Data clean room para una red de retail media o una plataforma publicitaria: usar el que ofrece tu nube, licenciar un producto o construir uno propio

Un data clean room es un espacio de trabajo compartido, normalmente en la nube, donde dos empresas cruzan sus datos de clientes y ejecutan solo los análisis que han acordado. Si está bien configurado, ninguna de las partes ve los registros en bruto de la otra. Una red de retail media puede usar uno para decirle a una marca cuántos compradores vieron sus anuncios y después compraron sus productos. La marca recibe un total, no una lista de nombres. Puedes usar el clean room que ofrece tu nube o tu almacén de datos, licenciar un producto de clean room o construir uno propio. La elección depende de dónde están tus datos y los de tus anunciantes, y de si el clean room forma parte de lo que vendes.

¿Qué hace un data clean room por una red de retail media o una plataforma publicitaria?

En un caso típico de retail media, una marca ha publicado anuncios de productos patrocinados, las fichas de pago de tus resultados de búsqueda. Tú aportas las visualizaciones de anuncios y las ventas, y la marca aporta su lista de clientes. Ambas partes convierten cada correo electrónico en un código con la misma fórmula irreversible, llamada hashing, de modo que el mismo correo siempre da el mismo código. El clean room cruza los códigos, y la marca recibe totales, como cuántos de los compradores coincidentes vieron los anuncios y cuántos compraron.

El personal de la Comisión Federal de Comercio de Estados Unidos (FTC) escribió sobre los clean rooms en una publicación de noviembre de 2024 del blog de tecnología de la agencia. Los describió como «servicios de procesamiento de datos en la nube que permiten a las empresas intercambiar y analizar datos, sujetos a reglas que limitan el uso de los datos».

El Interactive Advertising Bureau (IAB), la asociación sectorial estadounidense de la publicidad digital, publicó el 29 de septiembre de 2026 un marco sobre los clean rooms en el comercio. Su página enumera usos como «solapamiento de audiencias, enriquecimiento de datos, segmentación, supresión». Dicho de forma sencilla: cuántos clientes tienes en común, qué más averiguas sobre ellos y a quién mostrar anuncios o a quién dejar fuera.

Los editores y las plataformas publicitarias usan el mismo esquema. Un editor puede cruzar sus lectores con sesión iniciada con los clientes de un anunciante. Una DSP (demand-side platform), el sistema que usan los anunciantes para comprar anuncios, puede cruzar a las personas que vieron sus anuncios con las ventas de un anunciante.

¿Qué no resuelve un clean room?

Un clean room solo protege los datos en la medida en que esté bien configurado. El personal de la FTC escribió en la misma publicación: «Por defecto, la mayoría de los servicios que ofrecen DCR no preservan la privacidad». DCR son las siglas de data clean room. Y añadía: «En cambio, las empresas deben configurar y desplegar deliberadamente cada restricción para que sea eficaz».

Las reglas sobre las consultas no detectan todos los trucos. La documentación de Google sobre BigQuery data clean rooms advierte de que las reglas de análisis «podrían no impedir del todo que consultas sofisticadas extraigan datos no autorizados». La documentación de AWS Clean Rooms describe uno de esos trucos: averiguar algo sobre una persona «añadiendo o eliminando registros sobre un individuo y observando la diferencia en los resultados de las consultas».

El hashing no hace anónimos los datos. El personal de la FTC escribió en el mismo blog en julio de 2024: «Las empresas no deben actuar ni afirmar como si aplicar hashing a la información personal la anonimizara». La Comisión Europea dice que los datos personales que hayan sido «desidentificados, cifrados o seudonimizados, pero que puedan utilizarse para volver a identificar a una persona, siguen siendo datos personales». Por tanto, se les aplica el RGPD (GDPR), la principal ley de protección de datos de la UE. Seudonimizados significa que los nombres se sustituyeron por códigos que todavía pueden vincularse con las personas.

Las obligaciones legales siguen siendo de cada empresa. IAB Tech Lab redacta estándares técnicos para la publicidad digital. Su guía sobre clean rooms califica el cumplimiento de la normativa de privacidad como «responsabilidad del Data Contributor», es decir, de la empresa que aporta los datos. Dice que los socios deben confiar en que cada uno aporte «datos completos y precisos (no falsificados, manipulados ni inflados)». También señala que las tasas de coincidencia, la proporción de registros que encuentran pareja en el otro lado, «pueden ser distintas de lo esperado».

