Funktionen von AWS Clean Rooms

Mit AWS Clean Rooms können Sie problemlos mit Hunderttausenden von Unternehmen zusammenarbeiten, die bereits AWS nutzen, ohne dass Sie eine Kopie Ihrer Daten außerhalb Ihrer AWS-Umgebung pflegen oder sie in eine andere Plattform laden müssen. Sobald Sie einen Zusammenarbeitsbereich erstellen oder ihm beitreten, können Sie Ihre Datentabellen in Ihrem AWS-Glue-Datenkatalog konfigurieren. Wenn Sie Datensätze abgleichen, Abfragen ausführen, ein ML-Modell trainieren oder prädiktive Erkenntnisse generieren, liest AWS Clean Rooms die Daten von seinem Standort aus. Wenn Sie AWS Entity Resolution in AWS Clean Rooms verwenden, werden die zugrundeliegenden Daten, die zur Konfiguration eines Datensatzes verwendet werden, der Identifikatoren mehrerer Mitarbeitenden zugeordnet wird, niemals zwischen Mitarbeitenden geteilt oder veröffentlicht. Wenn Sie die SQL-Abfrageanalyse verwenden, können Sie für Ihre Daten zulässige Regeln und SQL-Abfrageeinschränkungen festlegen. Diese werden automatisch angewendet, um die zugrunde liegenden Daten der einzelnen Teilnehmer zu schützen. Sie können beispielsweise auch Ausgabebeschränkungen konfigurieren, z. B. minimale Aggregationsschwellenwerte. Wenn Sie AWS Clean Rooms ML verwenden, werden die zugrunde liegenden Daten, die zum Trainieren eines Modells oder zur Generierung eines Lookalike-Segments verwendet werden, niemals für Mitarbeiter freigegeben, offengelegt oder von AWS zum Trainieren von Modellen verwendet.

Zusätzlich zur AWS-Managementkonsole ist die gesamte AWS-Clean-Rooms-Funktionalität über eine API zugänglich. Sie können die AWS-SDKs oder die Befehlszeilenschnittstelle (CLI) verwenden, um AWS-Clean-Rooms-Vorgänge zu automatisieren, die Funktionalität von AWS Clean Rooms in Ihre vorhandenen Workflows und Produkte zu integrieren oder Ihre eigene Version eines Clean-Room-Angebots für Ihre Kunden zu erstellen.

Mit AWS Entity Resolution in AWS Clean Rooms können Sie und Ihre Mitarbeitenden im Rahmen einer datenschutzorientierten Zusammenarbeit mit AWS Clean Rooms die zugehörigen Daten von Kundinnen und Kunden einfacher aufbereiten und abgleichen. Mithilfe regelbasierter oder auf Datendienstleistern basierender Abgleichstechniken können Sie den Datenabgleich für Anwendungsfälle wie die Planung, Ausrichtung und Bemessung von Werbekampagnen verbessern. Sie können konfigurierbare Abgleichslogik oder Datensätze und IDs von vertrauenswürdigen Datendienstleistern wie LiveRamp verwenden, um Datensätze geräte-, plattform- und kanalübergreifend zu verbinden.

Analyseregeln sind Einschränkungen, die Ihnen eine integrierte Kontrolle darüber geben, wie Ihre Daten analysiert werden können. Kollaborationsmitglieder, die als designierte Abfrage-Runner eine Kollaboration erstellen oder einer Kollaboration beitreten, können Abfragen schreiben, um Ihre Datentabellen gemäß den von Ihnen festgelegten Analyseregeln zu überschneiden und zu analysieren. AWS Clean Rooms unterstützt drei Arten von Analyseregeln: Aggregation, Liste und benutzerdefinierte Regeln.

