Data Clean Room: Ham Veriyi Paylaşmadan Birlikte Analiz Etme Mimarisi

Data Clean Room nedir sorusu; iki veya daha fazla kuruluşun müşteri, kampanya, satış ya da kullanıcı verilerinden ortak sonuç üretmek istediği fakat ham kayıtları birbirine vermek istemediği durumlarda önem kazanır.

Bir perakende şirketi, reklam platformundaki kampanyaların mağaza satışlarına etkisini ölçmek isteyebilir. Bir banka ile sigorta şirketi ortak müşteri davranışlarını analiz etmeyi planlayabilir. Bir yayıncı ve reklamveren, aynı kullanıcı grubuna kaç kez reklam gösterildiğini hesaplamak isteyebilir.

Bu kuruluşların verileri doğrudan birbirine göndermesi; gizlilik, ticari sır, sözleşme, güvenlik ve mevzuat açısından ciddi riskler oluşturabilir.

Data Clean Room veya Türkçedeki yaygın karşılığıyla veri temiz odası, tarafların veriler üzerinde önceden belirlenen analizleri çalıştırmasına izin verirken ham ve kullanıcı düzeyindeki kayıtların kontrolsüz biçimde görülmesini engellemeyi amaçlayan veri iş birliği ortamıdır.

Taraflar hangi veri kümelerinin kullanılacağını, kimlerin analiz yapabileceğini, hangi SQL sorgularının çalıştırılabileceğini ve sonuçların hangi koşullarda dışarı çıkarılabileceğini önceden belirler.

Örneğin sistem yalnızca en az 100 kullanıcı içeren grupların toplam satış tutarını gösterebilir. Tek bir kişinin satın alma geçmişini döndüren sorguyu veya sonuçları küçük gruplara bölerek kişiyi tahmin etmeye çalışan analizleri engelleyebilir.

Ancak “clean room” adı ortamın otomatik olarak güvenli, anonim veya mevzuata uyumlu olduğu anlamına gelmez. Yanlış kimlik eşleştirme, geniş sorgu izinleri, küçük çıktı grupları, yetersiz loglama ve kontrolsüz dışa aktarma özellikleri veri açığa çıkmasına neden olabilir.

Bu rehberde Data Clean Room mimarisini, çalışma modelini, tarafların rollerini, kimlik eşleştirmeyi, analiz kurallarını, gizlilik artırıcı teknolojileri, reklam dışındaki kullanım alanlarını ve kurulum sırasında dikkat edilmesi gereken güvenlik kontrollerini ele alacağız.

Data Clean Room Nedir?

Data Clean Room, birden fazla tarafın verileri üzerinde kontrollü eşleştirme ve analiz yapmasını sağlayan güvenli iş birliği ortamıdır.

Temel amaç taraflardan birinin diğer tarafın ham verisini indirip kendi sistemine kopyalaması yerine, yalnızca izin verilen hesaplamaların yapılması ve onaylanan sonuçların gösterilmesidir.

Bir Data Clean Room içerisinde aşağıdaki kontroller birlikte bulunabilir:

• Veri kümelerine göre rol tabanlı erişim
• Önceden onaylanmış SQL sorgu şablonları
• Yalnızca toplulaştırılmış sonuç gösterme
• Minimum grup büyüklüğü
• Belirli sütunları sorgudan gizleme
• Birleştirilebilecek tabloları sınırlama
• Sorgu geçmişini kaydetme
• Sonuçların dışarı aktarılmasını kontrol etme
• Gizlilik bütçesi ve diferansiyel gizlilik
• Şifreli kimlik eşleştirme

Clean Room Adı Nereden Gelir?

Terim, fiziksel olarak kontrollü erişime sahip temiz oda yaklaşımını çağrıştırır. Veriler yalnızca sınırları belirlenmiş bir ortamda ve belirli işlemler için kullanılabilir.

Fakat her sağlayıcının “Data Clean Room” adı altında sunduğu özellikler aynı değildir. Bazı platformlar yalnızca kontrollü SQL analizi sağlarken bazıları kimlik eşleştirme, diferansiyel gizlilik, makine öğrenmesi ve güvenli aktivasyon özellikleri de sunabilir.

Neden Data Clean Room Kullanılır?

Ham Veri Paylaşımını Azaltmak

Kuruluşların ihtiyaç duyduğu sonuç çoğu zaman bütün müşteri tablosu değildir. Yalnızca ortak müşteri sayısı, kampanya dönüşümü veya toplam satış gibi bir hesaplamaya ihtiyaç duyulabilir.

Data Clean Room, iş birliğini sonuç üzerinden kurarak gereksiz ham veri paylaşımını azaltabilir.

Birinci Taraf Verilerden Ortak Değer Üretmek

Üçüncü taraf tanımlayıcıların kullanımının azalması, kuruluşların kendi müşterilerinden doğrudan topladığı birinci taraf verilere olan ilgiyi artırmıştır.

İki kuruluş, bu verileri birbirine teslim etmeden ortak kitle veya performans analizi yapabilir.

Ticari Sırları Korumak

Müşteri listesi, satın alma geçmişi ve kampanya performansı yalnızca kişisel veri değil, aynı zamanda ticari açıdan hassas bilgi olabilir.

Her taraf yalnızca iş birliği için gerekli sonuçlara erişirken diğer tarafın tam veri seti gizli tutulabilir.

Kontrollü Analiz Sağlamak

Normal veri paylaşımında dosya karşı tarafa gönderildikten sonra nasıl kullanılacağını teknik olarak kontrol etmek zor olabilir.

Clean Room yaklaşımında analizler ortam içinde çalışır ve izin verilmeyen sorgular engellenebilir.

Denetlenebilirlik Oluşturmak

Hangi kullanıcının, hangi veri üzerinde, ne zaman ve hangi sorguyu çalıştırdığı kayıt altına alınabilir.

Data Clean Room Nasıl Çalışır?

