¿Qué es un data clean room?

Un data clean room es un entorno de datos controlado donde dos o más organizaciones cruzan y analizan su información de forma conjunta, sin entregarse entre sí los datos originales. Cada parte conserva el control sobre sus propios datos y solo recibe resultados agregados de las consultas que se ejecutan dentro del entorno.

El término procede de la industria de semiconductores, donde una sala limpia es un espacio con condiciones controladas para evitar contaminación. Aplicado a datos, la limpieza se refiere a que ningún participante ve los datos en bruto del otro: ve el resultado de un análisis conjunto, nunca el listado individual que lo produjo.

Conviene distinguirlo de conceptos cercanos. Un CDP (plataforma de datos de clientes) centraliza los datos propios de una sola empresa para uso interno; un data clean room permite que varias empresas los crucen sin compartirlos directamente. Tampoco equivale a una integración de datos convencional, donde una parte entrega su base completa a la otra. Y no es, por sí mismo, una herramienta de cumplimiento normativo: el RGPD sigue aplicando a los datos que entran en la sala, el entorno reduce el riesgo de exposición entre empresas, no sustituye la base legal para tratarlos.

En publicidad, el caso de uso más habitual es medir el resultado de una campaña cruzando el listado de clientes de un anunciante con los datos de exposición a anuncios de una plataforma, sin que el anunciante vea a quién ha impactado la plataforma ni esta vea la base de clientes completa del anunciante.

El mecanismo se apoya en tres piezas: un entorno con acceso restringido, un lenguaje de consulta compartido y reglas que limitan qué puede salir de ahí.

Primero, cada organización conecta o carga sus datos en el entorno, normalmente identificados con un hash o un ID común, por ejemplo un correo o un teléfono cifrado con el mismo algoritmo en ambos lados, para poder cruzarlos sin exponer el dato original. Ninguna de las partes descarga los datos de la otra en este paso, ni siquiera el operador de la sala accede a ellos en claro.

Segundo, las consultas se escriben en SQL o en un lenguaje similar y se ejecutan dentro del entorno, no fuera de él. El código de la consulta puede ser visible o auditable para ambas partes, pero lo único que sale del entorno es un agregado: un recuento, un porcentaje, una media. Google Ads Data Hub, por ejemplo, aplica comprobaciones de privacidad obligatorias antes de que cualquier dato salga de su proyecto de Google Cloud, y agrega los datos antes de entregarlos al anunciante.

Tercero, existen umbrales mínimos de agregación: si un resultado afectaría a un grupo demasiado pequeño de personas, por ejemplo menos de cincuenta, el sistema bloquea la consulta, porque un grupo pequeño es más fácil de reidentificar. Algunas implementaciones añaden además ruido estadístico a los resultados, una técnica conocida como privacidad diferencial, para dificultar aún más esa reidentificación.

El resultado práctico es que ninguna de las partes se lleva una lista de personas ni un fichero con datos individuales de la otra. Se lleva una cifra o una tabla agregada, y esa cifra es lo único que abandona la sala.

La decisión de invertir en un data clean room suele depender de con quién hay que medir algo sin compartir datos brutos, por ley o por contrato: un fabricante y un retailer, o un anunciante y una plataforma de vídeo.

El contexto ha cambiado el cálculo. Safari y Firefox bloquean las cookies de terceros por defecto desde hace años. Chrome anunció en julio de 2024 que abandonaba su plan de eliminarlas por completo y dejó la decisión en manos del usuario mediante un aviso de elección; ya no es la referencia estable que fue durante la última década. Una parte creciente del tráfico no admite el cruce de datos por cookie de terceros, al margen de qué política aplique finalmente cada navegador. Los data clean rooms no dependen de esa cookie, y por eso ganan peso como alternativa de medición conjunta.

En retail media es, además, una condición contractual habitual: las grandes cadenas exigen a las marcas medir sus campañas dentro del entorno de la cadena, no fuera de él, para no ceder su base de clientes a terceros.

La otra decisión que depende de esto es de quién es la sala. Un data clean room de un solo proveedor, como el de Google o el de una cadena de retail, da menos control a la otra parte que uno neutral operado por un tercero independiente.

• Antes de conectar datos a la sala, define con el otro participante qué umbral mínimo de agregación acepta cada consulta, por ejemplo no publicar resultados que afecten a menos de 50 personas.
• Revisa quién opera el entorno antes de aportar tus datos: una sala de un solo proveedor no es neutral entre las partes, una operada por un tercero independiente sí lo es.
• Documenta la base legal del RGPD de cada dato antes de subirlo a la sala. El entorno reduce el riesgo de exposición, no sustituye el consentimiento ni la base jurídica.
• Prueba las consultas con datos ficticios antes de ejecutarlas con datos reales, para detectar fugas de granularidad antes de que ocurran con información de personas reales.
• Pacta por contrato qué pasa con los resultados agregados una vez terminada la colaboración: quién los conserva, durante cuánto tiempo y con qué finalidad.
• Verifica si el clean room permite auditar el código de las consultas, no solo el resultado final, antes de dar acceso a datos sensibles de clientes.

• Tratar el data clean room como sustituto del consentimiento del usuario, cuando en realidad solo reduce el riesgo de exposición entre empresas.
• Subir datos sin hashear ni pseudonimizar, confiando en que el control de acceso del entorno basta por sí solo para protegerlos.
• No fijar un umbral mínimo de agregación, lo que permite consultas tan específicas que acaban identificando a una sola persona.
• Asumir que todos los data clean rooms son interoperables entre sí: cada proveedor usa su propio formato de identificador y sus propias reglas de acceso.
• No revisar quién es el propietario de la infraestructura, lo que puede dar a un proveedor una ventaja de información sobre el resto de participantes de la sala.