![](https://stg.appsflyer-gcr.cn/wp-content/themes/AF2020/assets/images/img-placeholder.jpg)
围墙花园 (Walled garden)
在广告技术领域,围墙花园是数据净室 (DCR) 的一条分支。它是一种封闭的平台或生态系统,其技术提供商对各参与方使用的硬件或者各参与方之间分享的 App 或内容拥有极大的控制权。
什么是围墙花园?
![Walled garden](https://stg.appsflyer-gcr.cn/wp-content/uploads/2023/03/walled-gardens-1.jpg)
在过去几年里,几乎所有的行业报告或分析中都会提到“围墙花园”这个术语。近来隐私变革席卷行业,营销人员获取用户层级数据的能力遭受前所未有的挑战,围墙花园也因此变得格外重要。
围墙花园是一种 DCR,通过对用户层级数据去标识符,并根据共同属性对其进行汇总,从而有助于将用户层级数据匿名化处理。
在广告技术领域,Google、Amazon 和 Meta (Facebook) 率先引入围墙花园,这方便他们安全地实现第一方数据的商业化,同时还从竞争对手那里收取广告费用。
众所周知,广告媒体支出中有近 70% 都归属于这三大科技巨头,并且每个巨头都允许广告主使用各自围墙花园环境中的解决方案:Google Ads Data Hub (ADH)、Facebook Advanced Analytics (FAA) 以及 Amazon Marketing Cloud (AMC)。
围墙花园对环境安全性的要求较为严格,大型自归因平台 (SRN) 让营销人员可以访问事件级数据,以便做出明智的营销决策,同时,也不会危及消费者隐私或生态系统的防御壕沟。
如何使用围墙花园?
![How walled gardens are being used](https://stg.appsflyer-gcr.cn/wp-content/uploads/2023/03/walled-garden-examples.jpeg)
围墙花园等 DCR 可让营销人员在不违反隐私法规的情况下利用组合数据集。
个人身份识别信息 (PII) 或个人用户的受限归因数据不会向任何相关贡献者公开,这使得他们无法使用唯一标识符筛选特定用户。
在大多数情况下,聚合层面的数据洞察是 DCR 的唯一输出内容。例如,应向执行了 X 操作的多个用户提供 Y。但在所有相关方完全同意的情况下,DCR 可输出用户层面的内容。
运营围墙花园不仅仅是为了保护数据,这些封闭平台还需要追踪器等一整套内部解决方案以及开发者、设计师和管理团队,以便将所有这些独立元素整合在一起。
由于这种设置非常耗费资源和人力,因此只有少数企业有能力大胆尝试构建、维护和扩展围墙花园解决方案。
既然我们已经理清了围墙花园的概念,下面来看看几个关于围墙花园的例子:
Google 拥有约 15 亿 Gmail 帐户持有人,每月在其平台上的搜索量超过 1000 亿次,是迄今为止全球规模最大的数字广告公司。广告主可在 Google Ad Manager 这个围墙花园内利用有关广告活动的数据洞察。
Meta (Facebook)
Meta 拥有近 30 亿个平台用户,可以访问大量用户层级数据。Meta 利用这些数据来实现目前最全面的定向投放功能。
Meta 要求广告主使用其数据管理平台 (DMP)、需求侧平台 (DSP) 以及动态创意优化 (DCO) 技术,同时将大部分广告活动绩效数据留在内部。
Amazon
该公司最近报告称,其 Amazon Ads 服务在 2021 年创造了超过 310 亿美元的广告收入,使其成为仅次于 Google 和 Meta 的全球第三大数字广告公司。Amazon 除了具有与 Google 和 Meta 类似的围墙花园功能外,还有独特的购买数据可加利用,毕竟在 Amazon 的平台上每秒就有 18.5 次购买的数据产生。
围墙花园的优点与弊端
![Walled garden pros and cons](https://stg.appsflyer-gcr.cn/wp-content/uploads/2023/03/walled-gardens-pros-vs-cons-1-1.jpg)
优点
优点 1 – 能够使用事件级数据来扩充第一方数据集
总体而言,使 DCR 平台拥有极高可信度的重要原因是:数据访问、可用性和使用由 DCR 各方商定,而数据治理则由受委托的 DCR 供应商执行。
该框架可确保一方无法访问另一方数据。此做法符合基本原则,即未经同意不得在不同公司间共享个人或用户层级数据。
除了衡量其他方对于共同受众有多少了解,例如广告覆盖范围和发布频率、受众重叠情况、跨平台规划和分发、购买行为和人口统计类信息外,围墙花园还可以用作衡量广告活动表现的中介工具。