Her platformun teknik yapısı farklı olsa da tipik bir Data Clean Room süreci şu aşamalardan oluşur:

1. Taraflar kullanım amacını ve ortak analiz sorusunu belirler.
2. Veri sağlayıcılar kullanılacak tabloları seçer.
3. Kimlik veya olay alanları ortak bir formata dönüştürülür.
4. Veriler güvenli çalışma ortamına bağlanır veya aktarılır.
5. İzin verilen analiz şablonları tanımlanır.
6. Kimlik eşleştirme veya tablo birleştirme işlemi yapılır.
7. Analiz yalnızca izin verilen sütunlar üzerinde çalışır.
8. Sonuçlara minimum grup ve gizlilik kontrolleri uygulanır.
9. Onaylanan toplu sonuçlar dışarı aktarılır.
10. Sorgu, kullanıcı ve çıktı kayıtları denetim için saklanır.

Temel İlke

Taraflar ihtiyaç duydukları ortak sonuca ulaşırken birbirlerinin gereksiz ham verilerine erişmemelidir.

Data Clean Room Temel Mimari Bileşenleri

Data Clean Room Rollerı

Data Provider

Analizde kullanılacak veri kümesini sağlayan taraftır. Bir iş birliğinde birden fazla veri sağlayıcı bulunabilir.

Analysis Runner

İzin verilen sorgu veya analizleri çalıştıran taraftır. Her veri sağlayıcının bütün sorguları çalıştırmasına izin verilmek zorunda değildir.

Collaboration Owner

İş birliğinin üyelerini, kaynaklarını ve temel yapılandırmasını yöneten taraf veya platform rolüdür.

Data Consumer

Analiz sonucunu kullanan tarafı ifade eder. Sonucun ham veri değil, onaylanmış toplu çıktı olması beklenir.

Clean Room Provider

Teknik çalışma ortamını, hesaplama motorunu, güvenlik ve politika özelliklerini sağlayan hizmettir.

Privacy veya Governance Owner

Kullanım amacını, veri kapsamını, saklama süresini ve çıktı koşullarını değerlendiren iç sorumludur.

Data Clean Room Veri Akışı Nasıl Gerçekleşir?

Veri akışı merkezi veya dağıtık mimariye göre değişebilir.

Merkezi Ortam

Taraflar seçilen veri kümelerini ortak clean room altyapısına yükler veya kopyalar. Analiz bu merkezi ortamda gerçekleştirilir.

Yerinde Okuma

Clean Room hizmeti verileri mevcut bulut depolarından veya veri ambarlarından okur. Ayrı bir üçüncü taraf sisteme tam kopya aktarılması gerekmeyebilir.

Dağıtık Hesaplama

Veriler tarafların kendi ortamlarında kalırken kriptografik veya dağıtık hesaplama yöntemleriyle yalnızca ortak sonuç üretilebilir.

Hibrit Model

Kimlik eşleştirme, analiz ve çıktı üretimi farklı güvenlik mekanizmalarıyla ayrı katmanlarda yürütülebilir.

Veri Mutlaka Ortak Bir Yere Taşınır mı?

Hayır. Bu durum kullanılan clean room mimarisine bağlıdır.

Bazı çözümlerde veri sağlayıcı tablolarını clean room platformuna kopyalar. Bazılarında tablolar mevcut bulut hesaplarında kalır ve hizmet veriyi bulunduğu yerden okur.

Private Set Intersection, Secure Multi-Party Computation veya Trusted Execution Environment kullanan tasarımlarda veri paylaşım modeli daha farklı olabilir.

“Veri Yerinde Kalıyor” İfadesi Nasıl Değerlendirilmelidir?

Bu ifade tek başına yeterli değildir. Aşağıdaki sorular sorulmalıdır:

• Analiz sırasında verinin geçici kopyası oluşturuluyor mu?
• Hangi hizmet hesabı veriyi okuyabiliyor?
• Veri hangi bölgede işleniyor?
• Sorgu sonucu nerede saklanıyor?
• Loglar hassas alan içeriyor mu?
• Platform yöneticileri ham verilere erişebiliyor mu?

Data Clean Room’da Kimlik Eşleştirme Nasıl Yapılır?

İki veri kümesinin birleştirilebilmesi için aynı kişiyi veya varlığı temsil eden ortak bir anahtar gerekir.

Yaygın Eşleştirme Alanları

• E-posta adresi
• Telefon numarası
• Müşteri kimliği
• Sadakat kartı numarası
• Reklam veya platform tanımlayıcısı
• Hane kimliği
• Şirket veya cihaz kimliği

Normalizasyon

Hash veya şifreleme öncesinde tarafların aynı normalizasyon kuralını kullanması gerekir.

Örneğin e-posta adresleri için:

• Baştaki ve sondaki boşlukların kaldırılması
• Harflerin küçük karaktere dönüştürülmesi
• Unicode biçiminin tutarlı olması
• Geçersiz adreslerin ayrılması

gibi işlemler eşleşme oranını etkileyebilir.

Yanlış Eşleştirme

Aynı telefon numarasını paylaşan aile üyeleri, değiştirilen e-posta adresleri veya ortak kullanılan cihazlar hatalı kişi eşleştirmesine neden olabilir.

Kimlik Alanlarını Hash’lemek Yeterli mi?

Hash, girdiyi sabit uzunlukta bir özet değere dönüştürür. Ancak tek başına kişisel veriyi anonim hâle getirdiği varsayılmamalıdır.

E-posta ve telefon numarası gibi tahmin edilebilir alanlar sözlük saldırılarıyla tekrar denenebilir. Saldırgan olası e-posta adreslerini hash’leyerek eşleşen değeri bulabilir.

Hash Kullanımında Dikkat Edilecekler

• Güçlü ve güncel algoritma kullanılmalıdır.
• Tarafların normalizasyon kuralları eşleşmelidir.
• Ham kimlik alanı işlem sonrasında kaldırılmalıdır.
• Hash değerleri de erişim kontrolüne tabi tutulmalıdır.
• Tek başına anonimlik kanıtı olarak değerlendirilmemelidir.

Private Set Intersection Nedir?

Private Set Intersection veya PSI, iki tarafın özel listelerindeki ortak elemanları, ortak olmayan elemanları birbirine açıklamadan belirlemesini sağlayan kriptografik yöntem ailesidir.

