Retail Media und Clean Rooms: Daten teilen, ohne sie herzugeben

# Retail Media und Clean Rooms: Daten teilen, ohne sie herzugeben

Ein Snack-Hersteller will wissen, ob seine DisplaysDisplaysThe total number of times an ad or piece of content is displayed, regardless of clicks. Each display counts as one impression, even to the same person.Vollständige Definition ansehen → am Point of Sale und seine App-Anzeigen im letzten Quartal tatsächlich mehr Chips verkauft haben. Die Antwort liegt beim Händler, in dessen Kundenkarten- und Kassendaten (POS). Keine Seite will Rohdaten herausgeben: Die Marke will ihre Media-Spendings und ihre Audience-Logik nicht offenlegen, der Händler gibt keine Kaufhistorien auf Shopper-Ebene heraus. Der Deal kommt trotzdem zustande, in einem „Clean Room“. Niemand sieht die Rohdaten der anderen Seite. Beide gehen mit einer Lift-Zahl nach Hause.

Diese Konstruktion ist inzwischen die Standardstruktur für Retail-Media-Deals, und es lohnt sich, genau zu verstehen, wie sie funktioniert und wo sie trotzdem scheitern kann.

Was ein Clean Room tatsächlich ist

Ein Data Clean Room ist eine kontrollierte Umgebung, in die zwei oder mehr Parteien ihre Daten einbringen, vereinbarte Queries darauf laufen lassen und nur das aggregierte Ergebnis sehen, niemals die zugrundeliegenden Datensätze der anderen Seite.

Technisch beruht das auf Verfahren wie Hashed Matching (Identifier wie E-Mail oder Loyalty-ID werden in nicht umkehrbare Codes überführt, sodass beide Seiten Datensätze matchen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, ohne sie offenzulegen), Differential Privacy (statistisches Rauschen wird hinzugefügt, damit sich aus den Ergebnissen keine Einzelperson re-identifizieren lässt) und k-Anonymitäts-Schwellen (eine Regel, nach der kein Output angezeigt wird, wenn ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → nicht mindestens *kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →* Personen repräsentiert, üblich sind 25 bis 100 je nach Händler).

Wichtige Implementierungen: Amazon Marketing Cloud, der Clean Room von Walmart Connect (teils auf Technologie von Publicis Epsilon aufgebaut), Kroger Precision Marketing (über 84.51°) und Googles Ads Data Hub. Snowflake und Databricks bieten zudem neutrale Clean-Room-Infrastruktur, die Marken und Händler gemeinsam lizenzieren kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, statt der Plattform einer der beiden Seiten zu vertrauen.

Warum es das gibt: der regulatorische Druck

Drei Kräfte haben die Branche gleichzeitig in diese Richtung geschoben.

Cookie-Deprecation. Google baut Third-Party-Cookies in Chrome über 2025 bis 2026 ab (Zeitplan mehrfach verschoben und überarbeitet, das ist Googles eigener erklärter Plan, kein festes Gesetz) und beendet damit die alte Art, mit der Marken Shopper über das Web hinweg getrackt haben.

Datenschutzrecht. In der EU verlangt die DSGVO (Datenschutz-Grundverordnung, durchgesetzt von den nationalen Datenschutzbehörden) eine Rechtsgrundlage für die Verarbeitung personenbezogener Daten und gibt Shoppern Rechte auf Auskunft, Korrektur und Löschung. In den USA gibt es kein einheitliches Bundesdatenschutzgesetz, aber Landesgesetze wie CCPA/CPRA (California Consumer Privacy Act, aktualisiert durch den California Privacy Rights Act, durchgesetzt von der California Privacy Protection Agency) räumen ähnliche Rechte ein und schaffen Pflichten, wenn Daten „verkauft“ oder „geteilt“ werden, ein Begriff, der weit genug ist, um viele Ad-Targeting-Konstruktionen abzudecken.

