Was ein Data Clean Room wirklich ist

Der Begriff wird breit und manchmal unscharf verwendet, und das Verständnis des zugrundeliegenden Musters ist wichtig, um die Einwilligungskonfiguration richtig hinzubekommen.

Die Grunddefinition

Ein Data Clean Room (Datenreinraum) ist eine kontrollierte Umgebung, in der zwei oder mehr Parteien gemeinsame Berechnungen auf ihren jeweiligen Datensätzen durchführen können, ohne dass eine Partei die Rohdaten der anderen sieht. Der Publisher lädt seine First-Party-Daten hoch. Der Werbetreibende lädt seine First-Party-Daten hoch. Der Clean Room führt eine vorab genehmigte Abfrage durch — typischerweise eine Zielgruppenüberschneidung, eine Reichweitenberechnung, ein Attributionsmodell oder eine Lookalike-Erweiterung — und gibt jeder Partei aggregierte, datenschutzwahrende Ergebnisse zurück. Rohe Benutzerdatensätze fließen niemals von einer Partei zur anderen.

Woher die technischen Garantien kommen

Die Stärke eines Clean Rooms hängt von der technischen Schicht ab. Starke Clean Rooms basieren auf einer Kombination aus Trusted Execution Environments, Differential Privacy, k-Anonymity-Schwellenwerten, Secure Multi-Party Computation und Query-Allowlisting. Schwächere Clean Rooms stützen sich primär auf vertragliche Kontrollen, die sich von einer normalen Datenweitergabe-Vereinbarung nicht wesentlich unterscheiden. Ein Publisher, der einen Clean-Room-Anbieter bewertet, sollte klar und einfach darlegen können, welche dieser Techniken tatsächlich eingesetzt werden und gegen welche Bedrohungen sie schützen.

Was ein Clean Room nicht ist

Ein Clean Room ist kein allgemeiner Identitätsgraph. Er ist kein Weg, persönliche Daten unter einem anderen Label an einen Werbetreibenden weiterzugeben. Er ist keine Einwilligungsausnahme — wenn der Publisher keine Rechtsgrundlage für die Verarbeitung der zugrundeliegenden Daten für den Clean-Room-Zweck hatte, behebt der Clean Room das nicht.

Die Clean-Room-Landschaft 2026

Das Ökosystem hat sich um eine Handvoll ernsthafter Anbieter konsolidiert, die jeweils für einen etwas anderen Anwendungsfall optimiert sind.

Walled-Garden-native

Die großen Walled Gardens betreiben ihre eigenen nativen Clean Rooms. Publisher-Daten fließen ein, die eigenen Daten der Plattform werden dagegen abgefragt, und die Ergebnisse werden über die vorhandenen Mess- oder Targeting-Oberflächen der Plattform ausgeliefert. Der Kompromiss besteht darin, dass die Daten in einer proprietären Umgebung verbleiben und nicht leicht mit den Datensätzen anderer Partner verknüpft werden können.

Cloud-neutrale Clean Rooms

Eine wachsende Kategorie von Anbietern betreibt Clean Rooms auf großen Cloud-Infrastrukturen, die speziell dafür ausgelegt sind, cloud- und partnerneutral zu sein. Das sind die Plattformen, die die meisten Publisher wählen, wenn sie dieselbe Zusammenarbeit mit mehreren Werbetreibenden durchführen möchten, ohne an einen einzigen Walled Garden gebunden zu sein.

Ad-Tech-native Clean Rooms

Mehrere Ad-Tech-Anbieter — darunter die wichtigsten DSPs und Messplattformen — integrieren jetzt die Clean-Room-Funktionalität direkt in ihre bestehenden Produkte. Das ist der Weg mit dem geringsten Integrationsaufwand für Publisher, die bereits einen SSP oder DMP aus derselben Anbieterfamilie betreiben, auf Kosten von weniger Flexibilität, wenn sich Geschäftsbeziehungen ändern.

