比對使用者提供的資料

「比對使用者提供的資料」功能會彙整您收集的使用者第一方資料 (例如來自網站、應用程式或實體商店的資訊)，以及該使用者在所有Google 廣告資料 (包括 Google 自有和經營的資料) 中的登入活動記錄。包括透過 Google Marketing Platform (GMP) 產品購買的資料，例如透過 Display & Video 360 購買的 YouTube 廣告。不支援其他非 Google 擁有及營運的 GMP 產品。

廣告事件必須連結到 Google 廣告資料中的登入使用者，才能比對使用者提供的資料。

本文將說明使用者提供的資料比對功能，並提供設定和使用指南。

Private Cloud Match 「連線」分頁

「連線」分頁總覽

注意： 建議您使用私有雲端比對，而非「UPDM 連線」分頁，因為前者較容易使用。

如要取得實用的廣告洞察資料，通常需要整合多個來源的資料。自行建構解決方案來解決資料管道問題，需要投入大量時間和工程資源。廣告資料中心的「連結」頁面提供逐步導覽介面，可匯入、轉換及比對 BigQuery 中的廣告資料，簡化這個程序，方便您在廣告資料中心查詢或從 BigQuery 讀取資料的任何其他產品中使用這些資料。使用第一方資料讓查詢內容更豐富，不僅可帶來更豐富的顧客體驗，也更能因應整個產業的廣告追蹤變化。

「連結」頁面內建工具，可讓您以注重隱私權的方式，加密處理個人識別資訊 (PII) 並與合作夥伴分享。選取含有 PII 的欄後，廣告資料中心會加密資料，確保只有具備權限的使用者才能匯出或讀取第一方資料。您可能難以判斷評估或啟用用途需要哪些第一方資料，因此廣告資料中心提供預先定義的完整用途清單，並引導您完成擷取、轉換及載入資料的整個流程。雖然您可以建立多種連線，但本文假設您是透過「連線」頁面比對使用者提供的資料。

支援的第一方資料來源

您可以從下列資料來源匯入資料：

• BigQuery
• Cloud Storage
• 安全檔案傳輸通訊協定 (sFTP)
• Snowflake
• MySQL
• PostgreSQL
• Amazon Redshift
• Amazon S3

「比對使用者提供的資料」功能只會比對 Google 自有自營廣告空間的登入使用者，因此不會受到第三方 Cookie 淘汰影響。第一方資料比第三方資料更能適應業界變遷，因此能提供更詳盡的洞察資料，進而提高顧客參與度。

認識術語

• 使用者提供的資料連結：設定使用者提供的資料連結，匯入及比對資料、排定資料匯入時間、轉換資料，以及使用使用者 ID 比對廣告資料。廣告事件必須連結到 Google 廣告資料中的登入使用者。需要多個 Google Cloud 專案。
• 第一方資料連結：設定第一方資料連結做為資料準備工具，排定資料匯入時間並轉換資料，不必使用 UPDM 的進階功能。這類連線只需要一個 Google Cloud 專案。
• 資料來源：已連結的產品、匯入的檔案或第三方整合服務，例如 BigQuery。
• 目的地：用途；通常是指 Google 產品或產品功能 (已啟用匯入的資料)，例如廣告資料中心「比對使用者提供的資料」。
• 管理專案：Google Cloud 專案，內含原始格式的專有廣告資料。
• 輸出資料集：廣告資料中心寫入資料的 BigQuery 資料集。根據預設，這是管理員專案下的資料集。如要改用其他 Google Cloud 專案，請參閱「設定服務帳戶」。

程序摘要

1. 設定資料擷取和比對
   • 您需要為管理專案中的服務帳戶授予必要權限。請參閱設定資料擷取。
2. 擷取及比對第一方資料
   • 您可以設定第一方資料格式，並上傳至 BigQuery 資料集。如要簡化設定程序，請使用管理員專案。不過，您可以使用自己擁有的任何 BigQuery 資料集。
   • 您可以建立連線並設定匯入時間表，發起資料比對要求。
   • Google 會彙整專案和 Google 自有資料中的資料，其中包含 Google 使用者 ID 和經雜湊處理的使用者提供資料，藉此建立及更新比對表格。
   • 請參閱「擷取第一方資料」一文
3. 廣告資料中心根據相符資料執行的持續查詢
   • 您可以對照表執行查詢，方式與在廣告資料中心執行一般查詢相同。請參閱「查詢比對成功的資料」。

