Data clean room para uma rede de retail media ou plataforma de anúncios: usar o que a sua nuvem oferece, licenciar um produto ou construir o seu próprio

Um data clean room é um ambiente de trabalho compartilhado, geralmente na nuvem, em que duas empresas cruzam os dados dos seus clientes e rodam apenas as análises que combinaram. Quando ele é bem configurado, nenhum dos lados vê os registros brutos do outro. Uma rede de retail media pode usar um para mostrar a uma marca quantos compradores viram os anúncios dela e depois compraram os produtos dela. A marca recebe um total, e não uma lista de nomes. Você pode usar o clean room que a sua nuvem ou o seu data warehouse oferece, licenciar um produto de clean room ou construir o seu próprio. A escolha depende de onde ficam os seus dados e os dados dos seus anunciantes, e de se o clean room faz parte do que você vende.

O que um data clean room faz por uma rede de retail media ou por uma plataforma de anúncios?

Em um caso típico de retail media, uma marca veiculou anúncios de produtos patrocinados, as listagens pagas nos seus resultados de busca. Você traz as visualizações de anúncios e as vendas, e a marca traz a lista de clientes dela. Os dois lados transformam cada e-mail em um código com a mesma fórmula de mão única, chamada hashing, de modo que o mesmo e-mail sempre gera o mesmo código. O clean room cruza os códigos, e a marca recebe totais, como quantos compradores em comum viram os anúncios e quantos compraram.

A equipe da Comissão Federal de Comércio (FTC) dos EUA escreveu sobre clean rooms em um post de novembro de 2024 no blog de tecnologia da agência. Ela os descreveu como “serviços de processamento de dados em nuvem que permitem que as empresas troquem e analisem dados, sujeitos a regras que limitam o uso dos dados.”

O Interactive Advertising Bureau (IAB), a associação setorial dos EUA para a publicidade digital, publicou em 29 de setembro de 2026 um framework sobre clean rooms no comércio. A página dele lista usos como “sobreposição de audiência, enriquecimento de dados, segmentação, supressão”. Em termos simples: quantos clientes vocês têm em comum, o que mais você descobre sobre eles e para quem exibir anúncios ou quem deixar de fora.

Publishers e plataformas de anúncios usam o mesmo modelo. Um publisher pode cruzar os seus leitores logados com os clientes de um anunciante. Um DSP (demand-side platform), o sistema que os anunciantes usam para comprar anúncios, pode cruzar as pessoas que viram os anúncios dele com as vendas de um anunciante.

O que um clean room não resolve?

Um clean room protege os dados só na medida em que foi bem configurado. A equipe da FTC escreveu no mesmo post: “Por padrão, a maioria dos serviços que oferecem DCRs não preserva a privacidade.” DCR é a sigla de data clean room. E continuou: “Em vez disso, as empresas precisam configurar e implantar intencionalmente cada restrição para que ela seja eficaz.”

As regras sobre consultas não barram todos os truques. A documentação do Google para os BigQuery data clean rooms alerta que as regras de análise “podem não impedir totalmente que consultas sofisticadas extraiam dados não autorizados.” A documentação do AWS Clean Rooms descreve um desses truques: descobrir informações sobre uma pessoa “adicionando ou removendo registros sobre um indivíduo e observando a diferença nos resultados das consultas.”

O hashing não torna os dados anônimos. A equipe da FTC escreveu no mesmo blog, em julho de 2024: “As empresas não devem agir nem alegar como se o hashing de informações pessoais as tornasse anonimizadas.” A Comissão Europeia diz que dados pessoais que foram “desidentificados, criptografados ou pseudonimizados, mas que podem ser usados para reidentificar uma pessoa, continuam sendo dados pessoais”. Por isso, o GDPR, a principal lei de proteção de dados da UE, se aplica a eles. Pseudonimizados significa que os nomes foram substituídos por códigos que ainda podem ser vinculados às pessoas.

As obrigações legais continuam com cada empresa. O IAB Tech Lab escreve padrões técnicos para a publicidade digital. As orientações dele sobre clean rooms tratam o cumprimento da legislação de privacidade como “a responsabilidade do Contribuidor de Dados”, ou seja, da empresa que traz os dados. Elas dizem que os parceiros precisam confiar que cada um trará “dados completos e precisos (não falsificados/adulterados/inflados)”. Também observam que as taxas de match, a parcela dos registros que encontram um par do outro lado, “podem ser diferentes do esperado”.

