+150 XP

FMCG · Retail media et clean rooms : partager des données sans les céder

Un fabricant de snacks veut savoir si ses présentoirs en magasin et ses publicités dans l'app ont réellement fait vendre plus de chips le trimestre dernier. Le distributeur détient la réponse dans ses données de carte de fidélité et de point de vente (POS). Aucune des deux parties ne veut transmettre ses fichiers bruts. La marque ne veut pas exposer ses dépenses média ni sa logique d'audience, et le distributeur refuse de communiquer les historiques d'achat client par client. L'accord se fait quand même, dans une « clean room ». Personne ne voit les données brutes de l'autre. Chacun repart avec un chiffre de lift.

Ce montage est désormais la structure par défaut des accords de retail media. Il vaut donc la peine de savoir comment il fonctionne et où il peut encore échouer.

Ce qu'est réellement une clean room

Une data clean room est un environnement contrôlé dans lequel deux parties ou plus apportent leurs données, exécutent des requêtes convenues à l'avance et ne voient que le résultat agrégé. Aucune partie ne voit jamais les enregistrements sous-jacents de l'autre.

Techniquement, cela repose sur quelques outils. Le hashed matching transforme des identifiants comme l'e-mail ou l'identifiant de fidélité en codes irréversibles, ce qui permet aux deux parties de rapprocher les enregistrements sans les révéler. La differential privacy ajoute du bruit statistique pour qu'aucun individu ne puisse être réidentifié à partir des résultats. Les seuils de k-anonymat sont une règle : aucun résultat ne peut être affiché s'il ne représente pas au moins *k* personnes, en général entre 25 et 100 selon le distributeur.

Principales implémentations : Amazon Marketing Cloud, la clean room de Walmart Connect, Kroger Precision Marketing (via 84.51°) et Ads Data Hub de Google. Snowflake et Databricks proposent aussi une infrastructure de clean room neutre que marques et distributeurs peuvent licencier conjointement, plutôt que de faire confiance à la plateforme de l'une des parties.

Pourquoi ce modèle existe : l'étau réglementaire

Plusieurs forces ont poussé le secteur dans cette direction au même moment.

La perte de signal, même sans fin des cookies. Pendant des années, le secteur s'est organisé en prévision de la suppression des cookies tiers de Chrome par Google. Cela ne s'est jamais produit. En juillet 2024, Google a abandonné son projet de suppression ; en avril 2025, il a annoncé qu'il n'ajouterait pas non plus d'invite distincte de choix des cookies ; en octobre 2025, il a retiré la plupart des technologies de remplacement de sa Privacy Sandbox. Les cookies fonctionnent toujours dans Chrome. Le suivi intersites reste pourtant plus faible qu'avant : Safari et Firefox bloquent les cookies tiers par défaut, l'App Tracking Transparency d'Apple limite les identifiants mobiles, et beaucoup de clients refusent les bandeaux de consentement. Les marques perdent toujours la trace des clients d'un site ou d'une app à l'autre, et les données first-party comptent d'autant plus.

Le droit de la protection des données. Dans l'UE, le RGPD (Règlement général sur la protection des données, appliqué par les autorités nationales de protection des données) exige une base légale pour traiter des données personnelles et donne aux clients le droit d'y accéder, de les rectifier ou de les faire supprimer. Les États-Unis n'ont pas de loi fédérale unique sur la vie privée, mais des lois d'État comme le CCPA/CPRA (California Consumer Privacy Act, mis à jour par le California Privacy Rights Act, appliqué par la California Privacy Protection Agency) accordent des droits similaires et imposent des obligations lorsque des données sont « vendues » ou « partagées ». Ce terme est assez large pour couvrir de nombreux dispositifs de ciblage publicitaire. Près de 20 autres États disposent désormais de lois comparables.