Basit Örnek

Bir reklamverenin 500 bin müşteri kaydı, yayıncının ise iki milyon kullanıcı kaydı olduğunu düşünelim.

PSI ile iki taraf yalnızca ortak kullanıcı kümesini veya ortak kullanıcı sayısını elde edebilir. Reklamveren yayıncının diğer kullanıcılarını, yayıncı da reklamverenin eşleşmeyen müşterilerini öğrenmez.

PSI Ne Sağlamaz?

PSI ortak küme dışındaki girdileri gizleyebilir; ancak sonuç üzerinde yapılacak sonraki analizlerin güvenliğini tek başına sağlamaz.

Çıktı eşikleri, erişim kontrolü ve kullanım amacı yine ayrıca yönetilmelidir.

Data Clean Room Analiz Kuralları

Analiz kuralları, veri sağlayıcının tablosu üzerinde hangi sorguların çalıştırılabileceğini belirler.

Aggregation Rule

Yalnızca COUNT, SUM veya AVG gibi toplulaştırılmış sonuçların alınmasına izin verir.

List Rule

Belirlenen sütunlardan kontrollü bir liste üretmeye izin verebilir. Bu özellik daha yüksek veri açığa çıkarma riski taşıdığı için dikkatle sınırlandırılmalıdır.

Custom Rule

Tarafların önceden onayladığı özel SQL sorgu veya şablonlarının kullanılmasını sağlar.

Analysis Template

Analizin tam sorgusu önceden hazırlanır ve veri sağlayıcılar tarafından onaylanır. Kullanıcı yalnızca tarih veya kampanya kimliği gibi sınırlı parametreleri değiştirebilir.

Sütun Kısıtlaması

Kimlik, adres veya sipariş detayı gibi alanların SELECT veya GROUP BY içerisinde kullanılmasına izin verilmeyebilir.

Data Clean Room Çıktı Gizlilik Kontrolleri

Minimum Aggregation Threshold

Sonuç grubunda belirli sayıdan az kişi varsa çıktı gösterilmez.

Örneğin en az 100 kullanıcı kuralı, tek kişinin veya çok küçük grubun davranışını görmeyi zorlaştırır.

Small Cell Suppression

Küçük hücreler rapordan tamamen kaldırılır veya daha geniş gruplarla birleştirilir.

Column Restrictions

Hassas alanların çıktı içerisinde yer alması engellenir.

Query Overlap Control

Kullanıcının çok sayıda benzer sorgu çalıştırarak iki sonuç arasındaki farktan tek bir kişiyi tahmin etmesi önlenmeye çalışılır.

Result Review

Yüksek riskli sonuçlar otomatik olarak dışarı aktarılmadan önce gizlilik sorumlusu tarafından incelenebilir.

Diferansiyel Gizlilik Nedir?

Diferansiyel gizlilik, bir kişinin veri kümesinde bulunup bulunmamasının yayımlanan sonuç üzerindeki etkisini matematiksel olarak sınırlandırmayı amaçlayan gizlilik çerçevesidir.

Sonuçlara kontrollü miktarda istatistiksel gürültü eklenebilir. Böylece toplu eğilimler korunurken tek bir kişinin katkısını tahmin etmek zorlaşır.

Gizlilik Bütçesi

Her sorgu, belirlenen gizlilik bütçesinin bir bölümünü tüketebilir. Kullanıcı aynı veri üzerinde sınırsız sorgu çalıştıramaz.

Fayda ile Gizlilik Dengesi

Daha fazla gürültü daha güçlü gizlilik sağlayabilir fakat sonucun analitik doğruluğunu azaltabilir.

Yanlış Uygulama Riski

Yalnızca “diferansiyel gizlilik kullanıyoruz” demek yeterli değildir. Parametreler, kompozisyon, bütçe yönetimi ve tehdit modeli değerlendirilmelidir.

Trusted Execution Environment Nedir?

Trusted Execution Environment veya güvenilir yürütme ortamı, kod ve verilerin işlem sırasında sistemin diğer bölümlerinden izole edilmesini amaçlayan donanım destekli çalışma alanıdır.

Clean Room İçindeki Rolü

Tarafların verileri izole çalışma ortamında işlenebilir. Bulut yöneticileri veya ana işletim sistemi belirli koşullarda işlenen içeriğe doğrudan erişemeyebilir.

Remote Attestation

Taraflar hesaplamanın beklenen kod ve güvenilir donanım içinde çalıştığını doğrulayabilir.

Sınırlamalar

• Donanım ve firmware açıkları
• Yan kanal saldırıları
• Yanlış attestation doğrulaması
• İşlem öncesi ve sonrası verinin korunmaması
• Güvensiz uygulama kodu

TEE kullanımının bulunması bütün clean room mimarisini otomatik olarak güvenli hâle getirmez.

Secure Multi-Party Computation Nedir?

Secure Multi-Party Computation, birbirine tam olarak güvenmeyen birden fazla tarafın özel girdilerini açıklamadan ortak bir fonksiyonu hesaplamasını sağlayan kriptografik yaklaşımdır.

Örnek

Üç banka kendi dolandırıcılık kayıtlarını paylaşmadan belirli hesap veya işlem örüntüsünün kaç kurumda görüldüğünü hesaplayabilir.

Avantajı

Ham veri tek bir merkezi operatöre teslim edilmeden ortak hesaplama yapılabilir.

Dezavantajı

Normal SQL analizine kıyasla daha yüksek işlem, iletişim ve uygulama karmaşıklığı oluşturabilir.

Homomorfik Şifreleme Nedir?

Homomorfik şifreleme, veriler şifreli durumdayken belirli matematiksel işlemlerin yapılmasına ve sonuç çözüldüğünde doğru hesaplamanın elde edilmesine olanak sağlar.

Clean Room Kullanımı

Veri sağlayıcı, verisini şifreli biçimde sunabilir. Hesaplama tarafı düz metni görmeden belirli işlemleri gerçekleştirebilir.

Sınırlaması

Tam homomorfik şifreleme, normal açık veri hesaplamalarına göre önemli performans maliyeti oluşturabilir. Her clean room sorgusu için pratik olmayabilir.