Regel für die Aggregationsanalyse: Mit der Regel für die Aggregationsanalyse können Sie Abfragen ausführen, die aggregierte Statistiken generieren, z. B. wie groß die Schnittmenge zweier Datensätze ist. Wenn Sie die Regel für die Aggregationsanalyse verwenden, können Sie erzwingen, dass nur Aggregationsabfragen für Ihre Daten ausgeführt werden können, und Einschränkungen für bestimmte Teile der ausgeführten Abfragen erzwingen, z. B. welche Spalten nur bei einem Blind Match verwendet werden dürfen und welche Spalten in Aggregationen wie Summen, Anzahlen oder Durchschnittswerten verwendet werden können. Sie steuern auch die minimale Aggregationsbeschränkung in der Ausgabe.  Sie können auch Mindestaggregationsbeschränkungen festlegen, die es Ihnen ermöglichen Bedingungen für die Rückgabe von Ausgabezeilen festzulegen. Diese Einschränkungen haben das Format COUNT DISTINCT (Spalte) >= Schwellenwert. Wenn eine Ausgabezeile in den Abfrageergebnissen keine der Einschränkungen erfüllt, wird sie aus dem Ergebnissatz entfernt. Dies hilft Ihnen, sicherzustellen, dass Mindestaggregationsschwellenwerte automatisch durchgesetzt werden, während Sie Datenmitarbeitern Flexibilität bieten, die Abfragen ihrer Wahl zu schreiben.

Listen-Analyseregel: Mit der Listen-Analyseregel können Sie Abfragen ausführen, die die Liste der Schnittmenge mehrerer Datensätze auf Zeilenebene extrahieren, z. B. die Überlappung zweier Datensätze. Wenn Sie die Listen-Analyseregel verwenden, können Sie erzwingen, dass nur Listenabfragen für Ihre Daten ausgeführt werden können, und Einschränkungen der ausgeführten Abfragen erzwingen, z. B. welche Spalten nur bei einem Blind Match verwendet werden dürfen und welche Spalten als Liste in der Ausgabe ausgegeben werden können.

Benutzerdefinierte Analyseregel: Mit der benutzerdefinierten Analyseregel können Sie benutzerdefinierte Abfragen mithilfe der meisten ANSI-Standard-SQL erstellen, z. B. allgemeine Tabellenausdrücke (CTE) und Fensterfunktionen. Sie können Abfragen auch überprüfen und zulassen, bevor Kooperationspartner sie ausführen, und die Abfragen anderer Mitarbeiter überprüfen, bevor sie für Ihre Tabellen ausgeführt werden dürfen. Wenn Sie die benutzerdefinierte Analyseregel verwenden, können Sie die integrierte Steuerung verwenden, um im Voraus zu bestimmen oder einzuschränken, wie Ihre zugrunde liegenden Daten analysiert werden könnten, anstatt sich nach Abschluss der Analysen auf Abfrageprotokolle verlassen zu müssen. Wenn Sie benutzerdefinierte SQL-Abfragen verwenden, können Sie auch Analysevorlagen erstellen oder verwenden, um benutzerdefinierte Abfragen mit Parametern in den Kollaborationen zu speichern. Auf diese Weise können sich Kunden bei einer Zusammenarbeit leichter gegenseitig helfen. Beispielsweise kann ein Mitglied, das über mehr SQL-Erfahrung verfügt, Vorlagen erstellen, die andere Mitglieder überprüfen und möglicherweise ausführen können. Es ermöglicht auch wiederverwendbare Analysen in der Zusammenarbeit. Sie können AWS Clean Rooms Differential Privacy auch verwenden, indem Sie eine benutzerdefinierte Analyseregel auswählen und dann Ihre differenziellen Datenschutzparameter konfigurieren.