品牌方可在严格遵守隐私政策的情况下,在 Amazon 或 Google 的第一方数据库中查看真实受众数据洞察,从而避免盲目猜测。
相应地,广告主可以获得不带个人标识符的聚合输出,包括细分和相似受众,以便后续与发行商、DSP 或广告平台共享输出结果以用于广告活动。
![The give and take of a walled garden](https://stg.appsflyer-gcr.cn/wp-content/uploads/2023/03/walled-garden-icons.jpeg)
优点 2 – 可以准确衡量广告投放效果
Google、Meta 和《纽约时报》提供的这类围墙花园有着丰富的用户层级数据,广告主可以在围墙花园环境内利用这些数据来成功打造定位精准的个性化广告活动。
优点 3 – 能够保护用户隐私
让围墙花园供应商引以为豪的就是他们严格的隐私和安全标准。围墙花园对用户层级数据进行编码,致使其他相关方无法访问,同时围墙花园供应商还会强制执行完善的系统,确保数据受到保护。
优点 4 – 支持跨设备用户互动
大多数用户会在智能手机、笔记本电脑和平板电脑等多个设备上进行各种各样的活动,比如在 Amazon 上购物或在 Google 中搜索。
这让这些平台掌握了宝贵的跨设备数据,之后可与广告主匿名分享,以便了解广告活动覆盖面,优化广告活动。
弊端
弊端 1 – 需要提供原始资料进行分析
要让普通营销人员可以理解原始数据,就需要组建一支由数据科学家、分析师和工程师构成的精英团队,这会不可避免地将获得可操作洞察的过程变成更复杂、更耗费人力的过程。
弊端 2 – 架构不灵活,查询功能十分严格
隐私检查触发时,围墙花园会筛选相关数据行,但不会发出相关警告。在某些隐私检查中,围墙花园会依据历史结果进行比较。如果不同作业间结果变化不大,可能会触发隐私检查。此外,流向 Ads Data Hub 的数据可能会有变化。
弊端 3 – 缺乏跨平台数据激活
广告主获得的任何数据洞察只能在围墙花园网络内使用。换句话说,你不能将在 Meta 中找到的数据洞察运用到 Google 中。
弊端 4 – 缺乏公司间数据协作
围墙花园解决方案不是为了方便各方开展特定协作而设计的,而是专门用来将围墙花园数据与品牌的第一方数据进行匹配。
弊端 5 – 犹如把所有的鸡蛋放在一个篮子里
距离 Google 弃用第三方 Cookie 的日子越来越近,许多品牌似乎除了加强利用 Google 沙盒外,别无选择。然而,要是不采用平衡、健康的 DCR 方案组合,而过度依赖某个围墙花园,万一出了问题,可能会让企业陷入种种困境。
再加上相关方无法审核围墙花园供应商的决策或算法,对广告主来说,就像得到了一个黑匣子。
![Walled garden data depth](https://stg.appsflyer-gcr.cn/wp-content/uploads/2023/03/Walled-garden-data-depth-breadth-1.jpeg)
围墙花园的未来
Google、Amazon、Meta、Twitter 或 Snapchat 提供的围墙花园平台对发行商、广告主和营销人员等营销生态系统中的每个参与者都产生了重要影响。
这些围墙花园可以访问全球数十亿用户的用户级数据,这种诱惑力显而易见,无可匹敌。
需求方之间的激烈竞争推高了每次曝光带来的收益,让发行商成了直接受益者。据 Digiday 称,这实际上正是头部竞价得到广泛采用的原因,也很好地体现了围墙花园给发行商带来的影响。
第三方 Cookie 消失在即,提供程序化广告的发行商可能会发现有效每千人成本 (eCPM) 有所下滑,广告月收入也由此出现缩水。然而,Meta 等公司设立的围墙花园主要依靠第一方数据进行广告活动受众细分,因而这项隐私新政不会给他们带来多大影响。
关键结论
- 围墙花园是一种 DCR,通过对用户层级数据去标识符,并根据共同属性对其进行汇总,从而有助于将用户层级数据匿名化处理。
- 在此环境下,围墙花园供应商对各参与方使用的硬件或者各参与方之间分享的 App 或内容拥有极大的控制权。
- 围墙花园可让营销人员在不违反隐私法规的情况下利用组合数据集。个人身份识别信息或个人用户的受限归因数据不会向任何相关贡献者公开,这使得他们无法使用唯一标识符筛选特定用户。
- 在大多数情况下,聚合层面的数据洞察是 DCR 的唯一输出内容。例如,应向执行了 X 操作的多个用户提供 Y。但在所有相关方完全同意的情况下,DCR 可输出用户层面的内容。
- 对所有相关方来说,围墙花园有利有弊。一方面,围墙花园为原生生态系统中的数据提供了无可比拟的访问权限,但无法实现跨渠道数据访问。另一方面,它具有无与伦比的数据深度优势,但却缺乏数据广度(即缺少丰富的跨渠道数据),需要数据科学家或工程师将原始数据转化为可操作的数据洞察,而且查询功能灵活性较差。