Anzeigenrelevanz ohne Drittanbieter-Cookies maximieren

14. Dez. 2022

Joey Trotz
Director of Product Management, Privacy Sandbox

Einführung

Ziel der Privacy Sandbox-Initiative von Google ist es, die Aktivitäten von Nutzern in einem offenen und kostenlosen Internet privat zu halten. Zu diesem Zweck arbeiten wir mit der Werbebranche zusammen, damit die Umstellung auf neue Anzeigentechnologien (AdTech) zum Schutz der Privatsphäre gelingt und die Unterstützung von Drittanbieter-Cookies in der 2. Jahreshälfte 2024 eingestellt werden kann.

Ob als Product Leader, CTO, CMO oder CEO: Sie müssen wissen, wie Werbung und Datenschutz zusammengebracht werden können, damit Sie auch in Zukunft Ihre Geschäftsergebnisse optimieren können.

Das Jahr 2023 ist ein wichtiges Jahr für die Werbebranche, die sich auf den Wegfall der Drittanbieter-Cookies vorbereiten muss. In diesem Artikel wird dargelegt, wie Anzeigenrelevanz auch ohne Cookies erreicht werden kann:

• Was ändert sich an den Daten, die zum Ausliefern relevanter Anzeigen verwendet werden?
• Wie kann interessenbezogene Werbung ohne Drittanbieter-Cookies dank AdTech-Lösungen ermöglicht werden?
• Wie lässt sich mit maschinellem Lernen und datenschutzkonformen Signalen die Leistung maximieren?

Was ändert sich an den Daten, die zum Ausliefern relevanter Anzeigen verwendet werden?

Bei interessenbezogener Werbung, auch als personalisierte Anzeigen bezeichnet, werden Informationen zu den Interessen und Vorlieben einer Person genutzt, um relevantere Anzeigen zu präsentieren. Bei dieser Art von Werbung wird ein breites Spektrum an Daten verwendet, um die passende Anzeige zu finden. Als Signale dienen beispielsweise die Art der aufgerufenen Inhalte, das Muster der Websites, die sich eine Person kürzlich angesehen hat, oder eine bestimmte zuvor besuchte Website.

Heute kommen diese Signale hauptsächlich aus websiteübergreifenden Kennungen, z. B. Drittanbieter-Cookies, die für einzelne Geräte eindeutig sind. Da Drittanbieter-Cookies schon bald nicht mehr eingesetzt werden, sollten AdTech-Lösungen für interessenbezogene Werbung weiterentwickelt werden, um mithilfe datenschutzfreundlicher Signale relevante Anzeigen zu präsentieren. Dazu gehören Erstanbieterdaten, kontextbezogene Signale und von der Plattform bereitgestellte datenschutzfreundliche APIs wie die Topics API, die FLEDGE API und die Attribution Reporting API. Diese APIs unterstützen wichtige Anwendungsfälle für die Werbebranche und schützen gleichzeitig vor websiteübergreifendem Tracking.

Interessenbezogene Werbung kann mit innovativen Lösungen, die im gesamten Werbesystem entwickelt wurden, weiter bestehen und profitabel sein. Mit diesen Technologien sind wir gut auf eine Zukunft vorbereitet, in der die Nutzerdaten besser geschützt sind. Gleichzeitig können wir mit Anzeigen Geld verdienen und die wirtschaftliche Grundlage schaffen, die ein dynamisches und offenes Web unterstützt.

Wie kann interessenbezogene Werbung ohne Drittanbieter-Cookies dank AdTech-Lösungen ermöglicht werden?