Le levier des distributeurs. Des distributeurs comme Kroger, Walmart, Tesco (Clubcard) et Carrefour ont compris que leurs données de fidélité first-party ont plus de valeur et de durabilité que n'importe quel cookie. Le retail media est l'un des segments publicitaires qui croissent le plus vite dans le monde. eMarketer estime les dépenses de retail media aux États-Unis à environ 60 milliards de dollars par an en 2025, Amazon détenant la plus grosse part individuelle.

Les clean rooms permettent aux distributeurs de monétiser ces données sans « vente » au sens juridique, puisque les données personnelles brutes ne quittent jamais leur environnement.

Comment se déroule concrètement une mesure de lift

Supposons que la marque de snacks ait mené une campagne de retail media de quatre semaines. Le déroulé :

  1. La marque charge dans la clean room son journal d'exposition à la campagne (quels identifiants de fidélité, hashés, ont vu la publicité).
  2. Les données POS du distributeur (mêmes identifiants de fidélité hashés, historique d'achat) se trouvent dans le même environnement.
  3. Une requête de type SQL convenue à l'avance joint les deux sources sur l'identifiant hashé et répartit les clients entre « exposés » et « contrôle ».
  4. Seul le résultat agrégé revient : lift incrémental des ventes, efficacité des dépenses, effet de halo sur la catégorie.

Une version simplifiée de la logique de requête :

sql
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;

Cette ligne k_anon_check >= 25 constitue le contrôle de gouvernance. Si un segment (par exemple une référence de saveur de niche dans un petit groupe de magasins) compte moins de 25 clients rapprochés, la requête ne renvoie rien, plutôt qu'un chiffre qui pourrait être rétro-analysé pour identifier des individus.

Exemple chiffré : le groupe exposé de 50 000 clients dépense en moyenne 4,20 $ dans la catégorie après la campagne. Un groupe de contrôle apparié de 50 000 clients dépense 3,80 $. Lift = (4,20 $ - 3,80 $) / 3,80 $ = 10,5 %. C'est le seul chiffre que voit l'équipe média de la marque. Elle ne sait jamais qui sont ces 50 000 personnes, ce qu'il y avait d'autre dans leur panier, ni leur nom.

Là où la gouvernance doit encore faire un vrai travail

Les clean rooms réduisent le risque. Elles ne dispensent pas de supervision. Trois contrôles comptent le plus.

L'audit des requêtes. Quelqu'un doit journaliser chaque requête exécutée dans la clean room et la passer en revue pour repérer les dérives : une marque qui pose des questions trop étroites, conçues pour isoler de petits segments identifiables. C'est une attaque de réidentification classique.

La traçabilité du consentement. Les données de fidélité qui alimentent la clean room doivent pouvoir être rattachées à un consentement valide ou à une base d'intérêt légitime au sens du RGPD, ou à un mécanisme d'opt-out conforme au CCPA. Si le consentement d'origine était vicié, l'agréger dans une clean room n'y change rien. Les équipes de gouvernance doivent pouvoir répondre à la question « qu'a accepté le client ? » pour toute donnée qui entre dans la clean room. Le guide de l'ICO britannique sur l'anonymisation et la pseudonymisation est une référence gratuite et solide pour savoir où commence juridiquement le « suffisamment anonymisé ».

Les contrôles fournisseurs et transferts internationaux. Beaucoup de fournisseurs de clean rooms sont des hyperscalers américains (Amazon, Google, Microsoft, Snowflake, Databricks). Un distributeur européen qui fait passer des données clients européennes par une clean room dont le siège est aux États-Unis a besoin d'un mécanisme de transfert valide. L'arrêt *Schrems II* de 2020 a invalidé l'ancien Privacy Shield UE-États-Unis. Son successeur, le Data Privacy Framework UE-États-Unis de 2023, a résisté à un premier recours devant le Tribunal de l'Union européenne en septembre 2025, mais l'affaire fait l'objet d'un pourvoi devant la Cour de justice. Beaucoup d'entreprises conservent des clauses contractuelles types (SCC) en solution de repli, ce qui est raisonnable tant que la question reste ouverte.