Às vezes você nem precisa de um clean room. O framework do IAB para o comércio diz que os clean rooms “não são a solução certa para toda necessidade de dados ou de medição.”

Todas as fontes deste artigo foram consultadas em 3 de novembro de 2026. As citações da FTC vêm de posts de blog da equipe da agência, e não de regras da FTC. Sobre a legislação de privacidade, o artigo cita apenas fontes da UE e dos EUA. Outros países têm as suas próprias regras.

Quais nuvens e data warehouses oferecem um clean room?

AWS, Google Cloud, Snowflake e Databricks oferecem, cada um, um clean room dentro do próprio serviço. Um data warehouse é o banco de dados em que uma empresa guarda os seus registros para análise. Como eles diferem para quem compra:

• AWS Clean Rooms: a AWS diz que a colaboração “não exige mover dados para fora da AWS nem carregá-los em outro provedor de serviços de nuvem”. O serviço também consegue ler dados guardados no Snowflake e no Databricks. Quem configura o clean room escolhe qual parceiro paga pelas consultas.
• BigQuery data clean rooms, no Google Cloud: o Google diz que os seus controles de saída (egress controls), as regras sobre o que pode sair do clean room, impedem automaticamente que os parceiros que consultam os dados copiem e exportem dados brutos.
• Snowflake Data Clean Rooms: a documentação da Snowflake diz que “os Provedores de Dados precisam usar a Snowflake Enterprise Edition” e que “quem executa a análise arca com o custo da análise”, então o parceiro que roda uma consulta paga por ela.
• Databricks Clean Rooms: a Databricks diz que os colaboradores “não conseguem ver os dados das tabelas, views ou volumes dos outros colaboradores”. Por padrão, os outros colaboradores precisam aprovar cada trecho de código de análise antes que ele rode.

Quando devemos usar o clean room que a nossa nuvem ou o nosso data warehouse oferece?

Use-o quando a maioria destes pontos se aplicar:

• Os seus logs de anúncios e os seus registros de vendas já estão nessa plataforma
• A maioria das marcas com que você quer trabalhar está na mesma plataforma, ou ela consegue ler os dados dessas marcas no lugar onde eles estão
• As marcas querem algumas análises padrão, como sobreposição de audiência e vendas depois de uma campanha
• Você tem engenheiros de dados para definir as regras, escrever as consultas aprovadas e ajudar cada nova marca a começar

O problema são as marcas em outras plataformas, que podem ter de abrir uma conta na sua ou copiar os dados para lá. As orientações do IAB Tech Lab alertam que “mover dados entre algumas plataformas de DCR pode ser trabalhoso ou caro.” O clean room da nuvem também é uma ferramenta genérica, e não um produto de retail media. As telas e os relatórios para as suas marcas, e o apoio a cada nova marca, ficam por sua conta: você constrói ou resolve à mão.

Quando devemos licenciar um produto de clean room?

Licencie um quando:

• As marcas com que você quer trabalhar guardam os dados em muitas nuvens e data warehouses diferentes, e você precisa da maioria delas ainda este ano
• Você quer análises e telas prontas que o time de marketing de uma marca consiga usar sem escrever código
• O seu time de dados é pequeno, e você prefere pagar a um fornecedor para manter as conexões funcionando

Alguns produtos se conectam a muitas plataformas ao mesmo tempo. O guia de primeiros passos da LiveRamp para varejistas diz que você pode configurar conexões de dados com a maioria dos locais de armazenamento em nuvem, “incluindo AWS, GCS, Azure Blob, Snowflake, Google BigQuery e Databricks”. Ele lista uma oferta pronta, a Retail Intelligence, que “conecta uma marca e uma RMN (mais a sobreposição opcional de um publisher)”. RMN significa retail media network, ou rede de retail media.

O custo são as taxas e um controle menor sobre o que você consegue medir. As orientações do IAB Tech Lab dizem que “a estrutura de preços de DCR pode variar drasticamente” e sugerem perguntar se cada participante precisa da própria licença. Se você sair depois, talvez precise refazer as análises e configurar todas as marcas de novo.