Damit das gelingt, geben Werbetreibende normalerweise Folgendes an ihre AdTech-Anbieter*innen weiter:

1. Ziel: Welches Geschäftsergebnis möchten Werbetreibende mit der Werbekampagne erreichen? Mit dieser Angabe können auf den Werbeplattformen die richtigen Optimierungen vorgenommen werden. Beispielsweise möchte ein Unternehmen über seine Website für Kinderkleidung mehr Umsatz erzielen. Diese Ziele werden oft mithilfe von websiteübergreifenden Conversion-Tags und Attributionsberichten gemessen.
2. Zielgruppe: Wer soll mit der Anzeige erreicht werden? Die Werbeplattform weiß dann, welche Nutzer*innen Werbetreibende ansprechen möchten. Beispielsweise möchte ein Unternehmen Neukunden erreichen, die derzeit kaufbereit für Kinderkleidung sind.
3. Placement: Auf welchen Websites möchten Werbetreibende Anzeigen schalten? Hiermit wird angegeben, in welchem Anzeigeninventar oder in welchen Kategorien Werbung erscheinen darf. Werbetreibende können ihre Anzeigen beispielsweise auf einer Reihe von Websites schalten oder bestimmte Websites auswählen, auf denen sie mit höherer Wahrscheinlichkeit die gewünschte Zielgruppe erreichen.
4. Budget und Gebot:Wie viel möchten Werbetreibende insgesamt ausgeben und wie viel für eine bestimmte Aktion, z. B. eine erzielte Impression, Conversion oder einen Anzeigenklick? Hierdurch wird sichergestellt, dass der Kostenrahmen zum Erreichen der Kampagnenziele eingehalten wird. Beispiel: Der Werbetreibende möchte 1.000 € insgesamt und einen CPM von maximal 2 € zum Erzielen von 500.000 Impressionen für ausgewählte Zielgruppen und auf bestimmten Websites ausgeben.

Zielgruppenerstellung weiterentwickeln

In einer Welt ohne Drittanbieter-Cookies müssen Anbieter von Werbelösungen überlegen, wie sie auf ihren Plattformen relevante Anzeigen ausliefern können. Heute wird die Anzeigenrelevanz gewöhnlich über Zielgruppen erreicht, über die Werbetreibende bestimmte Personen ansprechen können, die sehr wahrscheinlich an ihren Produkten und Dienstleistungen interessiert sind. Derzeit verwenden Unternehmen im Allgemeinen diese unterschiedlichen Zielgruppentypen:

1. Zielgruppe mit gemeinsamen Interessen: Nutzer werden basierend auf ihren Gewohnheiten und Interessen erreicht.
2. Kaufbereit: Sie erreichen Nutzer basierend auf ihrer letzten Kaufabsicht.
3. Remarketing: Hiermit werden Nutzer erreicht, die die Website von Werbetreibenden bereits besucht haben.
4. Zielgruppenerweiterung: Hiermit werden Nutzer eines bestimmten Publishers auf anderen Websites erreicht.

Nach der Einstellung von Drittanbieter-Cookies können Anbieter von Werbelösungen die Ziele für diese Zielgruppenarten mithilfe neuer Ansätze erreichen, einschließlich Privacy Sandbox-APIs.

Gemeinsames Interesse

Heute erreichen Werbetreibende nach ihren Interessen klassifizierte Nutzer*innen am häufigsten mithilfe von Drittanbieter-Datensegmenten. Diese Zielgruppen werden von vielen Datenmarktplätzen angeboten und zur Aktivierung in der gesamten AdTech-Umgebung bereitgestellt, und zwar über Kanäle wie Demand-Side-Plattformen (DSPs) und Datenverwaltungsplattformen (DVPs).

Diese Segmente werden normalerweise durch Tracking von Personen im Web mithilfe von Drittanbieter-Cookies erstellt. Nutzer werden dann basierend auf einer Taxonomie von Kategorien und proprietären Methoden gruppiert, um zu ermitteln, ob sie für eine Kategorie infrage kommen.

