As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Regra de análise personalizada com privacidade diferencial

Em AWS Clean Rooms, a regra de análise personalizada oferece suporte à privacidade diferencial. A privacidade diferencial é uma estrutura matematicamente rigorosa para proteção da privacidade de dados que ajuda você a proteger seus dados contra tentativas de reidentificação.

A privacidade diferencial suporta análises agregadas, como planejamento de campanhas publicitárias, mensuração pós-campanha publicitária, avaliação comparativa em um consórcio de instituições financeiras e testes para pesquisas em saúde. A/B

A estrutura e a sintaxe de consulta suportadas são definidas em Estrutura e sintaxe da consulta.

Exemplo de regra de análise personalizada com privacidade diferencial

Considere o exemplo de regra de análise personalizada apresentado na seção anterior. Esse exemplo demonstra como você pode usar a privacidade diferencial para proteger seus dados contra tentativas de reidentificação e, ao mesmo tempo, permitir que seu parceiro aprenda informações essenciais para os negócios com base nos seus dados. Suponha que a Empresa B, que tem os dados de audiência, queira proteger seus dados usando a privacidade diferencial. Para concluir a configuração de privacidade diferencial, a Empresa B conclui as seguintes etapas:

A empresa A, que deseja entender a incrementalidade de vendas de uma campanha publicitária no site da empresa B, executa o modelo de análise. Como a consulta é compatível com a estrutura de consulta de uso geral da Privacidade AWS Clean Rooms Diferencial, a consulta é executada com êxito.

Estrutura e sintaxe da consulta

As consultas que contêm pelo menos uma tabela com a privacidade diferencial ativada devem seguir a sintaxe a seguir.

query_statement:
    [cte, ...] final_select

 cte:
    WITH sub_query AS (
       inner_select
       [ UNION | INTERSECT | UNION_ALL | EXCEPT/MINUS ]
       [ inner_select ]
    )
   
 inner_select:
     SELECT [user_id_column, ] expression [, ...] 
     FROM table_reference [, ...] 
     [ WHERE condition ]
     [ GROUP BY user_id_column[, expression] [, ...] ] 
     [ HAVING condition ] 

 final_select:
     SELECT [expression, ...] | COUNT | COUNT_DISTINCT | SUM | AVG | STDDEV
     FROM table_reference [, ...]
     [ WHERE condition ]
     [ GROUP BY expression [, ...] ] 
     [ HAVING COUNT | COUNT_DISTINCT | SUM | AVG | STDDEV | condition ]
     [ ORDER BY column_list ASC | DESC ] 
     [ OFFSET literal ]
     [ LIMIT literal ]

 expression:
    column_name [, ...] | expression AS alias | aggregation_functions | window_functions_on_user_id | scalar_function | CASE | column_name math_expression [, expression]  
    
 window_functions_on_user_id:
    function () OVER (PARTITION BY user_id_column, [column_name] [ORDER BY column_list ASC|DESC])

Consulte mais detalhes sobre quais palavras-chave de SQL são compatíveis com a privacidade diferencial em Capacidades SQL do AWS Clean Rooms Privacidade diferencial.