Data Clean Rooms: Marketing-Kooperation mit Datenschutz

Viele Unternehmen sitzen auf wertvollen Kundendaten. Ihre Media-Partner kennen das Nutzungsverhalten auf ihren Plattformen. Und die Händler, über die verkauft wird, wissen, was tatsächlich im Warenkorb landet. Theoretisch ergänzen sich diese drei Perspektiven gut. Praktisch scheitert die Zusammenarbeit regelmässig daran, dass keine Partei ihre Daten einfach weitergeben darf. DSGVO und revDSG setzen enge Grenzen.

Das führt zu Kampagnen, die auf unvollständiger Datenbasis laufen, und zu Attribution, die häufig nur einen Bruchteil der tatsächlichen Wirkung abbildet. Data Clean Rooms sind ein strukturierter Ansatz, dieses Problem zu lösen.

Ein Data Clean Room ist eine geschützte Analyseumgebung, in der mehrere Parteien ihre Daten zusammenführen und gemeinsam auswerten können. Personenbezogene Rohdaten verlassen dabei nie die Kontrolle der jeweiligen Partei. Was herauskommt, sind aggregierte Ergebnisse: Überschneidungsquoten zwischen Zielgruppen, Segmentperformance, Trendaussagen, aber keine Einzelprofile.

Zugriffsrechte, Zweckbindung und Nutzungsregeln werden vorab vertraglich fixiert. IAB Europe fasst das als sichere Kollaborationsumgebung für datenschutzkonforme Analyseprozesse zusammen.

Damit zwei Parteien ihre Daten sinnvoll abgleichen können, ohne sie direkt auszutauschen, brauchen sie einen gemeinsamen Identifikator und eine Methode, diesen zu anonymisieren.

In der Praxis läuft das meistens über Hashing: Beide Parteien nehmen ein gemeinsames Merkmal – typischerweise eine E-Mail-Adresse – und wandeln es mit demselben mathematischen Verfahren in eine anonymisierte Zeichenkette um. 

Aus "maria.muster@example.ch" wird dann auf beiden Seiten derselbe Hash-Wert, zum Beispiel "a3f8...". Die eigentliche E-Mail-Adresse wird nie übertragen. Der Clean Room gleicht nur die Hash-Werte ab und kann so feststellen, welche Personen auf beiden Seiten vorhanden sind, ohne zu wissen, wer dahintersteckt.

Je sauberer und vollständiger die E-Mail-Adressen oder andere Identifikatoren in den eigenen Daten sind, desto höher ist die Übereinstimmungsrate. Wer hier mit lückenhaften CRM-Daten arbeitet, bekommt entsprechend schwache Matching-Ergebnisse, unabhängig davon, wie gut die Technologie ist.

Wichtig dabei: DSGVO und revDSG verlangen Zweckbindung, Transparenz und Verhältnismässigkeit. Ein korrekt implementierter Clean Room erfüllt diese Anforderungen strukturell, garantiert sie aber nicht automatisch.

• Er ersetzt keine fehlenden First-Party-Daten
• Er ist kein generelles Tracking-Tool
• Schlechte Datenbasis bleibt schlechte Datenbasis. Der Clean Room macht das sichtbar, nicht besser.

Zudem ist die Implementierung aufwändig und bindet Ressourcen.

Third-Party-Cookies sind technisch noch nicht verschwunden. Google hat seinen Ausstiegsplan 2024 zurückgezogen. Doch Safari und Firefox blockieren sie seit Jahren, und die regulatorischen Anforderungen in der EU und der Schweiz werden eher strenger. Der Druck auf Cookie-basiertes Tracking wächst, auch weil die Zukunft unklar ist. Oder gerade deshalb.

Unternehmen, die jetzt anfangen, ihre First-Party-Datenbasis aufzubauen und Datenpartner für aussagekräftige Analysen zu finden, haben später mehr Spielraum und dadurch einen Wettbewerbsvorteil.

Zielgruppenanalyse durch Matching

CRM-Daten werden mit den Reichweitendaten eines Publishers abgeglichen. Das Ergebnis zeigt, welche Segmente der eigenen Kund:innen auch auf der Partnerplattform aktiv sind – ohne dass ein Datensatz die Hände wechselt.

Retail Media

Hersteller und Händler können gemeinsam auswerten, ob und wie Kampagnenkontakte zu tatsächlichen Käufen geführt haben. Das ist einer der greifbarsten Anwendungsfälle in der Praxis.

Lookalike-Modellierung

Dank aggregierter Muster lassen sich neue Zielgruppen modellieren, die bestehenden Kund:innen ähneln – auf Basis statistischer Merkmale, ohne Einzelprofile zu übertragen.