Nach der Einstellung von Drittanbieter-Cookies wird die Zielgruppenselektion basierend auf gemeinsamen Interessen weiterentwickelt, um anhand verschiedener Signale Nutzer*innen in eine bestimmte Zielgruppe einzufügen. Es gibt verschiedene Möglichkeiten, dies mit den datenschutzfreundlichen APIs der Privacy Sandbox zu erreichen, einschließlich:

• Topics API: Diese API bietet eine standardisierte Taxonomie von Interessen und eine öffentlich verfügbare Methode für die On-Device-Klassifizierung von Interessen für bestimmte Nutzer*innen basierend auf den Arten von Websites, die kürzlich besucht wurden. Die Topics API kann von AdTech-Lösungen aufgerufen werden, um die Interessen einer bestimmten Person abzurufen. Die API schützt die Privatsphäre, indem die Länge des berücksichtigten Browserverlaufs, der Zugriff von Personen auf ein bestimmtes Thema, die Anzahl der zurückgegebenen Kategorien usw. beschränkt werden. Diese API ist besonders nützlich, wenn es für AdTech keine direkten Publisher-Beziehungen oder Möglichkeiten zur Kontextoptimierung gibt.
• Topics API mit Kontextdaten: Eine fortschrittlichere Methode, bei der die Themen und der Kontext einer von Nutzern aufgerufenen Seite verglichen werden, um weitere Interessensgebiete auszuloten. Wenn mit AdTech-Lösungen beispielsweise herausgefunden wird, dass Nutzer*innen sich für eine bestimmte Gruppe von Themen (etwa Outdooraktivitäten) interessieren, können sie den Besuch bestimmter Kategorien von Seiten (etwa Websites zum Grillen) übermäßig indexieren. Ein Mitarbeiter aus dem AdTech-Bereich kann ein Modell für maschinelles Lernen trainieren, um vorherzusagen, dass Besucher*innen einer Website zu Outdooraktivitäten auch am Thema Grillen interessiert sein könnten, auch wenn „Barbecue und Grillen“ über die Topics API nicht als Thema zurückgegeben wird. Diese Methode ist besonders nützlich für AdTech auf Käuferseite, wenn diese über Funktionen zur Kontextoptimierung verfügt.
• FLEDGE API: Mit dieser API können AdTech-Lösungen Zielgruppensegmente erstellen, indem Besucher einer Webseite als Mitglieder eines bestimmten Segments gekennzeichnet werden, z. B. „Interesse an Familienabenteuern“. Wenn der Anbieter der Anzeigentechnologie-Lösung andere Websites in seinem Partnernetzwerk hat, die sich auf „Familienabenteuer“ beziehen, kann er Besucher dieser Websites ebenfalls in dieses Segment aufnehmen. FLEDGE schützt die Privatsphäre der Nutzer, indem die Zuordnung von Nutzern zu Zielgruppensegmenten auf dem Gerät erfolgt und nicht an AdTech-Lösungen weitergegeben wird, ob derselbe Nutzer zu mehreren Interessengruppen gehört. Dies schränkt das websiteübergreifende Tracking ein. Die API ist besonders nützlich für eine AdTech-Lösung mit einem Netzwerk aus Websitepartnerschaften.

Mithilfe dieser Methoden können in AdTech-Lösungen skalierte Zielgruppensegmente mit gemeinsamen Interessen angeboten werden, ohne dass websiteübergreifende Nutzerkennungen notwendig sind. Die Lösungen sind dabei nicht auf eine Methode beschränkt, sondern es ist eine Differenzierung basierend auf den Publisher-Beziehungen, Werbetreibendenbeziehungen und Funktionen für maschinelles Lernen möglich.

Kaufbereite Zielgruppen

Derzeit erreichen Werbetreibende Nutzer, die als „kaufbereit“ (auch als „Kaufabsicht“ bezeichnet) eingestuft werden, mithilfe von Drittanbieter-Cookie-Segmenten. Das ist ähnlich wie beim Zugriff auf Zielgruppen auf Grundlage von „Affinität“. Ob ein Nutzer als „kaufbereit“ für ein Produkt wie „Kochutensilien“ eingestuft wird oder sich einfach nur für Kochen interessiert, hängt von den proprietären Taxonomien und Methoden der Anbieter von Werbelösungen ab.