A veces no necesitas ningún clean room. El marco del IAB para el comercio dice que los clean rooms «no son la solución adecuada para todas las necesidades de datos o de medición».

Todas las fuentes de este artículo se consultaron el 3 de noviembre de 2026. Las citas de la FTC proceden de publicaciones de blog de su personal, no de normas de la FTC. En materia de normativa de privacidad, el artículo solo cita fuentes de la UE y de Estados Unidos. Otros países tienen sus propias normas.

¿Qué nubes y almacenes de datos ofrecen un clean room?

AWS, Google Cloud, Snowflake y Databricks ofrecen cada uno el suyo dentro de su propio servicio. Un almacén de datos (data warehouse) es la base de datos donde una empresa guarda sus registros para analizarlos. En qué se diferencian para un comprador:

• AWS Clean Rooms: AWS dice que la colaboración «no requiere sacar los datos de AWS ni cargarlos en otro proveedor de servicios en la nube». El servicio también puede leer datos guardados en Snowflake y Databricks. Quien configura el clean room elige qué socio paga las consultas.
• BigQuery data clean rooms, en Google Cloud: Google dice que sus controles de salida, las reglas sobre lo que puede salir del clean room, impiden automáticamente que los socios que consultan los datos copien y exporten datos en bruto.
• Snowflake Data Clean Rooms: la documentación de Snowflake dice que «los proveedores de datos deben usar Snowflake Enterprise Edition» y que «quien ejecuta el análisis asume su coste», así que el socio que ejecuta una consulta es quien la paga.
• Databricks Clean Rooms: Databricks dice que los colaboradores «no pueden ver los datos de las tablas, vistas o volúmenes de otros colaboradores». Por defecto, los demás colaboradores tienen que aprobar cada fragmento de código de análisis antes de que se ejecute.

¿Cuándo deberíamos usar el clean room que ofrece nuestra nube o nuestro almacén de datos?

Úsalo cuando se cumplan la mayoría de estos puntos:

• Tus logs de anuncios y tus registros de ventas ya están en esa plataforma
• La mayoría de las marcas con las que quieres trabajar están en la misma plataforma, o esta puede leer sus datos allí donde están
• Las marcas quieren unos pocos análisis estándar, como el solapamiento de audiencias y las ventas posteriores a una campaña
• Tienes ingenieros de datos para fijar las reglas, escribir las consultas aprobadas y ayudar a cada marca nueva a empezar

La pega son las marcas que están en otras plataformas, que quizá tengan que abrir una cuenta en la tuya o copiar allí sus datos. La guía de IAB Tech Lab advierte de que «mover datos entre algunas plataformas de DCR puede ser engorroso o costoso». Además, el clean room de la nube es una herramienta general, no un producto de retail media. Las pantallas y los informes para tus marcas, y la ayuda a cada marca nueva, corren de tu cuenta: los construyes tú o los gestionas a mano.

¿Cuándo deberíamos licenciar un producto de clean room?

Contrata la licencia de uno cuando:

• Las marcas con las que quieres trabajar tienen sus datos en muchas nubes y almacenes de datos distintos, y necesitas a la mayoría de ellas este año
• Quieres análisis y pantallas ya preparados que el equipo de marketing de una marca pueda usar sin escribir código
• Tu equipo de datos es pequeño y prefieres pagar a un proveedor para que mantenga las conexiones funcionando

Algunos productos se conectan a muchas plataformas a la vez. La guía de primeros pasos de LiveRamp para minoristas dice que puedes configurar conexiones de datos con la mayoría de las ubicaciones de almacenamiento en la nube, «incluidas AWS, GCS, Azure Blob, Snowflake, Google BigQuery y Databricks». Incluye una oferta ya preparada, Retail Intelligence, que «conecta una marca y una RMN (más una capa opcional de datos de editores)». RMN son las siglas en inglés de red de retail media.

El coste son las tarifas y menos control sobre lo que puedes medir. La guía de IAB Tech Lab dice que «la estructura de precios de los DCR puede variar enormemente» y sugiere preguntar si cada participante necesita su propia licencia. Si más adelante te vas, puede que tengas que reconstruir los análisis y volver a configurar cada marca.