Quando vale a pena construir o nosso próprio clean room?

Construir compensa nestes casos:

• O clean room faz parte do que você vende, e você quer as suas próprias regras de medição e de audiências
• As audiências precisam chegar ao seu leilão de produtos patrocinados e ao seu ad server, o sistema que escolhe e contabiliza os anúncios, sem que listas de compradores saiam dos seus sistemas
• As taxas por consulta ou por parceiro ficaram maiores do que o custo de um time que opera o seu próprio sistema

Construir não precisa significar um novo motor de privacidade. A Amazon Ads chama o Amazon Marketing Cloud, o seu clean room para anunciantes, de “solução de clean room baseada em nuvem” e diz que ele é “construído com base no AWS Clean Rooms”. A sua própria camada sobre o clean room de uma nuvem pode abrigar o cruzamento, as consultas aprovadas, as telas para as marcas, os logs e a ligação com o seu ad server.

O trabalho continua depois do lançamento: alguém precisa revisar novas consultas, responder às perguntas das marcas sobre os números, aplicar os pedidos de exclusão e acompanhar os novos padrões. Se ninguém no seu time vai assumir isso, use ou licencie um clean room primeiro.

O que nós mesmos decidimos, seja qual for o caminho que escolhermos?

O software aplica estas regras, mas quem as decide é o seu time:

• Cruzamento de identidades: com base em que dado você cruza as pessoas, como o e-mail ou o número do cartão de fidelidade, e como cada lado prepara esse dado. O protocolo PAIR (Publisher Advertiser Identity Reconciliation) do IAB Tech Lab “se baseia em criptografia comutativa”. Cada lado embaralha os identificadores com a sua própria chave secreta, e os valores embaralhados duas vezes podem ser comparados sem que ninguém os desembaralhe. O PAIR substituiu a especificação anterior, OPJA, que o IAB Tech Lab descontinuou em julho de 2025. Para medir quais vendas vieram depois de quais anúncios, o IAB Tech Lab finalizou o ADMaP (Attribution Data Matching Protocol) em fevereiro de 2025.
• Consentimento: um registro daquilo que cada comprador aceitou. As orientações do IAB Tech Lab pedem que cada empresa que traz dados “forneça evidências de consentimento, quando aplicável/exigido”.
• Consultas permitidas: as análises que cada marca pode rodar, escritas e aprovadas com antecedência. A AWS as chama de modelos de análise (analysis templates), e o Google, de modelos de consulta (query templates).
• Tamanho mínimo de audiência: cada linha de um resultado precisa abranger pessoas suficientes para que ninguém se destaque. As orientações do IAB Tech Lab não definem um número. O Ads Data Hub, ferramenta do Google para analisar os dados de anúncios do próprio Google, pede cerca de 50 usuários únicos por linha de resultado no modo de verificações de diferença (difference checks). Pede cerca de 20 no modo de injeção de ruído (noise injection) e cerca de 10 quando uma consulta lê apenas dados de cliques e de conversões. A AWS descarta as linhas abaixo do mínimo, e “O resultado da consulta não indica que resultados foram removidos por causa da restrição de saída.” Explique às marcas por que os totais podem não bater.
• Ruído e limites de consultas: a privacidade diferencial acrescenta um pouco de ruído aleatório a cada resposta, de modo que o resultado quase não muda, esteja ou não uma determinada pessoa nos dados. Na AWS, cada consulta consome parte de um orçamento de privacidade. O orçamento e o ruído acrescentado por consulta limitam quantas consultas um parceiro pode rodar.
• Logs: quem rodou qual consulta, e quando. As orientações do IAB Tech Lab dizem que esses registros “devem ser visíveis de forma transparente para todos os Contribuidores de Dados”.
• Saída dos resultados: uma audiência precisa chegar ao seu ad server ou ao DSP de uma marca em um formato que o sistema de anúncios consiga usar, e não como uma lista de e-mails para download.
• Exclusão: quando uma colaboração termina, as orientações pedem a “remoção e destruição imediatas dos dados do Contribuidor de Dados, bem como de quaisquer resultados do DCR”.