Nach der Einstellung von Drittanbieter-Cookies liefern datenschutzfreundliche APIs neue Signale zum Erstellen kaufbereiter Zielgruppen. Zu den alternativen Methoden gehören:

• Topics API: Ähnlich wie bei der Verwendung dieser API für Zielgruppen mit gemeinsamen Interessen wird bei der Verwendung für Zielgruppen mit Kaufabsicht ein Thema zurückgegeben, das die Kaufabsicht für einen bestimmten Nutzer basierend auf einer öffentlich bekannten On-Device-Methodik und ‑Taxonomie annähern kann. Das standardisierte dreiwöchige Rückblicksfenster zum Generieren dieser Themen schützt die Privatsphäre der Nutzer, da die Gesamtmenge der Daten, die Anzeigensolutions-Anbietern zur Verfügung gestellt werden, begrenzt wird. Für die verschiedenen Kategorien von Produkten und Dienstleistungen gibt es jedoch verschiedene Kaufbereitschaftszyklen, die von Tagen bis Monaten reichen. Daher ist diese API nützlich für Werbetreibende, deren Kundenkaufzyklus zum Lookback-Window des Themas passt.
• FLEDGE API: Wie beim Anwendungsfall „Affinität“ können AdTech-Plattformen mit dieser API eigene Segmente erstellen, z. B. „Autokäufer mit Kaufabsicht“. Wenn der Anbieter von Anzeigentechnologielösungen andere Websites in seinem Partnernetzwerk hat, die sich auf „Autokäufer in der Kaufphase“ beziehen, kann er Besucher dieser Websites auch diesem Segment hinzufügen und gleichzeitig den websiteübergreifenden Datenschutz für Nutzer wahren. FLEDGE ist besonders nützlich für eine AdTech-Lösung, wenn es eine direkte Publisher-/Werbetreibendenbeziehung gibt, die eine Datenpartnerschaft ermöglicht, und eine stärkere Anpassung notwendig ist, als es mit der Topics API möglich wäre.
• Topics API + Attribution Reporting API: Durch die Kombination von Topics und der Attribution Reporting API können Sie die Listen der Themen erweitern, die bestimmten Conversions wie Käufen zugeordnet sind. So haben Sie zusätzliche Möglichkeiten, Nutzer mit Kaufabsicht zu erreichen. Analysen oder Systeme für maschinelles Lernen können beispielsweise ergeben, dass Nutzer, die eine Anzeige für Tauchausrüstung gesehen und gekauft haben, sehr oft mit den Themen „Strände und Inseln“ und „Angeln“ in Verbindung gebracht werden. Eine AdTech-Lösung könnte diese Informationen nutzen, um für Tauchausrüstung kaufbereite Nutzer*innen besser zu erreichen, indem konkret Personen angesprochen werden, die sich für diese beiden Themen interessieren. In diesem Fall wird der Datenschutz durch Attributionsberichte geschützt, indem aggregierte Conversion-Daten zu Zuordnungen von Themen zu Conversions bereitgestellt werden, die mit Rauschen versehen sind. Dieser Ansatz ist sinnvoll, wenn Anbieter von Anzeigenlösungen nicht viele Kontextdaten, aber Funktionen für maschinelles Lernen oder robuste Data Science- und Analysefunktionen haben.
• Kontextbezogene Daten + Attribution Reporting API: Ad-Tech-Lösungen können die kontextbezogene Kategorisierung der Seiten, auf denen Anzeigen ausgeliefert werden, die Kategorisierung von Werbetreibenden und Produkten sowie Daten aus Attribution Reporting nutzen, um Trends oder Muster bei den Arten von Websites zu ermitteln, die Nutzer bevorzugen, wenn sie bestimmte Arten von Produkten und Dienstleistungen kaufen möchten. Aus dieser Kombination von Daten lässt sich beispielsweise ableiten, dass Besucher von Webseiten zu Familienaktivitäten mit hoher Wahrscheinlichkeit auch kaufbereit für Outdoorkleidung sind.