Data Clean Room Kullanım Alanları

Kampanya ve Dönüşüm Ölçümü

Reklam platformu hangi kullanıcıların reklam gördüğünü, reklamveren ise hangi müşterilerin satın alma yaptığını bilir.

Taraflar kullanıcı düzeyi verilerini birbirine vermeden şu soruları cevaplayabilir:

• Reklam gören kaç kişi satın alma yaptı?
• Kampanyanın toplam satış geliri ne oldu?
• Yeni müşteriler ile mevcut müşterilerin farkı neydi?
• Farklı kampanya gruplarının dönüşüm oranı neydi?
• Mağaza ve internet satışları birlikte nasıl etkilendi?

Incrementality

Yalnızca dönüşüm saymak, reklamın gerçekten ek satış oluşturduğunu kanıtlamaz. Uygun deney ve kontrol gruplarıyla kampanyanın ilave etkisi ölçülebilir.

Kitle Eşleştirme ve Aktivasyon

Reklamveren, kendi müşteri grubuyla yayıncı veya platform kullanıcıları arasındaki örtüşmeyi analiz edebilir.

Eşleşen grubun ham kimliklerini görmek yerine:

• Ortak kitlenin büyüklüğü
• İlgi kategorileri
• Satın alma eğilimleri
• Benzer kullanıcı segmentleri

gibi sonuçlar üretilebilir.

Aktivasyon

Onaylanan segment, kullanıcıların açık kimlikleri dışarı çıkarılmadan reklam satın alma platformuna aktarılabilir.

Aktivasyon sürecinin ayrıca amaç, izin ve platform politikaları bakımından değerlendirilmesi gerekir.

Erişim ve Frekans Analizi

Bir kullanıcı aynı kampanyayı farklı yayıncılarda birçok kez görmüş olabilir. Tarafların kayıtları birbirinden ayrı olduğunda toplam erişim ve frekansı hesaplamak zorlaşır.

Clean Room ortamında:

• Tekil erişim
• Ortalama gösterim sayısı
• Aşırı reklama maruz kalan grup
• Platformlar arası tekrar oranı

toplu olarak analiz edilebilir.

Perakende ve Müşteri Analitiği

Perakendeci, sadakat kartı ve satış verisini bir marka veya reklam ortağıyla kontrollü biçimde analiz edebilir.

Örnek Sorular

• Belirli kampanyayı görenler hangi ürün kategorilerini satın aldı?
• Yeni ürün mevcut müşterilerde mi, yeni müşterilerde mi büyüdü?
• Online ve fiziksel mağaza davranışları nasıl farklılaştı?
• Kampanya sonrasında tekrar satın alma oranı değişti mi?

Finans ve Dolandırıcılık Analizi

Finans kuruluşları dolandırıcılık sinyallerini paylaşmak isteyebilir fakat müşteri ve işlem verilerini doğrudan birbirine gönderemez.

Privacy-enhancing teknolojilerle desteklenen clean room ortamında:

• Ortak riskli hesap veya cihaz örüntüleri
• Tekrarlanan sahte işlem özellikleri
• Birden fazla kurumda görülen saldırı altyapıları
• Toplu dolandırıcılık eğilimleri

incelenebilir.

Bu kullanım yüksek riskli olduğundan hatalı eşleşme ve otomatik karar verme sonuçları ayrıca değerlendirilmelidir.

Sağlık ve Araştırma Kullanımları

Farklı hastane veya araştırma kuruluşları, doğrudan kimlikli hasta kayıtlarını paylaşmadan toplu analiz yapmak isteyebilir.

Örnek Kullanımlar

• Belirli tedavinin farklı gruplardaki sonuçları
• Nadir hastalık vakalarının toplam sayısı
• İlaç yan etkilerinin genel dağılımı
• Hasta yolculuğu ve yeniden başvuru oranı

Sağlık verilerinin özel hassasiyeti nedeniyle clean room kullanılması tek başına yeterli değildir. Etik kurul, hukuki dayanak, veri minimizasyonu ve çıktı riskleri ayrıca ele alınmalıdır.

Data Clean Room ile Makine Öğrenmesi

Bazı clean room platformları ortak veri üzerinde makine öğrenmesi modeli veya benzer kitle segmenti üretmeye izin verebilir.

Yaklaşımlar

• Clean room içindeki birleşik veri üzerinde eğitim
• Federated learning
• Secure Multi-Party Computation
• Şifreli veya toplulaştırılmış gradient paylaşımı
• Benzer kullanıcı modellemesi

Model Gizlilik Riski

Ham verinin dışarı çıkarılmaması, modelin eğitim verisi hakkında hiçbir bilgi sızdırmayacağını garanti etmez.

Model inversion, membership inference ve ezberleme riskleri ayrıca test edilmelidir.

Örnek Data Clean Room Sorgusu

Aşağıdaki örnek, reklam gösterimi tablosuyla satış tablosunu eşleştirerek yalnızca kampanya düzeyinde toplu sonuç üretir:

SELECT
    i.campaign_id,
    COUNT(DISTINCT i.matched_user_id) AS matched_users,
    COUNT(DISTINCT s.order_id) AS total_orders,
    SUM(s.order_amount) AS total_revenue
FROM impression_data AS i
JOIN sales_data AS s
    ON i.matched_user_id = s.matched_user_id
WHERE s.order_time BETWEEN
      i.impression_time
      AND i.impression_time + INTERVAL '7' DAY
GROUP BY i.campaign_id
HAVING COUNT(DISTINCT i.matched_user_id) >= 100;

Bu Sorgudaki Gizlilik Kontrolleri

• Kullanıcı bilgisi SELECT bölümüne eklenmemiştir.
• Sonuç kampanya seviyesinde toplulaştırılmıştır.
• En az 100 eşleşen kullanıcı şartı uygulanmıştır.
• Analiz için zaman aralığı sınırlandırılmıştır.

Neden Yine de Yeterli Olmayabilir?