¿Cuándo compensa construir nuestro propio clean room?

Construir compensa en estos casos:

• El clean room forma parte de lo que vendes, y quieres tus propias reglas de medición y de audiencias
• Las audiencias tienen que llegar a tu subasta de productos patrocinados y a tu ad server, el sistema que elige y cuenta los anuncios, sin que salgan listas de compradores de tus sistemas
• Las tarifas por consulta o por socio han crecido hasta superar el coste de un equipo que opere tu propio sistema

Construir no tiene por qué significar crear un nuevo motor de privacidad. Amazon Ads llama a Amazon Marketing Cloud, su clean room para anunciantes, una «solución de clean room basada en la nube» y dice que está «construido sobre AWS Clean Rooms». Tu propia capa sobre un clean room en la nube puede incluir el cruce de datos, las consultas aprobadas, las pantallas para las marcas, los logs y la conexión con tu ad server.

El trabajo sigue después del lanzamiento: alguien tiene que revisar las consultas nuevas, responder a las preguntas de las marcas sobre las cifras, aplicar las solicitudes de eliminación y seguir los nuevos estándares. Si nadie de tu equipo va a encargarse de eso, empieza por usar un clean room o contratar la licencia de uno.

¿Qué decidimos nosotros, sea cual sea la vía que elijamos?

El software aplica estas reglas, pero las decide tu equipo:

• Cruce de identidades: con qué dato cruzas a las personas, como el correo electrónico o el número de la tarjeta de fidelización, y cómo lo prepara cada parte. El protocolo PAIR (Publisher Advertiser Identity Reconciliation) de IAB Tech Lab «se basa en criptografía conmutativa». Cada parte cifra los identificadores con su propia clave secreta, y los valores cifrados dos veces se pueden comparar sin que nadie los descifre. PAIR sustituyó a la especificación anterior, OPJA, que IAB Tech Lab declaró obsoleta en julio de 2025. Para medir qué ventas siguieron a qué anuncios, IAB Tech Lab publicó la versión definitiva de ADMaP (Attribution Data Matching Protocol) en febrero de 2025.
• Consentimiento: un registro de lo que aceptó cada comprador. La guía de IAB Tech Lab pide a toda empresa que aporte datos que «presente pruebas del consentimiento, cuando proceda o sea obligatorio».
• Consultas permitidas: los análisis que puede ejecutar cada marca, redactados y aprobados de antemano. AWS los llama analysis templates, y Google, query templates.
• Tamaño mínimo de audiencia: cada fila de un resultado debe abarcar a suficientes personas como para que nadie destaque. La guía de IAB Tech Lab no fija ninguna cifra. Ads Data Hub de Google, su herramienta para analizar los datos de los anuncios de Google, pide unos 50 usuarios únicos por fila de resultado en su modo de comprobaciones de diferencias. Pide unos 20 en su modo de inyección de ruido, y unos 10 cuando una consulta solo lee datos de clics y conversiones. AWS descarta las filas que no llegan al mínimo, y «el resultado de la consulta no indica que se hayan eliminado resultados debido a la restricción de salida». Explica a las marcas por qué los totales pueden no cuadrar.
• Ruido y límites de consultas: la privacidad diferencial añade un poco de ruido aleatorio a cada respuesta, de modo que el resultado apenas cambia tanto si una persona está en los datos como si no. En AWS, cada consulta consume una parte de un presupuesto de privacidad. El presupuesto y el ruido añadido a cada consulta limitan cuántas consultas puede ejecutar un socio.
• Logs: quién ejecutó qué consulta y cuándo. La guía de IAB Tech Lab dice que estos registros «deberían ser visibles de forma transparente para todos los Data Contributors».
• Salida de resultados: una audiencia tiene que llegar a tu ad server o a la DSP de una marca en un formato que el sistema publicitario pueda usar, no como una lista descargable de correos electrónicos.
• Borrado: cuando termina una colaboración, la guía pide «la eliminación y destrucción sin demora de los datos del Data Contributor, así como de cualquier resultado del DCR».

¿Qué debemos comprobar antes de firmar con una nube o con un proveedor?

