Таргетинг с приоритетом приватности: AdTech без сторонних cookie

Крупная DSP измерила уровень совпадения аудитории через неделю после того, как Chrome полностью отключил сторонние cookie. За одну ночь он упал с 72% до 31%.

Быстрее всех восстановились команды, которые уже построили мультисигнальные пайплайны таргетинга. Остальные потратили месяцы на переделку.

Принимайте first-party-данные как самый ценный сигнал для таргетинга

Компании с прямой связью с пользователями — через программы лояльности, авторизованные сервисы и подписки на рассылки — владеют самыми ценными данными в programmatic-рекламе.

DSP, которая принимает аутентифицированные first-party сигналы, матчит на 20-40% больше показов, чем платформа, полагающаяся на вероятностные сегменты. Инженерная работа включает:

• Гибкие пайплайны identity resolution принимают хешированные адреса почты, события входа и идентификаторы от паблишеров
• Границы изоляции PII, не позволяющие сырым пользовательским данным пересекать границы системы, — рекламная биржа никогда не видит нехешированных идентификаторов
• Оценка сегментов в реальном времени в момент ставки, а не батчевые сегменты, устаревающие за считаные часы
• API для подключения данных паблишеров, принимающие собственные таксономии без изменения схемы на стороне DSP

Внедрить контекстный AI с точностью на уровне пользовательских данных

Контекстный таргетинг давно ушёл дальше совпадения по ключевым словам. Модели на трансформерах разбирают семантику всей страницы — тему, тональность, сигналы brand safety — и дают точность таргетинга, сопоставимую с данными на уровне пользователя для многих типов кампаний.

Преимущество для команд AdTech-разработки: контекстным сигналам не нужны пользовательские данные, сложное управление согласиями и регуляторные риски. Ограничение: инференс должен происходить в момент рекламного запроса.

• Контекстный классификатор, добавляющий 5ms к каждой оценке бида, слишком медленный для RTB-платформы с таймаутом 10ms
• Предварительная классификация страниц паблишеров на этапе обхода сводит накладные расходы в реальном времени к обращению в кеш быстрее 0,5 мс
• Семантические модели, обученные на требованиях brand safety конкретного рекламодателя, превосходят универсальные классификаторы на 15-25% по метрикам релевантности

Контекстный AI обеспечивает таргетинг без пользовательских данных. Инженерная цена — скорость инференса, а не соответствие требованиям приватности.

Внедрите три технологии защиты приватности, достигающие продакшн-зрелости

Три категории технологий защиты приватности (PET) уже работают в проде:

• Обработка на устройстве — ML-инференс выполняется на устройстве пользователя, а на рекламную биржу отправляются только агрегированные сигналы. По этому паттерну работают SKAdNetwork от Apple и Topics API от Google.
• Clean rooms — команды разработки и DSP, и SSP используют clean rooms, чтобы сопоставлять first-party датасеты, не раскрывая сырые пользовательские данные ни одной из сторон. Сделать эти соединения достаточно быстрыми, чтобы влиять на решения real-time bidding, — главная инженерная задача.
• Дифференциальная приватность — калиброванный шум, добавленный к агрегированным данным, исключает идентификацию отдельного пользователя. Полезна для измерений и отчётности, где точность на уровне отдельного пользователя не нужна.

Решите задачу монетизации supply-side платформы

У паблишеров конкретная проблема: монетизировать инвентарь, не отдавая данные пользователей каждому биддеру в цепочке аукциона.

Seller-defined audiences позволяют supply-side платформе самой классифицировать своих пользователей по сегментам и предлагать эти сегменты покупателям, не раскрывая личности. Для реализации нужны:

• SSP, которая запускает собственные модели классификации аудитории на first-party-данных паблишера
• Таксономии сегментов, совместимые с ожиданиями покупателей, — за основу берётся IAB Content Taxonomy 3.0
• Сигналы сегментов передаются в bid request, не добавляя задержки аукциону — цель: накладные расходы менее 1ms

Работать в среде мобильных приложений, где браузерных сигналов нет

У показов in-app браузерных сигналов нет вовсе. IDFA на iOS выдаётся только по согласию, доля согласий — около 25%.

Эффективный таргетинг аудитории на мобильных требует вложений в:

• Контекстные сигналы уровня SDK — категория приложения, глубина сессии, паттерны поведения внутри приложения
• Модели инференса на устройстве, оценивающие намерение пользователя без передачи сырых поведенческих данных
• Server-to-server колбэки атрибуции вместо пиксельного трекинга — им нужна надёжная инфраструктура, логика дедупликации и устойчивый к задержкам дизайн, поскольку колбэки приходят через минуты или часы после показа
• Модели CTR, переобученные под in-app контекст, где поведение пользователей заметно отличается от веба

Стройте гибкие пайплайны, которые переживут следующий сдвиг в таргетинге

Ландшафт таргетинга по-прежнему меняется каждый квартал. Инженерные команды, строящие жёсткие пайплайны вокруг одного подхода, сталкиваются с дорогой переделкой.

• Строить слои приёма данных, принимающие разные типы сигналов — first-party, контекстные, когортные — через единый интерфейс
• Инвестируйте в identity resolution, который работает и в аутентифицированных, и в анонимных контекстах
• Относитесь к инфраструктуре измерений как к полноценной инженерной задаче, а не к довеску для отчётности
• Замеряйте каждое вычисление, связанное с приватностью, относительно бюджета таймаута аукциона