O que devemos verificar antes de assinar com um provedor de nuvem ou um fornecedor?

• Os nossos dados ficam na nossa própria conta, ou é feita uma cópia em outro lugar?
• Cada marca precisa de uma conta ou de uma licença na mesma plataforma, e quem paga por isso?
• Quem paga por cada consulta, e como a conta muda quando o número de marcas dobra?
• Podemos adicionar as nossas próprias consultas aprovadas e definir o tamanho mínimo de audiência, o ruído e os limites de consultas para cada marca?
• Podemos ver cada consulta rodada nos nossos dados, com quem a rodou e quando?
• Como os pedidos de exclusão e os consentimentos retirados são aplicados aos dados que já estão no clean room?
• O que podemos levar se sairmos: as consultas aprovadas, os logs e as tabelas de correspondência que ligam os IDs dos nossos compradores aos IDs dos parceiros?

Quem é o dono do código, das consultas e dos dados?

Em um clean room de nuvem, o provedor é dono do serviço, e as consultas que o seu time escreve são suas. Em um produto licenciado, as análises escritas para você só são suas se o contrato disser isso. Com um sistema próprio, você pode ser dono do código-fonte e contratar qualquer time para alterá-lo. Peça a quem for construir que liste no contrato todos os componentes que ficam com ele e a licença que permite que você continue a usá-los.

Seja qual for o caminho, coloque três coisas no contrato. Os seus dados de compradores e de vendas continuam sendo seus, e o provedor só pode usá-los para operar o seu clean room. As consultas aprovadas contêm o seu método de medição, por isso você deve poder levá-las com você. Trate as tabelas de correspondência como dados pessoais e garanta que o contrato diga onde elas ficam guardadas e quando são excluídas.

O que devemos perguntar a uma empresa que o construiria?

• Vocês vão construir sobre o clean room da nossa nuvem ou escrever o núcleo vocês mesmos, e por quê?
• Com base em que dado vocês vão cruzar os compradores, e vão seguir o PAIR para o cruzamento e o ADMaP para a medição?
• Como as consultas de cada marca vão ser aprovadas, e onde o tamanho mínimo de audiência é aplicado?
• Como vocês vão impedir que uma marca descubra informações sobre um único comprador comparando dois resultados?
• Como as audiências chegam ao nosso ad server e ao nosso leilão, e quanto tempo isso leva?
• O que os logs registram, quem pode lê-los e por quanto tempo eles são guardados?
• Como um pedido de exclusão ou um consentimento retirado vai chegar aos dados que já foram cruzados?
• Vocês conseguem mostrar isso rodando em um sistema que funciona hoje?

Onde a amBrain se encaixa?

A amBrain publica este blog. Duas das suas linhas descrevem os sistemas dos dois lados de um clean room: os eventos de anúncios que entram e o ad server que usa as audiências que saem. Uma diz: “A amBrain constrói pipelines de analytics de eventos para ad tech: coleta, processamento e relatórios de eventos de impressão e de clique.” A outra: “A amBrain constrói ad servers: segmentação, limite de frequência e relatórios.” Uma terceira linha diz: “RTBBidder, uma demand-side platform que construímos para um cliente.”

A amBrain constrói software desde 2019. Sobre como trabalha com os clientes, ela diz: “Três formatos: entrega completa, time dedicado ou engenheiros embarcados no seu time.” A frase dela sobre propriedade é: “O cliente mantém a propriedade integral do produto e do código, exceto dos nossos componentes reutilizáveis.” Peça a lista desses componentes, nome por nome, antes de assinar.

Este artigo não é um estudo de caso. Além de citar o RTBBidder, ele não descreve nenhum trabalho para clientes. Ele não diz que a amBrain construiu, licenciou ou configurou um data clean room para algum cliente e não traz preços nem prazos da amBrain. Ele cita as demais organizações mencionadas aqui com base nas páginas que publicaram e não afirma nenhuma relação entre a amBrain e qualquer uma delas.

Também não é aconselhamento jurídico. Confirme com um advogado como a legislação de privacidade se aplica aos seus dados. Se a amBrain estiver na sua lista curta, faça a ela as mesmas perguntas que a qualquer outra empresa.