Diese Methoden stellen nur einige von vielen Möglichkeiten dar, wie sich mit AdTech-Lösungen Zielgruppensegmente kreativ skalieren und anpassen lassen, ohne auf websiteübergreifende Nutzerkennungen angewiesen zu sein. Um noch bessere Ergebnisse zu erzielen, können auch mehr Signale integriert werden, etwa selbst erhobene Daten und andere Kombinationen von datenschutzfreundlichen APIs. So bieten AdTech-Lösungen einen echten Mehrwert, indem sie verschiedene Ansätze für das Erstellen von Zielgruppen, Sichern eindeutiger Daten und Entwickeln überragender Funktionen für maschinelles Lernen verfolgen.

Remarketing

Durch Remarketing können Werbetreibende Nutzer, die ihre Website bereits besucht haben, noch einmal ansprechen. Das wird derzeit realisiert, indem zum Zeitpunkt eines Websitebesuchs ein Drittanbieter-Cookie im Browser platziert wird. Wenn das Cookie auf einer anderen Website festgestellt wird, werden Gebote abgegeben, um Anzeigen in diesem Browser auszuliefern. AdTech-Lösungen können verschiedene Remarketing-Segmente für eine bestimmte Website erstellen, die auf Nutzeraktivitäten auf dieser Website basieren.

Ohne Drittanbieter-Cookies kann die FLEDGE API in AdTech-Lösungen verwendet werden, um folgende Anwendungsfälle zu unterstützen:

• FLEDGE API: AdTech-Lösungen können angepasste Remarketing-Segmente für eine Website erstellen, indem von der Nutzeraktivität abhängige Interessengruppen gebildet werden. In bisherigen Anwendungsfällen mit FLEDGE wurden mit AdTech-Lösungen sehr große Zielgruppen aus mehreren Websites erstellt. In diesem Anwendungsfall versucht nur eine Website, frühere Besucher noch einmal anzusprechen, und ohne die in FLEDGE integrierten Datenschutzmaßnahmen kann dieser Anwendungsfall dazu führen, dass Websites einzelne Nutzer identifizieren. Diese API ermöglicht effektives Zielgruppen-Remarketing und schützt die Privatsphäre, indem Grenzwerte für die k-Anonymität festgelegt werden, um dafür zu sorgen, dass eine ausreichende Anzahl von Nutzern die Anzeige sieht.

Auch ohne Drittanbieter-Cookies können Werbetreibende dank der Privacy Sandbox ihre selbst erhobenen Daten verwenden, um Remarketing in großem Umfang auf Drittanbieter-Websites zu betreiben.

Zielgruppenerweiterung

Werbetreibende möchten manchmal mehr Mitglieder derselben Zielgruppe erreichen, die von einem bestimmten Publisher stammen, aber auf anderen Websites. Bei der Zielgruppenerweiterung werden die Zielgruppen mit selbst erhobenen Daten erweitert, indem Nutzer*innen auf anderen Websites gefunden werden, um die Häufigkeit oder erzielte Reichweite der Anzeigen für dieselbe Zielgruppe zu erhöhen. Damit kann ein Publisher ein Zielgruppensegment anbieten, beispielsweise ein Segment mit gemeinsamen Interessen (z.B. Golfspieler) oder demografischen Merkmalen (z.B. Altersgruppe), damit Werbetreibende diese Zielgruppe auf anderen Websites finden können. Die Zielgruppenerweiterung wird auch verwendet, wenn Werbetreibende die Bekanntheit ihrer Produkte verbessern möchten, indem sie Verbraucher erreichen, wenn diese auf der Website eines Einzelhandelsunternehmens und anderswo im Web einkaufen.

