecocokan yang ada atau menimpa dengan data baru.
9. Klik Selesai. Tabel kecocokan umumnya siap dikueri 12 jam setelah dibuat.

Melihat detail koneksi

Halaman detail koneksi memberikan informasi tentang operasi dan error terbaru untuk koneksi tertentu. Untuk melihat detail koneksi tertentu:

1. Klik Koneksi.
2. Klik nama koneksi untuk melihat detailnya.
3. Sekarang Anda dapat melihat detail dan eksekusi terbaru koneksi. Setiap jenis menampilkan dua kemungkinan jenis error: error tingkat koneksi (koneksi tidak berjalan) dan error tingkat baris (baris tidak diimpor).
   1. Status Gagal menunjukkan bahwa seluruh koneksi gagal dijalankan (misalnya, masalah izin akun layanan). Klik status error untuk melihat error mana yang memengaruhi koneksi.
   2. Status Selesai menunjukkan bahwa koneksi berhasil berjalan. Namun, mungkin masih ada error tingkat baris—yang ditunjukkan oleh nilai bukan nol di kolom "Baris dengan error". Klik nilai untuk mempelajari lebih lanjut catatan yang gagal.

Mengedit koneksi

Detail berikut dapat diedit:

• Nama koneksi
• Jadwal
• Destination table
• Pemetaan Kolom

Pengeditan sumber data tidak didukung. Untuk mengubah sumber data, buat koneksi baru dan hapus koneksi lama.

Untuk mengedit detail koneksi:

1. Klik Koneksi.
2. Klik nama koneksi yang ingin Anda edit.
3. Edit detail yang ingin Anda ubah:
   • Nama koneksi: Klik Edit, masukkan nama baru, lalu tekan Enter.
   • Jadwal: Klik Edit, tetapkan jadwal baru, lalu klik Simpan.
   • Tabel tujuan: Klik Edit, masukkan nama tujuan baru, lalu klik Simpan.
   • Pemetaan kolom: Klik , lakukan perubahan pada kolom, lalu klik Simpan.
4. Klik .

Membuat kueri data yang cocok

Membuat kueri tabel kecocokan

Jika tabel kecocokan Anda berisi cukup data untuk memenuhi pemeriksaan privasi, Anda siap menjalankan kueri pada tabel tersebut.

Tabel asli untuk data pihak pertama (1PD) diwakili oleh my_data. Hal ini mencakup Informasi Identitas Pribadi (PII) dan data non-PII. Menggunakan tabel asli dapat meningkatkan kualitas laporan Anda dengan lebih banyak insight, karena tabel tersebut merepresentasikan semua data pihak pertama yang tercakup, jika dibandingkan dengan tabel kecocokan.

Setiap tabel dalam skema Ads Data Hub yang berisi kolom user_id disertai dengan tabel pencocokan. Misalnya, untuk tabel adh.google_ads_impressions, Ads Data Hub juga membuat tabel kecocokan yang disebut adh.google_ads_impressions_updm yang berisi ID pengguna Anda. Tabel kecocokan terpisah dibuat untuk tabel jaringan yang terisolasi kebijakan. Misalnya, untuk tabel adh.google_ads_impressions_policy_isolated_network, Ads Data Hub juga membuat tabel pencocokan yang disebut adh.google_ads_impressions_policy_isolated_network_updm yang berisi ID pengguna Anda.

Peringatan: Karena peraturan Uni Eropa, UPDM tidak lagi tersedia untuk tabel non-jaringan yang terisolasi kebijakan, seperti adh.google_ads_impressions_policy_isolated_youtube. Untuk terus menjalankan kueri ini, hapus _policy_isolated_youtube untuk membatasi hanya pengguna yang memberikan izin.

Tabel ini berisi subset pengguna yang tersedia di tabel asli, dengan kecocokan pada user_id. Misalnya, jika tabel asli berisi data untuk Pengguna A dan Pengguna B, tetapi hanya Pengguna A yang cocok, maka Pengguna B tidak akan ada dalam tabel kecocokan.

Tabel kecocokan berisi kolom tambahan yang disebut customer_data_user_id, yang menyimpan ID pengguna sebagai BYTES.

Penting untuk mempertimbangkan jenis kolom saat menulis kueri. Operator perbandingan SQL mengharapkan bahwa literal yang Anda bandingkan memiliki jenis yang sama. Bergantung pada cara user_id disimpan dalam tabel data pihak pertama, Anda mungkin perlu mengenkode nilai dalam tabel sebelum mencocokkan data. Anda harus melakukan transmisi kunci gabungan ke BYTES agar kecocokan berhasil:

JOIN ON
  adh.google_ads_impressions_updm.customer_data_user_id = CAST(my_data.user_id AS BYTES)

Selain itu, perbandingan string di SQL peka terhadap kapitalisasi, sehingga Anda mungkin perlu mengenkode string di kedua sisi perbandingan untuk memastikan bahwa string dapat dibandingkan secara akurat.

Catatan: Perbandingan antara byte dan string secara implisit mengenkode byte ke Base64.

Sampel kueri

Menghitung pengguna yang cocok

Kueri ini menghitung jumlah pengguna yang cocok dalam tabel tayangan iklan Google Ads Anda.

/* Count matched users in Google Ads impressions table */

SELECT COUNT(DISTINCT user_id)
FROM adh.google_ads_impressions_updm

Menghitung tingkat kecocokan

Tidak semua pengguna memenuhi syarat untuk pencocokan. Misalnya, pengguna yang logout, anak-anak, dan pengguna yang tidak memberikan izin tidak dicocokkan melalui UPDM. Anda dapat menggunakan kolom is_updm_eligible untuk menghitung rasio kecocokan UPDM yang lebih akurat. Perhatikan bahwa kolom is_updm_eligible tersedia mulai 1 Oktober 2024. Anda tidak dapat menggunakan kolom ini untuk menghitung rasio kecocokan sebelum tanggal tersebut.

/* 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)

Menggabungkan data pihak pertama dan Google Ads

Kueri ini menunjukkan cara menggabungkan data pihak pertama dengan data Google Ads:

/* 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

FAQ UPDM

Untuk daftar FAQ terkait UPDM, lihat FAQ UPDM.