Vérification des acquis

1. Quelle caractéristique structurelle rend une data clean room acceptable pour une marque et un distributeur qui ne se font pas confiance avec leurs données brutes ?

2. Pourquoi un distributeur applique-t-il un seuil de k-anonymat (par exemple, aucun résultat affiché s'il ne représente pas au moins 25 à 100 personnes) à une requête en clean room ?

3. Une marque veut savoir exactement quels titulaires de carte de fidélité ont vu sa publicité dans l'app puis acheté des chips, afin de constituer une liste de retargeting personnalisée. Pourquoi une clean room n'est-elle PAS le bon outil pour cet objectif ?

CHOIX MULTIPLES

4. Sélectionnez TOUTES les bonnes réponses sur les raisons pour lesquelles les accords de retail media en clean room sont devenus la norme du secteur.

Sélectionnez toutes les réponses correctes.

CHOIX MULTIPLES

5. Sélectionnez TOUTES les bonnes réponses sur les mécanismes techniques qui rendent les clean rooms respectueuses de la vie privée.

Sélectionnez toutes les réponses correctes.

Les limites du modèle

Les clean rooms résolvent le problème du « ne pas céder les données brutes ». Elles ne résolvent pas tout :

  • Les fuites par les résultats dans la durée. Exécuter de nombreuses requêtes légèrement différentes sur la même population peut permettre à un acteur averti de reconstituer statistiquement des insights au niveau individuel. C'est une faiblesse connue, appelée « differencing attack ». Les distributeurs plafonnent la fréquence des requêtes et en journalisent l'historique pour la détecter.
  • L'asymétrie de pouvoir. Amazon et Walmart fixent les règles de leurs propres clean rooms. Une marque de snacks de taille moyenne n'a guère son mot à dire sur les requêtes autorisées.
  • L'absence de standard mondial unique. L'IAB Tech Lab et d'autres ont publié des frameworks, mais les implémentations varient d'un distributeur à l'autre. Une marque qui travaille avec cinq distributeurs gère cinq configurations de clean room, cinq dictionnaires de données et cinq postures de gouvernance.

🎬 [VIDÉO : "What Are Data Clean Rooms? (And Why Retailers Love Them)" - youtube.com - cherchez des vidéos explicatives récentes de l'IAB Tech Lab ou des interventions lors de grandes conférences ad-tech (LiveRamp, Snowflake, InfoSum) pour une présentation visuelle du flux de rapprochement et de requêtes décrit ci-dessus]

Points clés

  • Une data clean room permet à une marque et à un distributeur de joindre et d'interroger des données sans que l'un voie les enregistrements bruts et identifiables de l'autre. Les résultats sont agrégés et soumis à des seuils (généralement k ≥ 25 à 100).
  • Le modèle s'est développé sous l'effet du droit de la protection des données (RGPD, CCPA/CPRA et autres lois d'États américains), de la perte de signal de suivi due aux navigateurs, aux apps et aux refus de consentement, et de distributeurs qui traitent les données de fidélité comme un actif durable. Google a conservé les cookies tiers dans Chrome, mais les données first-party comptent toujours plus chaque année.
  • L'infrastructure existante comprend Amazon Marketing Cloud, Kroger Precision Marketing/84.51°, Walmart Connect, Google Ads Data Hub, ainsi que des fournisseurs neutres comme Snowflake et Databricks.
  • Le travail de gouvernance continue à l'intérieur de la clean room : audit des requêtes, traçabilité du consentement jusqu'à une base RGPD ou CCPA, et contrôles des transferts internationaux (le Data Privacy Framework est encore en contentieux, d'où le maintien fréquent des SCC en solution de repli).
  • Le risque de réidentification baisse mais ne disparaît pas. Des requêtes étroites répétées peuvent encore laisser fuiter des insights au niveau individuel : la journalisation des requêtes et les limites de fréquence comptent autant que l'architecture initiale.