Kullanıcı farklı kampanya filtreleriyle çok sayıda benzer sorgu çalıştırarak küçük grupları tahmin etmeye çalışabilir.

Bu nedenle sorgu geçmişi, farklılık saldırıları ve gizlilik bütçesi de kontrol edilmelidir.

Data Clean Room ile Data Warehouse Arasındaki Fark

Normal Veri Paylaşımından Farkı

Normal veri paylaşımında bir CSV dosyası veya tablo diğer kuruluşa teslim edilebilir. Alan taraf dosyayı kendi sisteminde saklayabilir, kopyalayabilir ve farklı analizlerde kullanabilir.

Data Clean Room’da ise:

• Veri kullanımı belirli amaca bağlanabilir.
• Ham veri indirme kapatılabilir.
• Sorgular önceden sınırlandırılabilir.
• Sonuçların dışarı çıkışı kontrol edilebilir.
• Kullanım hareketleri kaydedilebilir.

Data Clean Room ile Anonimleştirme Arasındaki Fark

Anonimleştirme, verinin bir kişiyle ilişkilendirilemeyecek hâle getirilmesini amaçlayan işlemdir.

Data Clean Room ise kontrollü hesaplama ortamıdır. Ortam içindeki veri hâlâ kişisel veya yeniden tanımlanabilir nitelikte olabilir.

Önemli Sonuç

Verinin clean room içinde bulunması, veriyi otomatik olarak anonim veri hâline getirmez.

Takma adlandırma, hash ve şifreleme gibi işlemler de hukuki anlamda her zaman anonimleştirme sağlamaz.

Data Clean Room ile CDP Arasındaki Fark

Customer Data Platform, kuruluşun kendi müşteri verilerini farklı kaynaklardan birleştirerek tekil müşteri profili oluşturmayı amaçlar.

Data Clean Room ise farklı kuruluşların verileri arasında kontrollü iş birliği yapmayı hedefler.

Data Clean Room Türleri

Walled Garden Clean Room

Büyük reklam veya medya platformunun kendi olay verileriyle müşterinin birinci taraf verisini analiz etmesine izin verir.

Platform verisi ortam dışına çıkarılamaz ve analiz seçenekleri sağlayıcı tarafından belirlenir.

Bulut Tabanlı Clean Room

Genel bulut sağlayıcısı, farklı kuruluşların veri tablolarını kontrollü biçimde birleştirebileceği altyapı sunar.

Data Warehouse Native Clean Room

Veri ambarı platformunun mevcut yetki, paylaşım ve hesaplama altyapısı üzerinde çalışır.

Bağımsız Clean Room Sağlayıcısı

Birden fazla bulut ve reklam platformu arasında veri iş birliği, kimlik çözümleme ve ölçüm hizmetleri sunabilir.

Kriptografik Clean Room

PSI, MPC, homomorfik şifreleme veya TEE gibi teknolojileri mimarinin merkezinde kullanır.

AWS Clean Rooms

AWS Clean Rooms, birden fazla tarafın AWS ortamındaki veri kümeleri üzerinde kontrollü iş birliği yapmasını sağlayan yönetilen hizmettir.

Başlıca Kontroller

• SQL analiz kuralları
• Önceden onaylanan analiz şablonları
• Sorgu ve iş logları
• Diferansiyel gizlilik
• Kriptografik hesaplama seçenekleri
• Entity resolution
• Clean Rooms ML

Hizmet, sorgular sırasında veriyi AWS içindeki mevcut konumundan okuyabilir. Fakat hesap, bölge, bağlantı ve erişim yapılandırması ayrıca incelenmelidir.

Snowflake Data Clean Rooms

Snowflake Data Clean Rooms, Snowflake veri ve paylaşım altyapısı üzerinde tarafların iş birliği oluşturmasına imkân verir.

İş birliği içerisinde farklı taraflar veri sağlayıcı, analiz çalıştırıcısı veya ortam sahibi rolünü üstlenebilir.

Öne Çıkan Yapılar

• Veri offerings
• Analiz templates
• Taraf bazlı roller
• Policy enforcement
• Aktivasyon bağlantıları
• Birden fazla iş birlikçi desteği

Platform özellikleri, sürüm, bölge ve Snowflake edition’a göre değişebileceği için uygulamadan önce güncel dokümantasyon kontrol edilmelidir.

Google Ads Data Hub

Ads Data Hub, reklamverenlerin Google reklam etkinlik verilerini kendi birinci taraf verileriyle gizlilik odaklı bir ortamda analiz etmesini sağlar.

Kullanım Alanları

• Kampanya ölçümü
• Özel raporlama
• Kitle analizi
• Platformlar arası kampanya değerlendirmesi
• Onaylanan segmentlerin aktivasyonu

Sonuçlar toplulaştırma ve gizlilik kontrollerinden geçer. Kullanıcı düzeyi Google reklam verisinin doğrudan dışarı çıkarılması amaçlanmaz.

Data Clean Room Riskleri

Clean Room kurulması riskleri azaltabilir fakat ortadan kaldırmaz.

Çıkarım ve Yeniden Tanımlama Riski

Analist ham kaydı görmese bile toplu sonuçlardan belirli kişi hakkında çıkarım yapabilir.

Örnek

Bir sorguda üç kişinin toplam harcaması, ikinci sorguda iki kişinin toplam harcaması alınırsa sonuçların farkından üçüncü kişinin harcaması hesaplanabilir.

Koruma

• Yeterli minimum grup büyüklüğü
• Benzer sorguların karşılaştırılması
• Sonuç yuvarlama
• Diferansiyel gizlilik
• Sorgu sayısı sınırı
• Hassas segment yasağı

Sorgu Kötüye Kullanımı

Tek bir sorgu güvenli görünse bile birçok sorgunun birleşimi hassas bilgi açığa çıkarabilir.

Saldırı Yöntemleri

• Filtreyi her sorguda küçük miktarda değiştirmek
• Bir kişiyi dahil edip çıkararak sonuç farkını ölçmek
• Çok sayıda segment kombinasyonu oluşturmak
• Tarih aralığını daraltmak
• Nadir özelliklerle gruplama yapmak

Kontroller

• Onaylanmış sorgu şablonları
• Parametre sınırları
• Sorgu geçmişi analizi
• Gizlilik bütçesi
• Manuel çıktı incelemesi

Eşleştirme Anahtarı Riski

E-posta, telefon veya müşteri kimliği gibi alanlar clean room mimarisinin en hassas bölümleri arasındadır.