• ¿Nuestros datos se quedan en nuestra propia cuenta o se hace una copia en otro sitio?
• ¿Necesita cada marca una cuenta o una licencia en la misma plataforma, y quién la paga?
• ¿Quién paga cada consulta y cómo cambia la factura cuando se duplica el número de marcas?
• ¿Podemos añadir nuestras propias consultas aprobadas y fijar para cada marca el tamaño mínimo de audiencia, el ruido y los límites de consultas?
• ¿Podemos ver cada consulta ejecutada sobre nuestros datos, con quién la ejecutó y cuándo?
• ¿Cómo se aplican las solicitudes de eliminación y las retiradas del consentimiento a los datos que ya están en el clean room?
• ¿Qué podemos llevarnos si nos vamos: las consultas aprobadas, los logs y las tablas de correspondencia que vinculan los IDs de nuestros compradores con los IDs de los socios?

¿De quién son el código, las consultas y los datos?

En un clean room en la nube, el servicio es del proveedor, y las consultas que escribe tu equipo son tuyas. En un producto con licencia, los análisis escritos para ti son tuyos solo si el contrato lo dice. Si lo construyes tú, puedes ser dueño del código fuente y contratar a cualquier equipo para modificarlo. Pide a quien lo construya que enumere en el contrato los componentes que se reserva y la licencia que te permite seguir usándolos.

Sea cual sea la vía, incluye tres cosas en el contrato. Tus datos de compradores y de ventas siguen siendo tuyos, y el proveedor solo puede usarlos para operar tu clean room. Las consultas aprobadas contienen tu método de medición, así que deberías poder llevártelas. Trata las tablas de correspondencia como datos personales, y haz que el contrato diga dónde se guardan y cuándo se eliminan.

¿Qué deberíamos preguntar a una empresa que lo construiría?

• ¿Construirán sobre el clean room de nuestra nube o escribirán ustedes mismos el núcleo, y por qué?
• ¿Con qué datos cruzarán a los compradores, y seguirán PAIR para el cruce y ADMaP para la medición?
• ¿Cómo se aprobarán las consultas de cada marca y dónde se aplica el tamaño mínimo de audiencia?
• ¿Cómo van a impedir que una marca averigüe algo sobre un comprador concreto comparando dos resultados?
• ¿Cómo llegan las audiencias a nuestro ad server y a nuestra subasta, y cuánto tarda eso?
• ¿Qué registran los logs, quién puede leerlos y cuánto tiempo se conservan?
• ¿Cómo llegará una solicitud de eliminación o una retirada del consentimiento a los datos que ya se han cruzado?
• ¿Puedes mostrar esto en acción en un sistema que funcione hoy?

¿Dónde encaja amBrain?

amBrain publica este blog. Dos de sus líneas describen los sistemas que hay a ambos lados de un clean room: los eventos publicitarios que entran y el ad server que usa las audiencias que salen. Una dice: «amBrain construye pipelines de analítica de eventos para ad tech: recopilación, procesamiento e informes de eventos de impresión y de clic». La otra: «amBrain construye ad servers: segmentación, frequency capping e informes». Una tercera línea dice: «RTBBidder, una demand-side platform que construimos para un cliente».

amBrain desarrolla software desde 2019. Sobre cómo trabaja con sus clientes, dice: «Tres formatos: entrega completa, un equipo dedicado o ingenieros integrados en tu equipo». Sobre la propiedad, su frase es: «El cliente conserva la propiedad completa del producto y del código, salvo nuestros componentes reutilizables». Pide la lista de esos componentes, nombre por nombre, antes de firmar.

Este artículo no es un caso de estudio. Aparte de nombrar RTBBidder, no describe ningún trabajo para clientes. No dice que amBrain haya construido, licenciado o configurado un data clean room para ningún cliente, y no da precios ni plazos de amBrain. Cita a las demás organizaciones mencionadas aquí a partir de sus páginas publicadas y no afirma que amBrain tenga relación alguna con ninguna de ellas.

Tampoco es asesoramiento jurídico. Comprueba con un abogado cómo se aplica la normativa de privacidad a tus datos. Si amBrain está en tu lista corta, hazle las mismas preguntas que a cualquier otra empresa.