瞭解隱私權規定

收集顧客資料

使用「比對使用者提供的資料」功能時，您必須上傳第一方資料。這類資訊可能是您從網站、應用程式、實體商店收集的資訊，或是顧客直接提供給您的任何資訊。

須遵循的規定如下：

• 確實在隱私權政策中聲明您會與第三方共用顧客數位資料，以便第三方代為提供服務，且您已按法律規定取得分享資訊的同意聲明
• 僅使用 Google 核准的 API 或介面上傳顧客數位資料
• 遵守所有適用法律和法規 (包括任何適用的自我規範或業界準則)

確認已取得第一方同意聲明

警告：如果「未確認」或「拒絕」取得同意聲明，會導致無法在廣告資料中心使用第一方資料。比如說，您無法匯入新的第一方資料，也無法彙整現有的第一方資料與已連結的廣告資料。而且，您也不能進行任何其他應用，像是比對使用者提供的資料、使用第一方資料啟用目標對象，其中包括排定第一方資料匯入作業。

為確保能在廣告資料中心使用第一方資料，請務必確認您已根據歐盟地區使用者同意授權政策和廣告資料中心政策，取得適當的同意聲明，能與 Google 分享歐洲經濟區使用者的資料。這項規定適用於每個廣告資料中心帳戶，且您每次上傳新的第一方資料時，都必須更新同意聲明。任一使用者都可代表整個帳戶確認已取得同意聲明。

請注意，適用於分析查詢的 Google 服務查詢規則，同樣也適用於 UPDM 查詢。例如，建立對照表時，您無法對歐洲經濟區使用者執行跨服務查詢。

請參閱歐洲經濟區同意聲明規定，瞭解如何在廣告資料中心確認已取得同意聲明。

資料大小

為保護使用者隱私，系統會對使用者提供的資料比對功能，強制執行下列資料大小規定：

• 使用者名單必須至少有 1,000 筆記錄。
• 每次成功更新對照表時，都必須包含一定數量的 新比對使用者。這項行為與差異檢查類似。
• 清單不得超過記錄數量上限。如要瞭解資料上限，請洽詢 Google 代表。

---

設定資料擷取

警告： 如果專案已啟用 VPC-SC，您就無法使用 UPDM 自動擷取及比對第一方資料。進一步瞭解這項限制。

開始前，您需要設定廣告資料中心帳戶，建立資料連線，以建立資料比對管道。這些步驟只需要執行一次。

在「連結」頁面中，按一下「開始設定」，在啟用 UPDM 的階段開啟帳戶設定精靈。

前往「連線」

系統會授予哪些 BigQuery 和 Cloud Storage 權限？

如果您設定「比對使用者提供的資料」功能，以便搭配 BigQuery 或 Cloud Storage 使用，請參閱這份參考資料，瞭解授予廣告資料中心服務帳戶的權限。

BigQuery

Data Fusion 服務帳戶
目的	Data Fusion 服務帳戶用於在廣告資料中心使用者介面中，顯示來源欄位清單。
格式	[e-mail]
必要存取權	BigQuery Data Viewer roles/bigquery.dataViewer 資料來源和目的地專案中的特定資料集 Storage Admin roles/storage.admin 「資料來源」專案，或專用儲存空間值區
Dataproc 服務帳戶
目的	Dataproc 服務帳戶負責在背景執行資料管道。
格式	[e-mail]
必要存取權	BigQuery Data Viewer roles/bigquery.dataViewer 資料來源和目的地專案中的特定資料集 BigQuery Data Editor roles/bigquery.dataEditor 適用於「目的地」專案中的特定資料集 BigQuery Job User roles/bigquery.jobUser 「資料來源」和「目的地」專案 Storage Admin roles/storage.admin 資料來源和目的地專案，或專用儲存空間值區
UPDM 服務帳戶
目的	UPDM 服務帳戶用於執行相符的工作。
格式	[e-mail]
必要存取權	BigQuery Data Viewer roles/bigquery.dataViewer 目的地專案的 BigQuery Job User roles/bigquery.jobUser 目的地專案的