Marktmacht der Händler. Händler wie Kroger, Walmart, Tesco (Clubcard) und Carrefour haben erkannt, dass ihre First-Party-Loyalty-Daten wertvoller und beständiger sind, als jedes Cookie es je war. Retail Media ist inzwischen weltweit eines der am schnellsten wachsenden Werbesegmente; Schätzungen von eMarketer (Stand Berichterstattung 2024 bis 2025) beziffern die US-Retail-Media-Spendings auf zweistellige Milliardenbeträge pro Jahr, wobei Amazon den größten Einzelanteil hält.

Clean Rooms erlauben Händlern, diese Daten zu monetarisieren, ohne dass im rechtlichen Sinn ein „Verkauf“ stattfindet, da personenbezogene Rohdaten ihre Umgebung nie verlassen.

Wie eine Lift-Messung tatsächlich abläuft

Angenommen, die Snack-Marke hat eine vierwöchige Retail-Media-Kampagne geschaltet. Der Workflow:

1. Die Marke lädt ihr Kampagnen-Exposure-Log (welche Loyalty-IDs, gehasht, die Anzeige gesehen haben) in den Clean Room.

2. Die POS-Daten des Händlers (dieselben gehashten Loyalty-IDs, Kaufhistorie) liegen in derselben Umgebung.

3. Eine vorab vereinbarte Query im SQLSQLSales Qualified Lead: a prospect the sales team has validated as ready for direct outreach and a proposal, having passed clear qualification criteria.Vollständige Definition ansehen →-Stil verknüpft beide über die gehashte ID und teilt die Shopper in „exposed“ und „control“ ein.

4. Zurück kommt nur das aggregierte Ergebnis: inkrementeller Sales Lift, Spend-Effizienz, Halo-Effekt auf die Kategorie.

Eine vereinfachte Version der Query-Logik:

SELECT
  campaign_group,
  COUNT(DISTINCT hashed_loyalty_id) AS shoppers,
  SUM(basket_value) AS total_sales
FROM matched_exposure_and_pos
WHERE k_anon_check >= 25
GROUP BY campaign_group;

Die Zeile k_anon_check >= 25 ist die Governance-Kontrolle: Hat ein Segment (etwa eine Nischen-Sorte als SKU in einem kleinen Store-Cluster) weniger als 25 gematchte Shopper, gibt die Query nichts zurück, statt eine Zahl, die man zurückrechnen und damit Einzelpersonen identifizieren kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnte.

Rechenbeispiel: Eine Exposed-Gruppe von 50.000 Shoppern gibt nach der Kampagne durchschnittlich 4,20 $ in der Kategorie aus; eine gematchte Kontrollgruppe von 50.000 gibt 3,80 $ aus. Lift = (4,20 $ - 3,80 $) / 3,80 $ = 10,5 %. Das ist die einzige Zahl, die das Media-Team der Marke sieht. Es sieht nie, welche 50.000 Personen das sind, was sonst in deren Warenkorb lag oder wie sie heißen.

Wo Governance weiter echte Arbeit leisten muss

Clean Rooms senken das Risiko, sie machen Aufsicht nicht überflüssig. Drei Kontrollen sind am wichtigsten:

Query-Auditing. Jemand sollte jede Query gegen den Clean Room protokollieren und auf „Creep“ prüfen: eine Marke, die übermäßig eng gefasste Fragen stellt, um kleine, identifizierbare Segmente zu isolieren (ein klassischer Angriffsvektor für Re-Identifikation).

Consent-Lineage. Die Loyalty-Daten, die in den Clean Room fließen, müssen auf eine gültige Einwilligung oder ein berechtigtes Interesse nach DSGVO zurückführbar sein, beziehungsweise auf einen korrekten CCPA-Opt-out-Mechanismus. War die zugrundeliegende Einwilligung fehlerhaft, wird das durch Aggregation im Clean Room nicht geheilt. Governance-Teams sollten für jeden Datensatz, der in den Room gelangt, beantworten kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen: „Wozu hat der Shopper zugestimmt?“ Die Leitlinie der britischen ICO zu Anonymisierung und Pseudonymisierung ist eine solide kostenlose Referenz dazu, wo „ausreichend anonymisiert“ rechtlich beginnt.