Riskler

• Ham kimliklerin geçici dosyada kalması
• Zayıf hash kullanımı
• Hash listesinin indirilmesi
• Normalizasyon hataları
• Aynı kişinin farklı kişilerle eşleştirilmesi
• Amaç dışı kimlik grafiği oluşturulması

Çıktıların Kontrolsüz Kullanımı

Clean Room içinde güvenli biçimde oluşturulan sonuç, dışarı çıkarıldıktan sonra başka veri kümeleriyle birleştirilebilir.

Bu nedenle yalnızca sorgu güvenliği değil, çıktı yaşam döngüsü de yönetilmelidir.

Çıktı Politikası

• Kimlerin indirebileceği
• Hangi formatta dışarı çıkabileceği
• Nerede saklanacağı
• Başka veriyle birleştirilip birleştirilemeyeceği
• Ne kadar süre tutulacağı
• Hangi amaçla kullanılacağı

açıkça belirlenmelidir.

Yetki ve İç Tehdit Riski

Clean Room’a yetkili bir çalışan, meşru erişimini amaç dışı kullanabilir.

Kontroller

• En az ayrıcalık
• Görevlerin ayrılığı
• Kısa süreli erişim
• Çok faktörlü kimlik doğrulama
• Yüksek riskli sorgular için onay
• Değiştirilemez denetim kayıtları
• Düzenli erişim gözden geçirmesi

Data Clean Room ve KVKK Değerlendirmesi

Data Clean Room teknik bir kontrol mekanizmasıdır. Kişisel veri işleme faaliyetinin hukuki değerlendirmesi ayrıca yapılmalıdır.

Değerlendirilecek Başlıklar

• Veri işleme amacı
• Hukuki işleme şartı
• Tarafların veri sorumlusu veya işleyen rolleri
• Veri aktarımı
• Aydınlatma yükümlülüğü
• Veri minimizasyonu
• Saklama ve imha süresi
• Özel nitelikli kişisel veriler
• Yurt dışı aktarımı
• İlgili kişinin hakları
• Teknik ve idari tedbirler

Temel KVKK uygulamaları için Startuplar İçin KVKK Rehberi içeriğini inceleyebilirsiniz.

Takma Adlandırma Anonimleştirme Değildir

E-posta adresinin hash’e dönüştürülmesi veya müşteri kimliğinin rastgele kodla değiştirilmesi, ek bilgilerle kişinin tekrar belirlenebilmesi hâlinde anonimleştirme olarak kabul edilmemelidir.

Data Clean Room Nasıl Kurulur?

1. İş Sorusu Belirlenir

“Verileri birleştirelim” yerine cevaplanacak soru açıkça yazılmalıdır.

Örnek:

1 Haziran ile 30 Haziran arasında kampanyayı gören müşterilerin yedi gün içerisindeki toplam mağaza satışını kampanya bazında ölçmek.

2. Taraflar ve Roller Tanımlanır

Veriyi kimin sağlayacağı, analizi kimin çalıştıracağı ve sonucu kimin kullanacağı belirlenir.

3. Veri Envanteri Çıkarılır

İş sorusu için gerçekten gerekli sütunlar seçilir. Kullanılmayacak alanlar clean room’a bağlanmaz.

4. Kimlik Eşleştirme Yöntemi Seçilir

Hash, token, PSI veya başka bir yöntem belirlenir. Normalizasyon kuralları belgelenir.

5. Analiz Şablonu Hazırlanır

İzin verilen sorgular ve değiştirilebilecek parametreler tanımlanır.

6. Gizlilik Kontrolleri Belirlenir

• Minimum grup büyüklüğü
• Yasaklı sütunlar
• İzin verilen aggregation fonksiyonları
• Diferansiyel gizlilik ayarları
• Sorgu ve çıktı limitleri

7. Erişim Modeli Kurulur

Kullanıcılar kişisel hesaplar ve rol tabanlı izinlerle tanımlanır. Ortak yönetici hesabı kullanılmaz.

8. Test Verisiyle Doğrulama Yapılır

Gerçek veri bağlanmadan önce sentetik veriyle güvenlik, sorgu ve çıktı testleri gerçekleştirilir.

9. Gizlilik Saldırıları Test Edilir

Fark sorguları, küçük segmentler, sonuç birleştirme ve kimlik tahmini test edilir.

10. Üretim ve İzleme

Sorgu davranışı, veri kullanımı, çıktı indirme ve eşleşme oranları sürekli izlenir.

Örnek Uçtan Uca Data Clean Room Senaryosu

Taraflar

• Bir çevrim içi yayın platformu
• Fiziksel mağazaları bulunan bir perakende markası

Amaç

Yayın platformunda reklam gören müşterilerin mağaza satışlarını toplu olarak ölçmek.

Yayıncı Verisi

• Şifreli kullanıcı eşleştirme anahtarı
• Kampanya kimliği
• Reklam gösterim zamanı

Perakendeci Verisi

• Şifreli müşteri eşleştirme anahtarı
• Sipariş kimliği
• Satış zamanı
• Toplam sipariş tutarı

İzin Verilen Analiz

Kampanyayı gördükten sonraki yedi gün içerisinde gerçekleşen toplam sipariş ve satış tutarı.

Yasaklanan Analizler

• Kullanıcı veya müşteri listesini indirme
• Tek sipariş detayını görüntüleme
• 100 kişiden az grubu raporlama
• Adres veya ürün bazında kişiye özel sonuç üretme

Çıktı

Taraflardan hiçbiri diğerinin tam kullanıcı veya müşteri listesini görmez. Yalnızca onaylanan toplu sonuç elde edilir.

Data Clean Room Platformu Seçim Kriterleri

Veri Konumu

• Veri nereye taşınacak?
• Mevcut veri ambarından yerinde okunabilecek mi?
• İşlem bölgesi seçilebiliyor mu?