AWS Clean Rooms Differential Privacy hilft Ihnen, die Privatsphäre Ihrer Benutzer mit mathematisch gestützten und intuitiven Steuerelementen mit wenigen Schritten zu schützen. Differenzierter Datenschutz ist eine strenge mathematische Definition des Schutzes von Daten. Die Konfiguration dieser Technik ist jedoch komplex und erfordert ein tiefgreifendes Verständnis der Theorie und mathematisch strenger Formeln, um sie effektiv anzuwenden. AWS Clean Rooms Differential Privacy ist eine intuitive, vollständig verwaltete Funktion von AWS Clean Rooms, mit der Sie die erneute Identifizierung Ihrer Benutzer verhindern können. Sie benötigen keine Vorkenntnisse im Bereich des differenziellen Datenschutzes, um diese Funktion nutzen zu können. Der Differenzierte Datenschutz von AWS Clean Rooms verschleiert den Beitrag der Daten einer Person aus den aggregierten Ergebnissen einer Clean-Rooms-Kollaboration und ermöglicht es Ihnen, eine Vielzahl von SQL-Abfragen auszuführen, um Erkenntnisse über Werbekampagnen, Investitionsentscheidungen, klinische Forschung und mehr zu erhalten. Sie können AWS Clean Rooms Differential Privacy einrichten, indem Sie in Ihrer Zusammenarbeit mit AWS Clean Rooms eine benutzerdefinierte Analyseregel anwenden. Anschließend können Sie AWS Clean Rooms Differential Privacy mit Steuerelementen konfigurieren, die flexibel auf Ihre spezifischen Geschäftsanwendungsfälle zugeschnitten sind und in nur wenigen Schritten angewendet werden können. AWS Clean Rooms Differential Privacy erleichtert es Ihnen, differenziellen Datenschutz in AWS Clean Rooms-Kooperationen mit ein paar einfachen Optionen zu aktivieren – und das alles, ohne dass Sie zusätzliches Fachwissen oder eine zusätzliche Einrichtung von Ihren Partnern benötigen.

Mit Analysis Builder können Geschäftsanwender in wenigen einfachen Schritten Erkenntnisse erhalten, ohne SQL schreiben oder verstehen zu müssen. Sie können die Schritte in der geführten Benutzeroberfläche befolgen, um Abfragen zu erstellen, die den Datenbeschränkungen entsprechen, die jeder Mitarbeiter für seine Tabellen festgelegt hat, basierend auf automatisch vorgeschlagenen Kriterien wie Metriken, Segmenten und Filtern, die sich auf Ihre kollektiven Datensätze beziehen. Verwenden Sie Analysis Builder bei Kollaborationen, in denen eine oder zwei Tabellen entweder mit einer Aggregations- oder Listen-Analyseregel konfiguriert sind.

AWS Clean Rooms ML hilft Ihnen und Ihren Partnern, datenschutzfreundliches ML anzuwenden, um prädiktive Erkenntnisse zu gewinnen, ohne Rohdaten miteinander teilen zu müssen. Das erste Modell der Funktion ist darauf spezialisiert, Unternehmen bei der Erstellung von Lookalike-Segmenten zu unterstützen. Mit der Lookalike-Modellierung von AWS Clean Rooms ML können Sie Ihr eigenes benutzerdefiniertes Modell mithilfe Ihrer Daten trainieren und Ihre Partner einladen, eine kleine Stichprobe ihrer Datensätze in eine Kollaboration einzubringen. So können Sie einen erweiterten Satz ähnlicher Datensätze generieren und gleichzeitig die zugrunde liegenden Daten von Ihnen und Ihren Partnern schützen. Modellierung für das Gesundheitswesen ist in einigen Monaten verfügbar.

Mit AWS Clean Rooms ML behalten Sie die volle Kontrolle und das Eigentum an Ihren trainierten Modellen – auch darüber, wann Sie sie verwenden, um Lookalike-Segmente mit Ihren Partnern zu generieren, oder wann Sie sie löschen. Ihre Daten werden nur zum Trainieren Ihres Modells, nicht für das AWS-Modelltraining verwendet. Sie können intuitive Kontrollen verwenden, mit denen Sie und Ihre Partner die Prognoseergebnisse des Modells optimieren können. Beispielsweise kann eine Fluggesellschaft Daten über ihre Kunden nutzen, mit einem Online-Buchungsservice zusammenarbeiten und potenzielle Reisende mit ähnlichen Merkmalen identifizieren, ohne dass eines der Unternehmen seine zugrunde liegenden Daten für den anderen freigeben muss. Mit AWS Clean Rooms ML müssen Sie keine Daten austauschen, um ML-Modelle mit Ihren Partnern zu erstellen, zu trainieren und bereitzustellen.

AWS Clean Rooms ML wurde für verschiedene Datensätze entwickelt und getestet, z. B. für E-Commerce und Streaming-Video, und kann Ihnen dabei helfen, die Genauigkeit der Lookalike-Modellierung im Vergleich zu repräsentativen Branchen-Baselines um bis zu 36 % zu verbessern. In realen Anwendungen wie der Neukundenakquise kann diese Verbesserung der Genauigkeit zu Einsparungen in Millionenhöhe führen.