Segmentación privacy-first: construir ad tech sin cookies de terceros

Un DSP de primer nivel midió su tasa de coincidencia de audiencia la semana posterior a que Chrome aplicara la retirada total de las cookies de terceros. Cayó del 72% al 31% de la noche a la mañana.

Los equipos que se recuperaron más rápido ya habían construido pipelines de segmentación multiseñal. El resto pasó meses adaptando lo que tenía.

Incorpora datos first-party como la señal de targeting de mayor valor

Las empresas con relación directa con sus usuarios - a través de programas de fidelización, experiencias autenticadas y suscripciones a newsletters - poseen los datos más valiosos de la publicidad programática.

Una plataforma demand-side que ingiere señales first-party autenticadas empareja un 20-40% más de impresiones que una que depende de segmentos probabilísticos. El trabajo de ingeniería incluye:

• Pipelines flexibles de resolución de identidad que aceptan correos hasheados, eventos de login e IDs proporcionados por el publisher
• Límites de aislamiento de PII que impiden que los datos brutos de usuarios crucen los bordes del sistema - el ad exchange nunca ve identificadores sin hashear
• Evaluación de segmentos en tiempo real en el momento de la puja, no segmentos calculados por lotes que quedan obsoletos en cuestión de horas
• APIs de incorporación de datos de publishers que aceptan taxonomías personalizadas sin requerir cambios de esquema en el lado de la DSP

Despliega IA contextual que rivalice con la precisión del targeting a nivel de usuario

La segmentación contextual ha avanzado mucho más allá de la coincidencia de palabras clave. Los modelos basados en transformers analizan la semántica completa de la página - tema, sentimiento, señales de brand safety - y ofrecen una precisión de segmentación de audiencias que rivaliza con los datos a nivel de usuario en muchos tipos de campaña.

La ventaja para los equipos de desarrollo ad tech: las señales contextuales no requieren datos de usuario, ni la complejidad de gestionar el consentimiento, ni exposición regulatoria. La restricción: la inferencia debe ocurrir en el momento de la solicitud del anuncio.

• Un clasificador contextual que añade 5ms a cada evaluación de puja es demasiado lento para una plataforma de pujas en tiempo real con un timeout de 10ms
• La preclasificación de las páginas de los publishers durante el rastreo reduce la sobrecarga en tiempo real a una consulta en caché de menos de 0.5ms
• Los modelos semánticos entrenados con los requisitos de brand safety propios de cada anunciante superan a los clasificadores genéricos en un 15-25% en métricas de relevancia

La IA contextual ofrece segmentación sin datos de usuario. El costo de ingeniería es la velocidad de inferencia, no el cumplimiento en privacidad.

Integrar tres tecnologías de mejora de la privacidad que alcanzan madurez de producción

Tres categorías de tecnologías de mejora de la privacidad (PETs) ya funcionan en producción:

• Procesamiento en el dispositivo - la inferencia de ML se ejecuta en el dispositivo del usuario y solo envía señales agregadas al ad exchange. SKAdNetwork de Apple y la Topics API de Google siguen este patrón.
• Clean rooms - tanto los equipos de desarrollo de DSP como los de SSP usan clean rooms para cruzar conjuntos de datos first-party sin que ninguna de las partes exponga datos brutos de usuarios. Hacer que estos cruces sean lo bastante rápidos para alimentar decisiones de puja en tiempo real es el reto de ingeniería central.
• Privacidad diferencial - ruido calibrado añadido a los datos agregados que impide identificar a usuarios individuales. Útil para medición e informes donde no hace falta precisión exacta a nivel de usuario.

Resuelve el reto de monetización de la supply-side platform

Los publishers se enfrentan a un problema concreto: monetizar el inventario sin filtrar datos de usuario a cada pujador de la cadena de subasta.

Las seller-defined audiences permiten a la supply-side platform clasificar a sus propios usuarios en segmentos y ofrecer esos segmentos a los compradores sin revelar identidades individuales. La implementación requiere:

• El SSP que ejecuta sus propios modelos de clasificación de audiencias sobre los datos first-party del publisher
• Taxonomías de segmentos compatibles con las expectativas de los compradores - IAB Content Taxonomy 3.0 como base
• Señales de segmento transmitidas en la bid request sin añadir latencia a la subasta - objetivo: menos de 1ms de sobrecarga

Gestionar entornos de apps móviles donde no existen las señales del navegador

Las impresiones in-app carecen por completo de señales a nivel de navegador. El IDFA es opt-in en iOS, con tasas de consentimiento de aproximadamente el 25%.

Construir una segmentación de audiencias eficaz en móvil implica invertir en:

• Señales contextuales a nivel de SDK - categoría de la app, profundidad de sesión, patrones de comportamiento in-app
• Modelos de inferencia en el dispositivo que puntúan la intención del usuario sin transmitir datos de comportamiento sin procesar
• Callbacks de atribución server-to-server que sustituyen al seguimiento basado en píxeles: requieren una infraestructura fiable, lógica de deduplicación y un diseño tolerante a la latencia, ya que los callbacks llegan minutos u horas después de la impresión
• Modelos de click-through rate reentrenados específicamente para contextos in-app, donde los patrones de interacción del usuario difieren notablemente de los de la web

Construir pipelines flexibles que sobrevivan al próximo cambio en la segmentación

El panorama del targeting sigue cambiando cada trimestre. Los equipos de ingeniería que construyen pipelines rígidos en torno a un único enfoque se enfrentan a retrabajos costosos.

• Construir capas de ingesta que acepten múltiples tipos de señales - first-party, contextuales, por cohortes - a través de una interfaz unificada
• Invierte en una resolución de identidad que funcione tanto en contextos autenticados como anónimos
• Tratar la infraestructura de medición como una prioridad de ingeniería de primer nivel, no como un apéndice de los informes
• Medir cada cómputo relacionado con la privacidad contra el presupuesto de timeout de la subasta