Vendor- und Drittlandprüfungen. Viele Clean-Room-Anbieter sind US-Hyperscaler (Amazon, Google, Microsoft, Snowflake, Databricks). Ein europäischer Händler, der EU-Shopper-Daten durch einen Clean Room mit US-Hauptsitz laufen lässt, braucht einen gültigen Übermittlungsmechanismus, typischerweise Standardvertragsklauseln (SCCs), seit das *Schrems II*-Urteil von 2020 das vorherige EU-US-Privacy-Shield-Framework gekippt hat. Das ist eine offene Rechtsfrage, keine gelöste, besonders nach dem EU-US Data Privacy Framework von 2023, das selbst laufend juristisch angegriffen wird.

Die Grenzen des Modells

Clean Rooms lösen das Problem „keine Rohdaten herausgeben“. Sie lösen nicht alles:

• Output-Leakage über Zeit. Viele leicht unterschiedliche Queries gegen dieselbe Population kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen es einer erfahrenen Partei erlauben, Insights auf Individualebene statistisch zu rekonstruieren, eine bekannte Schwachstelle, die manchmal „Differencing Attack“ genannt wird. Händler begrenzen die Query-Frequenz und protokollieren die Query-Historie genau deshalb.
• Asymmetrische Macht. Amazon und Walmart setzen die Regeln ihrer eigenen Clean Rooms. Eine mittelgroße Snack-Marke hat deutlich weniger Verhandlungsmacht darüber, welche Queries überhaupt zugelassen sind, als das eigene Werbegeschäft von Amazon oder Walmart.
• Kein einheitlicher globaler Standard. IAB Tech Lab und andere haben Frameworks veröffentlicht, aber die Implementierungen unterscheiden sich je Händler. Eine Marke, die mit fünf Händlern arbeitet, managt also fünf verschiedene Clean-Room-Setups, fünf verschiedene Data Dictionaries, fünf verschiedene Governance-Haltungen.

🎬 [VIDEO: „What Are Data Clean Rooms? (And Why Retailers Love Them)“ - youtube.com - suchen Sie nach aktuellen Erklärvideos von IAB Tech Lab oder nach Vorträgen großererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → Ad-Tech-Konferenzen (LiveRamp, Snowflake, InfoSum) für einen visuellen Durchgang des oben beschriebenen Matching- und Query-Flows]

Key Takeaways

• Ein Data Clean Room erlaubt zwei Parteien (Marke und Händler), Daten zu verknüpfen und abzufragen, ohne dass eine Seite die rohen, identifizierbaren Datensätze der anderen sieht; die Outputs sind aggregiert und schwellenwertgesichert (üblich kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen → ≥ 25 bis 100).
• Das Modell ist entstanden wegen Cookie-Deprecation, dem Compliance-Druck durch DSGVO und CCPA/CPRA und weil Händler erkannt haben, dass First-Party-Loyalty-Daten ein beständig monetarisierbares Asset sind.
• Zur realen Infrastruktur gehören Amazon Marketing Cloud, Kroger Precision Marketing/84.51°, Walmart Connect, Google Ads Data Hub und neutrale Anbieter wie Snowflake und Databricks.
• Die Governance-Verantwortung verschwindet im Clean Room nicht: Query-Auditing, Consent-Lineage zurück zur DSGVO-/CCPA-Grundlage und Mechanismen für Drittlandtransfers (SCCs nach Schrems II) brauchen weiterhin aktive Kontrollen.
• Das Modell senkt das Re-Identifikationsrisiko, beseitigt es aber nicht vollständig; wiederholte enge Queries kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen über Zeit weiterhin Insights auf Individualebene durchsickern lassen, weshalb Query-Logging und Frequenzlimits genauso wichtig sind wie die ursprüngliche Datenarchitektur.