Mit AdTech-Lösungen werden Zielgruppen für Publisher ohne Drittanbieter-Cookies erweitert:

• FLEDGE API: AdTech-Lösungen können benutzerdefinierte Zielgruppenerweiterungssegmente für eine Website erstellen, indem von der Nutzeraktivität abhängige Interessengruppen gebildet werden. Dazu gehört beispielsweise das Lesen eines bestimmten Abschnitts einer Website (z. B. der Reisebereich). Dieser Prozess ist ähnlich effektiv wie Remarketing und bietet dieselben Datenschutzmaßnahmen. Er ist nützlich für Werbetreibende, die Zielgruppen mit selbst erhobenen Daten eines Publishers schätzen, aber auf der Website des Publishers nicht genügend Anzeigeninventar für diese Zielgruppe bekommen können.

Wie lässt sich mit maschinellem Lernen und datenschutzkonformen Signalen die Leistung maximieren?

Da Drittanbieter-Cookies bald eingestellt werden, überlegen viele Werbetreibende, wie sie mit maschinellem Lernen und datenschutzkonformen Signalen die Ergebnisse optimieren können.

Bessere Geschäftsergebnisse für Werbetreibende durch Automatisierung

In der Regel ermöglichen AdTech-Lösungen verschiedene Möglichkeiten für die manuelle und automatisierte Kampagnenoptimierung.

Bei den meisten manuellen Lösungen müssen Werbetreibende die gewünschten Zielgruppen, Placements und Gebote festlegen und sich dann an diese Angaben halten. Manuelle Einrichtungen bieten Werbetreibenden eine solide Kontrolle. Die Ergebnisse sind aber suboptimal, wenn vorausgesetzt wird, dass Werbetreibende alle leistungsstarken Zielgruppen und Placements kennen müssen oder angesichts aller beteiligten Variablen das theoretische optimale Gebot nicht vorhersagen können.

Bei den meisten automatisierten Lösungen müssen Werbetreibende das gewünschte Geschäftsergebnis (z.B. 2 € Cost-per-Action/Verkauf) angeben. Mit maschinellem Lernen werden die Zielgruppen und Placements ermittelt, die für Werbetreibende profitabel sind, sowie das richtige Gebot, um das gewünschte Ziel zu erreichen. Bei dieser Einrichtung gibt es nur wenige oder keine Einschränkungen bei der AdTech-Lösung, bis auf das Budget und das Ziel. Die Zielgruppenauswahl von Werbetreibenden kann als Vorschlag oder Ausgangspunkt betrachtet werden. Mithilfe von maschinellem Lernen werden aber in allen verfügbaren Daten nach Mustern gesucht, die für Menschen unter Umständen nicht erkennbar sind.

Beim maschinellen Lernen werden diese Muster verwendet, um die Leistung durch Hinzufügen weiterer relevanter Zielgruppen und Anpassen der Gebote basierend auf der prognostizierten Leistung dieser Zielgruppen zu optimieren. Die Privacy Sandbox ist eine der vielen Quellen von Signalen, auf die das maschinelle Lernen nach der Einstellung von Drittanbieter-Cookies zurückgreifen kann. Durch maschinelles Lernen kann die Anzeigenleistung maximiert werden, indem durch kontinuierliches Testen und Lernen die besten Zielgruppen, Placements und Gebote für Zeiträume, Kampagnen und sogar Werbetreibende ermittelt werden. Zu erwähnen ist jedoch, dass ähnliche Zusammenhänge auch von qualifizierten Teams mit einer detaillierten und ausgereiften Analyse entdeckt werden können.

Die Arbeit wird für Werbetreibende einfacher, weil sie keine Zielgruppen, Placements und Gebote mehr verwalten müssen, und mit Systemen für maschinelles Lernen werden die bestmöglichen Ergebnisse erzielt. Von AdTech-Investitionen in automatisierte Lösungen profitieren nicht nur Werbetreibende, sondern sie können auch den Wegfall von Drittanbieter-Cookies kompensieren.