Attribution über Plattformgrenzen

Google weiss, was auf Google passiert. Meta weiss, was auf Meta passiert. Jede Plattform rapportiert ihre eigene Wirkung und sieht dabei naturgemäss gut aus, weil niemand das Gesamtbild sieht. In der Praxis werden Conversions dadurch oft mehrfach gezählt, einmal pro Plattform. 

Ein Clean Room könnte das prinzipiell lösen: Wenn mehrere Plattformen ihre Daten gemeinsam auswerten, liessen sich echte Wirkungspfade rekonstruieren und damit aufzeigen, welche Kombination von Kontakten tatsächlich zur Conversion geführt hat. Allerdings haben Google und Meta strukturell kein wirtschaftliches Interesse an dieser Transparenz.

Ihre Clean Room-Umgebungen sind deshalb nach innen geöffnet – für Analysen innerhalb des eigenen Ökosystems – aber nicht nach aussen. Wer also hofft, über einen Clean Room endlich ein sauberes plattformübergreifendes Attributionsmodell zu bauen, wird feststellen, dass die grossen Plattformen dabei nicht mitspielen. Nicht, weil es technisch nicht geht, sondern weil es ihrem Geschäftsmodell widerspricht.

Plattformabhängigkeit.

Google Ads Data Hub, Amazon Marketing Cloud, Meta Advanced Analytics – die verbreiteten Lösungen sind proprietär und an die jeweilige Plattform gebunden. 

Wer Unabhängigkeit will, schaut sich neutrale Anbieter wie Adality (Bertelsmann), InfoSum oder Habu/LiveRamp an (s. auch FAQs). Diese sind leistungsfähiger in dieser Hinsicht, aber entsprechend aufwändiger.

Governance-Aufwand.

Ein Clean Room ist kein Tool, das man einfach einschaltet. Datenintegration, Identity-Matching, Verträge zwischen den Parteien, laufendes Monitoring … das ist Infrastrukturarbeit. Wer das unterschätzt, hat ein Problem, bevor die erste Analyse läuft.

Keine Einzelauswertung.

Das Prinzip der Aggregation ist gleichzeitig die zentrale Einschränkung. Individualanalysen sind nicht vorgesehen. Wer das erwartet, hat das Grundprinzip des Tools missverstanden.

Datenqualität.

Ohne konsistente Kunden-IDs und saubere Datenmodelle lässt sich kein sinnvolles Matching durchführen. Der Clean Room zeigt dann transparent, was fehlt, löst es aber nicht.

Der Einstieg in einen Data Clean Room ist keine Kampagnenentscheidung, sondern eine Infrastrukturentscheidung. Sie sollte erst dann getroffen werden, wenn drei Voraussetzungen erfüllt sind:

• Eine konsistente Customer-ID-Logik ist vorhanden. Daten aus verschiedenen Systemen lassen sich zuverlässig zusammenführen.
• Eigene First-Party-Daten sind in ausreichender Qualität vorhanden. Ein Clean Room verstärkt, was eingebracht wird.
• Ein konkreter Kooperationspartner mit ergänzenden Daten ist identifiziert. Ohne Gegenpart mit relevantem Datensatz fehlt der Mehrwert.

Wer diese Grundlagen noch aufbauen muss, sollte genau dort anfangen. Der Clean Room ist der nächste Schritt – kein Ersatz für den ersten.

Im Fundraising denkt man selten an Data Clean Rooms. Dabei sind die Herausforderungen ähnlich wie im kommerziellen Marketing: fragmentierte Zielgruppen, wachsende Datenschutzanforderungen, der Anspruch an messbare Wirkung.

Konkrete Ansätze:

• Kooperationen mit Verlagen oder themennahen Portalen, um Spendenaffinität zu analysieren, ohne Adressdaten weiterzugeben
• Attribution über Kanäle hinweg (Mailing, Online, Telefon) auf Basis aggregierter Kontaktmuster
• Lookalike-Modelle auf Basis bestehender Spenderdaten zur Neuspendergewinnung

Ein Unterschied zum kommerziellen Bereich: Die ethischen Anforderungen sind höher, das Vertrauen der Zielgruppe ist schwieriger aufzubauen und schneller verloren. Eine sauber dokumentierte Datenkooperation kann ein zusätzliches positives Signal sein.

Data Clean Rooms sind kein Datenschutz-Feigenblatt. Sie sind ein Werkzeug für Organisationen, die ihre Datenbasis geordnet haben und gezielt mit externen Partnern zusammenarbeiten wollen.

Wer über belastbare First-Party-Daten und eine klare ID-Logik verfügt, kann damit echte Kooperationen aufbauen. Wer nur auf Plattform-Clean Rooms setzt, tauscht eine Abhängigkeit gegen eine andere. Und wer die Grundlagen noch legen muss, sollte das tun, bevor er in Clean Room-Infrastruktur investiert.