Cloud Storage

Data Fusion 服務帳戶
目的	Data Fusion 服務帳戶用於在廣告資料中心使用者介面中，顯示來源欄位清單。
格式	[e-mail]
必要存取權	Storage Object Viewer roles/storage.objectViewer 資料來源專案中的特定儲存空間 bucket BigQuery Data Viewer roles/bigquery.dataViewer 「資料來源」專案，或專用儲存空間值區 Storage Admin roles/storage.admin 「資料來源」專案，或專用儲存空間值區
Dataproc 服務帳戶
目的	Dataproc 服務帳戶負責在背景執行資料管道。
格式	[e-mail]
必要存取權	Storage Admin roles/storage.admin 資料來源和目的地專案，或專用儲存空間值區 BigQuery Job User roles/bigquery.jobUser 目的地專案的
UPDM 服務帳戶
目的	UPDM 服務帳戶用於執行相符的工作。
格式	[e-mail]
必要存取權	BigQuery Data Viewer roles/bigquery.dataViewer 目的地專案的 BigQuery Job User roles/bigquery.jobUser 目的地專案的

其他資料來源

其他資料來源則不需執行這項操作

擷取及比對第一方資料

設定輸入資料的格式

資料必須符合下列格式規定，才能正確比對：

• 如以下輸入欄位說明所示，您必須使用 SHA256 雜湊演算法上傳。
• 輸入欄位必須採用字串格式。舉例來說，如果您使用 BigQuery 的 SHA256 雜湊函式搭配 Base16 編碼函式 (TO_HEX)，請使用下列轉換：TO_HEX(SHA256(user_data))。
• UPDM 支援 Base16 和 Base64 編碼。您必須將第一方資料的編碼，與廣告資料中心查詢中使用的解碼方式對齊。如果變更第一方資料編碼，請務必更新廣告資料中心查詢，從相同基底解碼。下列範例使用 Base16 編碼。

使用者 ID

• 純文字
• 雜湊：無

電子郵件

• 移除開頭和結尾的空白字元
• 全部使用小寫字元
• 為所有電子郵件地址加上網域名稱 (例如 gmail.com 或 hotmail.co.jp)
• 移除重音符號，例如將 è、é、ê 或 ë 改為 e
• 移除 gmail.com 和 googlemail.com 電子郵件地址中網域名稱前的所有半形句號 (.)
• 雜湊：以 Base16 編碼的 SHA256

有效： TO_HEX(SHA256("[e-mail]"))

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

電話

• 除去空白字元
• 請使用 E.164 格式，例如美國：[phone]，英國：[phone]
• 移除所有特殊字元，國家/地區代碼前的「+」除外
• 雜湊：以 Base16 編碼的 SHA256

有效： TO_HEX(SHA256("[phone]"))

無效： TO_HEX(SHA256("[phone]"))

名字

• 除去空白字元
• 全部使用小寫字元
• 移除所有前置字元，例如 Mrs.、先生，Ms.、博士
• 請勿移除重音符號，例如：è、é、ê 或 ë
• 雜湊：以 Base16 編碼的 SHA256

有效： TO_HEX(SHA256("daní"))

無效： TO_HEX(SHA256("Daní"))

姓氏

• 除去空白字元
• 全部使用小寫字元
• 移除所有後置字元，例如 Jr.、Sr. 2nd、3rd、II、III、PHD、MD
• 請勿移除重音符號，例如：è、é、ê 或 ë
• 雜湊：以 Base16 編碼的 SHA256

有效： TO_HEX(SHA256("delacruz"))

無效： TO_HEX(SHA256("de la Cruz, Jr."))

國家/地區

• 即使所有顧客數位資料的國家/地區代碼皆相同，仍須納入
• 請勿雜湊國家/地區資料
• 使用 ISO 3166-1 alpha-2 國家/地區代碼
• 雜湊：無

有效： US

無效： United States of America 或 USA

郵遞區號

• 請勿對郵遞區號資料進行雜湊處理
• 美國與國際郵遞區號皆可使用
• 美國：
  • 可使用 5 碼郵遞區號，例如 94043
  • 也可使用 5 碼後加 4 碼額外編碼的郵遞區號，例如 94043-1351 或 940431351
• 所有其他國家/地區：
  • 不需要設定格式 (不需要改為小寫，或移除空格和特殊字元)
  • 移除郵遞區號的額外編碼
• 雜湊：無