Zusätzliche Signale für maschinelles Lernen

Bei AdTech-Lösungen wurde immer basierend auf mehreren Signalen entschieden, ob ein Gebot für das Ausliefern einer Anzeige abgegeben wird. In einem Umfeld ohne websiteübergreifendes Cookie-Tracking ist es für den Erfolg dieser Lösungen entscheidend, dass jedes verfügbare datenschutzkonforme Signal beim maschinellen Lernen verwendet wird, um Geschäftsergebnisse wie Klicks oder Conversions zu prognostizieren. Die folgenden datenschutzkonformen Signale werden häufig unterschätzt, können aber in einer Zukunft ohne Drittanbieter-Cookies entscheidend zur Anzeigenrelevanz beitragen:

1. Anzeigenmerkmale: Durch Analysieren von Anzeigen auf Komponentenebene (z. B. Text, Bilder, Design) kann die Leistung bei spezifischen Zielgruppen oder auf bestimmten Seiten besser vorhergesagt werden. Dazu gehört beispielsweise die Thematik der Anzeige oder ob sie sehr viel Text enthält.
2. Selbst erhobene Daten: Publisher, Werbetreibende und Einzelhandelsnetzwerke erstellen zunehmend eigene Kennungen und Segmente, beispielsweise Seller-Defined Audiences. Wenn das Nutzerverhalten im Laufe der Zeit auf einer bestimmten Website bekannt ist, können Sie besser vorhersehen, welche Anzeigen für diese Person oder das Segment auf dieser Website funktionieren – ganz ohne websiteübergreifende Profilerstellung. Mit den selbst erhobenen Daten kann die Gebotsabgabe auf allen Websites eines Publishers verbessert werden. Durch diese websitespezifische Gebotsoptimierung kann die Leistung einer Kampagne kumulativ erhöht werden.

AdTech-Lösungen liefern die besten Ergebnisse, indem alle verfügbaren Tools kombiniert werden, etwa maschinelles Lernen und datenschutzkonforme Signale aus datenschutzfreundlichen APIs, zusammen mit Kontext-, Anzeigen- und selbst erhobenen Daten.

Fazit

Nach der Einstellung von Drittanbieter-Cookies ist es wichtig, dass die Werbebranche weiter relevante Anzeigen ausliefert und Verbraucher*innen auf effektive Datenschutzmaßnahmen zählen können. Wir wissen, dass das Erstellen mit neuen Tools, wie denen aus der Privacy Sandbox, aufwendig ist, und werden die Branche bei dieser Umstellung unterstützen.

Wir empfehlen Ihnen, Folgendes zu tun:

1. Fügen Sie Ihren AdTech-Lösungen datenschutzfreundliche APIs wie Topics, FLEDGE und Attribution Reporting hinzu, um nach dem Wegfall von Drittanbieter-Cookies allgemeine Anwendungsfälle für interessenbasierte Werbung zu unterstützen.
2. Testen Sie Privacy Sandbox-APIs in Verbindung mit anderen datenschutzkonformen Signalen, einschließlich selbst erhobener Daten von Publishern, um sich auch in Zukunft einen Einblick in die Leistung zu verschaffen und die richtige Strategie zu finden.
3. Maximieren Sie die Leistung, indem Sie dafür sorgen, dass das System für maschinelles Lernen alle verfügbaren datenschutzkonformen Daten nutzt und maximale Freiheit beim Lernen und Optimieren hat.

Die AdTech-Branche kann mithilfe der Privacy Sandbox-APIs viele Kernfunktionen zur Ausrichtung und Gebotsabgabe erfüllen. Noch mehr Vorteile ergeben sich aber, wenn zusätzliche datenschutzfreundliche Signale über diese APIs hinaus integriert und alle diese Signale zusammen bereitgestellt werden.

Innovation ist einer der Grundpfeiler der Branche für digitale Werbung. Wenn wir bestehende Ansätze für mehr Anzeigenrelevanz weiterentwickeln, gelingt uns ein erfolgreicher Umstieg von Drittanbieter-Cookies zu einem leistungsfähigeren Web mit mehr Datenschutz.