Gizlilik Kontrolleri

• Minimum grup eşiği var mı?
• Diferansiyel gizlilik destekleniyor mu?
• Benzer sorgular izleniyor mu?
• PSI veya kriptografik eşleştirme bulunuyor mu?

Sorgu Yönetimi

• Önceden onaylanan şablonlar kullanılabiliyor mu?
• Sütun ve fonksiyon kısıtları uygulanabiliyor mu?
• Parametre sınırları belirlenebiliyor mu?

Kimlik ve Erişim

• Kurumsal SSO desteği var mı?
• Rol bazlı erişim ne kadar ayrıntılı?
• Geçici erişim tanımlanabiliyor mu?

Denetim

• Sorgular kaydediliyor mu?
• Çıktı indirmeleri loglanıyor mu?
• Loglar değiştirilemez biçimde aktarılabiliyor mu?

Maliyet

• Veri depolama maliyeti
• Sorgu ve hesaplama maliyeti
• Kimlik eşleştirme maliyeti
• Sonuç aktivasyon maliyeti
• Çıkış trafiği maliyeti

Birlikte Çalışabilirlik

Platform farklı bulut, yayıncı, reklam sistemi ve veri ambarlarıyla çalışabiliyor mu değerlendirilmelidir.

Data Clean Room Başarı Metrikleri

• Eşleşen kayıt oranı
• Geçerli kimlik alanı oranı
• Analiz tamamlama süresi
• Engellenen riskli sorgu sayısı
• Küçük grup nedeniyle bastırılan sonuç oranı
• Sorgu başına hesaplama maliyeti
• Aktivasyona gönderilen uygun segment oranı
• Yanlış eşleşme oranı
• Gizlilik olayı sayısı
• Mevzuat ve politika ihlali sayısı
• İş sorusuna cevap verme süresi

Yalnızca Match Rate’e Odaklanmayın

Daha yüksek eşleşme oranı her zaman daha iyi değildir. Geniş ve belirsiz eşleştirme yanlış kişilerin birleşmesine ve analitik sonucun bozulmasına neden olabilir.

Data Clean Room Kontrol Listesi

Data Clean Room Uygulamasında Sık Yapılan Hatalar

• Clean Room kullanılan her veriyi anonim kabul etmek
• Teknik platformun KVKK uyumunu otomatik sağladığını düşünmek
• İş amacı belirlemeden bütün tabloları bağlamak
• E-posta hash’ini anonim veri sanmak
• Normalizasyon kurallarını taraflar arasında eşitlememek
• Minimum grup büyüklüğü belirlememek
• Kullanıcının sınırsız sorgu çalıştırmasına izin vermek
• Benzer sorgular arasındaki fark saldırılarını izlememek
• Sonuç dosyalarının dışarıda nasıl kullanılacağını kontrol etmemek
• Ortak yönetici hesabı kullanmak
• Sorgu ve çıktı loglarını tutmamak
• Platform yöneticisinin erişimini değerlendirmemek
• Yanlış eşleşme oranını ölçmemek
• Yalnızca reklam senaryolarını düşünmek
• Makine öğrenmesi modelinin veri sızdırmayacağını varsaymak
• İş birliği sona erdiğinde verileri ve yetkileri kaldırmamak

Data Clean Room İçin Güvenilir Kaynaklar

• IAB Tech Lab – Data Clean Rooms Guidance
• AWS Clean Rooms User Guide
• Snowflake Data Clean Rooms Documentation
• Google Ads Data Hub
• NIST – Private Set Intersection
• NIST SP 800-226 – Differential Privacy
• TeknoTürkiye – Startuplar İçin KVKK Rehberi

Data Clean Room Hakkında Sık Sorulan Sorular

Data Clean Room nedir?

Birden fazla kuruluşun ham verileri kontrolsüz biçimde birbirine göstermeden ortak eşleştirme ve analiz yapmasını sağlayan güvenli veri iş birliği ortamıdır.

Data Clean Room Türkçede ne demektir?

Veri temiz odası veya güvenli veri iş birliği ortamı ifadeleri kullanılabilir.

Data Clean Room ne işe yarar?

Kampanya ölçümü, ortak müşteri analizi, kitle eşleştirme, dolandırıcılık tespiti ve gizlilik odaklı makine öğrenmesi gibi çalışmalar yapılmasını sağlar.

Data Clean Room veriyi anonim hâle getirir mi?

Otomatik olarak getirmez. Ortamdaki veri kişisel veya takma adlandırılmış veri olmaya devam edebilir.

Data Clean Room KVKK uyumlu mudur?

Uyum, kullanım amacı, hukuki dayanak, tarafların rolleri, veri aktarımı ve güvenlik kontrollerine bağlıdır. Platformun kullanılması tek başına uyum sağlamaz.

Data Clean Room’da ham veri görülür mü?

İdeal tasarımda diğer tarafın ham satır düzeyi kayıtları görülmez. Ancak platform yöneticisi ve teknik mimari ayrıca değerlendirilmelidir.

Data Clean Room’da veri nereye gider?

Platforma göre ortak ortama kopyalanabilir, mevcut bulut hesabından okunabilir veya dağıtık hesaplama yöntemiyle bulunduğu yerde kalabilir.

Hash’lenmiş e-posta anonim veri midir?

Her zaman değildir. Tahmin edilebilir e-postalar sözlük saldırısıyla bulunabilir ve başka bilgilerle yeniden eşleştirilebilir.

Private Set Intersection nedir?

Tarafların özel listelerindeki ortak elemanları, ortak olmayan kayıtları birbirine açıklamadan belirlemesini sağlayan kriptografik yöntemdir.

Diferansiyel gizlilik nedir?

Bir kişinin veri kümesine katkısının yayımlanan sonuç üzerindeki etkisini matematiksel olarak sınırlandıran gizlilik yaklaşımıdır.

Minimum aggregation threshold nedir?

Bir analiz sonucunun gösterilebilmesi için grupta bulunması gereken minimum kullanıcı veya kayıt sayısıdır.