注意： 建立比對表格時，您也可以選擇使用轉換功能來格式化資料。轉換作業包括計算雜湊、格式化為小寫/大寫，以及合併/分割欄位。計算雜湊值功能可方便處理個人識別資訊 (PII)，因為這項功能會將字串修剪並格式化為小寫、計算雜湊值，然後使用 Base64 編碼。

雜湊驗證和資料編碼

您可以使用下列雜湊驗證指令碼，確保資料格式正確無誤。

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`;

加入鍵值

有些使用者提供的資料組合比其他組合更有效。以下列出不同使用者提供資料的組合，並依相對強度排序。如果使用地址，必須包含：名字、姓氏、國家/地區和郵遞區號。

1. 電子郵件、電話、地址 (最強)
2. 電話、地址
3. 電子郵件地址、地址
4. 電子郵件、電話
5. 地址
6. 電話
7. 電子郵件 (最弱)

建立對照表

1. 依序點選「連線」>「建立連線」>「比對使用者提供的資料」。
2. 選擇資料來源，然後按一下「連結」。
3. 如果系統提示，請進行驗證，然後按一下「下一步」：

   BigQuery

   按一下「套用」，授予 BigQuery 存取權。

   Cloud Storage

   按一下「套用」授予 Cloud Storage 存取權。

   MySQL

   輸入 MySQL 資料庫位置、通訊埠、使用者名稱和密碼。

   S3

   輸入 Amazon S3 私密存取金鑰。

   PostgreSQL

   輸入 PostgreSQL 資料庫位置、通訊埠、使用者名稱、密碼和資料庫。

   Redshift

   輸入 Redshift 資料庫位置、通訊埠、使用者名稱、密碼和資料庫。

   sFTP

   輸入 sFTP 伺服器位置、使用者名稱和密碼。

   Snowflake

   輸入 Snowflake 帳戶 ID、使用者名稱和密碼。

4. 設定資料來源，然後點選「下一步」：

   BigQuery

   選取要匯入的 BigQuery 資料表。

   Cloud Storage

   輸入 gsutil 路徑 (例如 gs://my-bucket/folder/)，然後選取檔案格式。

   如果這是您第一次連結這項資源，系統會顯示快訊。按一下「套用」授予存取權，然後點選「下一步」。注意： 您的角色需要具備必要權限，才能為相關值區委派 storage.buckets.setIamPolicy。

   MySQL

   選取要使用的 MySQL 資料庫和資料表。

   S3

   輸入要上傳檔案的 URI (相對於主機位址)。

   PostgreSQL

   輸入 PostgreSQL 結構定義和資料表 (或檢視畫面) 名稱。

   Redshift

   輸入 Redshift 結構定義和資料表 (或檢視畫面) 名稱。根據預設， Redshift 使用的資料庫位置網址會採用下列範本： cluster-identifier.account-number.aws-region.redshift.amazonaws.com 。

   sFTP

   輸入檔案路徑和名稱，格式如下： /PATH/FILENAME.csv

   Snowflake

   輸入要使用的 Snowflake 資料庫、結構定義和資料表 (或檢視畫面)。

5. 選取要做為中介目的地的 BigQuery 資料集，然後按一下「下一步」。 這個步驟可確保資料格式正確無誤。
6. 選用：修改資料格式。轉換包括計算雜湊、格式化為小寫/大寫，以及合併/分割欄位。
   1. 依序點選「動作」 > > 「轉換」。
   2. 在彈出式面板中，按一下「新增轉換」或「新增其他轉換」
   3. 從下拉式選單中選擇轉換類型，然後輸入需求。
   4. 按一下 [儲存]。
7. 選擇至少一個聯結鍵，並對應要使用的欄位。 廣告資料中心會自動對應名稱相同的欄位，並以 表示。視需要進行編輯，然後按一下「下一步」。
8. 設定時間表：
   1. 為連結命名。
   2. 設定頻率，指定資料匯入前一個步驟所選資料集的頻率。每次執行都會覆寫目的地資料表中的資料。
   3. 指定處理 User-ID 衝突的方式。您可以選擇保留現有比對結果，或以新資料覆寫。
9. 按一下「完成」。對照表建立後，通常會在 12 小時內準備好供您查詢。

查看連線詳細資料

連線詳細資料頁面會提供特定連線的近期執行和錯誤資訊。如要查看特定連線的詳細資料：

1. 按一下「連線」。
2. 按一下連線名稱即可查看詳細資料。
3. 現在可以查看連線的詳細資料和最近的執行作業。每個範例都會顯示兩種可能的錯誤類型：連線層級 (連線未執行) 和資料列層級錯誤 (未匯入資料列)。
   1. 「失敗」狀態表示整個連線無法執行 (例如服務帳戶權限問題)。按一下錯誤狀態，即可查看哪些錯誤影響連線。
   2. 「已完成」狀態表示連線已順利執行。 不過，如果「含有錯誤的列數」欄中的值不是零，表示可能仍有資料列層級的錯誤。按一下值，進一步瞭解哪些記錄失敗。

編輯連結

你可以編輯下列詳細資料：

• 連線名稱
• 排程
• 目標資料表
• 欄位對應

系統不支援編輯資料來源。如要變更資料來源，請建立新的連結並刪除舊連結。

如要編輯連結詳細資料，請按照下列步驟操作：

1. 按一下「連線」。
2. 按一下要編輯的連結名稱。
3. 編輯要變更的詳細資料：
   • 連線名稱：按一下「編輯」，輸入新名稱，然後按下 Enter 鍵。
   • 時間表：按一下「編輯」，設定新的時間表，然後按一下「儲存」。
   • 目的地資料表：按一下「編輯」，輸入新的目的地名稱，然後按一下「儲存」。
   • 欄位對應：按一下 變更欄位，然後按一下「儲存」。
4. 按一下 []。

查詢相符資料

查詢對照表

如果對照表包含足夠的資料，可以滿足隱私權檢查的條件，您就能針對資料表執行查詢。

第一方資料 (1PD) 的原始資料表以 my_data 表示。 包括個人識別資訊 (PII) 和非 PII 資料。 與比對表相比，原始表格代表範圍內的所有第一方資料，因此使用原始表格可提供更多洞察資料，進而改善報表。

廣告資料中心結構定義中，每個包含 user_id 欄位的資料表，都會附帶一個對照表。以 adh.google_ads_impressions 資料表為例，廣告資料中心會產生名為 adh.google_ads_impressions_updm 的對照表，其中包含 User-ID。如果是政策排除聯播網資料表，系統會建立個別的對照表。舉例來說，廣告資料中心也會為 adh.google_ads_impressions_policy_isolated_network 資料表，產生名為 adh.google_ads_impressions_policy_isolated_network_updm 的對照表，其中包含 User-ID。

警告： 由於歐盟法規，UPDM 不再適用於政策隔離的非聯播網資料表，例如 adh.google_ads_impressions_policy_isolated_youtube。如要繼續執行這些查詢，請移除 _policy_isolated_youtube，只保留已同意的使用者。

這些資料表包含原始資料表的一部分使用者，user_id 會有相符項目。舉例來說，如果原始資料表包含使用者 A 和使用者 B 的資料，但只有使用者 A 成功比對，那麼使用者 B 就不會出現在對照表。

對照表包含另一個名為 customer_data_user_id 的資料欄，該欄會以位元組形式儲存使用者 ID。

編寫查詢時，請務必考慮欄位的類型。SQL 比較運算子會認為您要比較的常值類型相同。視第一方資料表儲存 user_id 的方式而定，您可能需要先為資料表中的值編碼，才能比對資料。您必須將彙整鍵轉換為位元組，才能成功比對：

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

另外，在 SQL 中比較字串時會區分大小寫，因此您可能需要為比較兩方的字串編碼來提高比較準確度。

注意：比較位元組與字串時，會以隱含方式將位元組編碼為 Base64。

查詢範例

計算相符使用者數

這項查詢會計算 Google Ads 曝光次數表格中比對成功的使用者人數。

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

SELECT COUNT(DISTINCT user_id)
FROM adh.google_ads_impressions_updm

計算媒合率

並非所有使用者都符合比對資格。舉例來說，系統不會透過 UPDM 比對已登出使用者、兒童和未同意的使用者。您可以使用 is_updm_eligible 欄位，計算更準確的「比對使用者提供的資料」媒合率。請注意，is_updm_eligible 欄位自 2024 年 10 月 1 日起開放使用。您無法使用這個欄位計算該日期前的比對率。

/* 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)

彙整第一方資料和 Google Ads 資料

這項查詢會顯示如何彙整第一方資料與 Google Ads 資料：

/* 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

UPDM 常見問題

如需 UPDM 相關常見問題清單，請參閱 UPDM 常見問題。