Clean Room’da SQL çalıştırılır mı?

Birçok platform izin verilen SQL sorgularını veya önceden onaylanmış sorgu şablonlarını destekler.

Her SQL sorgusu çalıştırılabilir mi?

Hayır. Veri sağlayıcı, kullanılabilecek tabloları, sütunları, fonksiyonları ve çıktı koşullarını sınırlandırabilir.

Data Clean Room ile müşteri listesi indirilebilir mi?

Tasarıma göre liste üretimi mümkün olabilir ancak yüksek gizlilik riski taşır. Çoğu senaryoda yalnızca toplu sonuçlara izin verilmesi daha güvenlidir.

Data Clean Room yalnızca reklamcılıkta mı kullanılır?

Hayır. Finans, perakende, telekom, sağlık, araştırma ve dolandırıcılık analizi gibi alanlarda da kullanılabilir.

Data Clean Room ile kampanya ölçümü nasıl yapılır?

Reklam gösterim kayıtlarıyla satış kayıtları güvenli kimlik anahtarı üzerinden eşleştirilir ve yalnızca kampanya bazında toplu sonuç üretilir.

Data Clean Room ile CDP aynı mı?

Hayır. CDP kuruluş içindeki müşteri verilerini birleştirir; Data Clean Room bağımsız kuruluşlar arasında kontrollü analiz sağlar.

Data Clean Room ile data warehouse aynı mı?

Hayır. Data warehouse genel kurum içi analiz için, clean room ise çok taraflı ve gizlilik kontrollü iş birliği için tasarlanır.

AWS Clean Rooms nedir?

AWS üzerinde birden fazla kuruluşun veri kümelerini kontrollü analiz kurallarıyla birleştirebildiği yönetilen hizmettir.

Snowflake Data Clean Rooms nedir?

Snowflake platformunda tarafların veri offerings ve analiz şablonları üzerinden güvenli iş birliği kurmasını sağlayan çözümdür.

Ads Data Hub nedir?

Google reklam etkinlik verilerinin müşterinin birinci taraf verileriyle gizlilik kontrolleri altında analiz edilmesini sağlayan ortamdır.

Data Clean Room güvenli midir?

Doğru yapılandırıldığında ham veri paylaşımını ve yetkisiz analizi azaltabilir. Yanlış sorgu, eşleştirme ve çıktı politikaları yine veri sızıntısına yol açabilir.

Clean Room’da yeniden tanımlama mümkün mü?

Küçük gruplar, benzer sorgular ve harici veriler kullanıldığında mümkün olabilir. Bu nedenle ek gizlilik kontrolleri gerekir.

Data Clean Room için hangi veriler gerekir?

Kullanım senaryosuna göre kimlik eşleştirme alanları, kampanya veya olay kayıtları ve analiz için gerekli sınırlı özellikler gerekir.

Data Clean Room kurulumu zor mudur?

Teknik platform hızlı kurulabilir; fakat veri kalitesi, kimlik eşleştirme, hukuki roller, sorgu politikası ve çıktı güvenliği önemli çalışma gerektirir.

Data Clean Room pahalı mıdır?

Maliyet; depolama, sorgu hacmi, kimlik eşleştirme, platform lisansı ve aktivasyon özelliklerine göre değişir.

Küçük şirketler Data Clean Room kullanabilir mi?

Evet. Ancak kullanım amacının ekonomik değeri, veri hacmi ve platform maliyeti birlikte değerlendirilmelidir.

Data Clean Room’da veriler ne kadar saklanır?

Süre iş amacı, sözleşme ve veri politikasıyla belirlenmelidir. İş birliği sona erdiğinde gereksiz tablolar ve erişimler kaldırılmalıdır.

Clean Room sonuçları başka sistemlere aktarılır mı?

Platform izin veriyorsa toplu raporlar veya onaylanan kitle segmentleri dış sistemlere aktarılabilir.

Data Clean Room makine öğrenmesinde kullanılabilir mi?

Evet. Ortak veri üzerinde model veya benzer kitle üretilebilir; ancak modelin eğitim verisi sızdırma riski ayrıca değerlendirilmelidir.

Data Clean Room seçerken en önemli kriter nedir?

Tek bir kriter yoktur. Veri konumu, sorgu kontrolü, çıktı gizliliği, kimlik yönetimi, loglama, maliyet ve birlikte çalışabilirlik birlikte değerlendirilmelidir.

Data Clean Room Nedir? Sonuç

Data Clean Room nedir sorusunun temel cevabı; farklı kuruluşların verilerini birbirlerine doğrudan teslim etmeden, yalnızca onaylanan eşleştirme ve analizleri yapabildikleri kontrollü veri iş birliği ortamıdır.

Clean Room mimarisi ham veri indirmeyi sınırlandırabilir, SQL sorgularını önceden onaylanmış şablonlara bağlayabilir ve yalnızca toplulaştırılmış sonuçların dışarı çıkarılmasına izin verebilir.

Kimlik eşleştirme için e-posta, telefon veya müşteri kimliği kullanılabilir. Ancak bu alanların hash’lenmesi tek başına anonimlik sağlamaz. Private Set Intersection gibi kriptografik yöntemler daha güçlü eşleştirme gizliliği sunabilir.

Minimum grup büyüklüğü, küçük hücre bastırma, sorgu geçmişi analizi ve diferansiyel gizlilik; tek kişi veya küçük grup hakkında çıkarım yapılmasını zorlaştırır.

Data Clean Room yalnızca reklam kampanyalarında kullanılmaz. Perakende, finans, sağlık, telekom, araştırma ve makine öğrenmesi iş birlikleri de bu mimariden yararlanabilir.

Bununla birlikte teknik ortam hukuki uyumun yerini almaz. İşleme amacı, veri aktarımı, tarafların sorumlulukları, saklama süresi ve çıktıların sonraki kullanımı ayrıca yönetilmelidir.

Başarılı bir Data Clean Room projesi teknoloji satın almakla değil, cevaplanacak iş sorusunu daraltmak, gerekli veriyi minimumda tutmak ve her çıktıyı gizlilik riski açısından değerlendirmekle başlar.