Publisher-Allianz-Clean-Rooms

Die jüngste Entwicklung ist der Aufstieg von Publisher-Allianz-Clean-Rooms — Umgebungen, in denen mehrere Publisher First-Party-Daten in einen gemeinsamen Clean Room einbringen, damit sie Werbetreibenden, die Reichweite ohne Walled Garden suchen, gemeinsame Zielgruppenreichweite verkaufen können. Diese sind operativ komplex, aber zunehmend dort, wo Premium-Publisher wettbewerbsfähige Adressierbarkeit finden.

Wie Einwilligungsflüsse innerhalb und um einen Clean Room funktionieren

Das am meisten missverstandene Element von Clean Rooms ist, wie die Einwilligung gilt. Die Kurzfassung: Die Einwilligung lebt außerhalb des Clean Rooms, nicht darin.

Die Upload-Grenze

Wenn ein Publisher First-Party-Daten in einen Clean Room hochlädt, ist das eine Verarbeitungstätigkeit, die eine eigene Rechtsgrundlage erfordert. Wenn der Nutzer der Werbung und Messung zugestimmt hat, liegt der Upload zum Zweck der Werbemessung in einem Clean Room innerhalb dieser Einwilligung — vorausgesetzt, die Datenschutzhinweise beschreiben die Clean-Room-Zusammenarbeit tatsächlich. Wenn der Datenschutzhinweis nur First-Party-Analytics erwähnt, geht der Clean-Room-Upload über den angegebenen Zweck hinaus und die Einwilligung deckt ihn nicht ab.

Die Zweckgrenze

Die Einwilligung zur Datenverarbeitung für Messungszwecke ist keine Einwilligung zur Datenverarbeitung für den Zielgruppenaufbau. Die Einwilligung zur Verarbeitung für den Zielgruppenaufbau ist keine Einwilligung zur Verarbeitung für das Profiling. Die Abfrage des Clean Rooms ist nach wie vor eine Verarbeitungstätigkeit, und jede Abfrage muss einem eingewilligten Zweck zugeordnet werden. Ein CMP, der eine granulare Zwecktaxonomie — idealerweise am TCF-Zweckrahmen ausgerichtet — offenlegt, macht diese Zuordnung prüfbar.

Die Output-Grenze

Wenn der Clean Room dem Werbetreibenden aggregierte Ergebnisse zurückgibt, sind diese Ausgaben in der Regel keine personenbezogenen Daten, solange der k-Anonymity-Schwellenwert erfüllt ist und die Aggregation echt ist. Wenn der Clean Room dem Publisher ein Zielgruppensegment zur Aktivierung zurückgibt — zum Beispiel ein Lookalike der Kunden des Werbetreibenden, das im eigenen Inventar des Publishers angesprochen werden soll — ist die Aktivierung eine neue Verarbeitungstätigkeit, und die Einwilligung des Nutzers zur Werbepersonalisierung muss sie abdecken.

Sensible Daten im Clean Room

Wenn der Beitrag einer Partei besondere Kategorien gemäß GDPR, LGPD, KVKK, PDPD oder einem anderen anwendbaren Rahmen enthält, liegt die Einwilligungshürde ausschließlich bei der ausdrücklichen Einwilligung, und das Clean-Room-Design muss das durchsetzen. Mehrere Durchsetzungsmaßnahmen im Jahr 2025 gegen Werbetreibende für gesundheitsbezogene Zielgruppensegmente, die ohne ausdrückliche Einwilligung in Clean Rooms weitergegeben wurden, haben dies schnell klargestellt.

Kommerzielle Modelle, die funktionieren

Clean Rooms schaffen neue kommerzielle Muster zwischen Publishern und Werbetreibenden. Die 2026er Modelle, die echte Einnahmen erzielen, fallen in einige wenige Kategorien.

Direct-Deal-Messung

Das einfachste und gängigste Modell: Ein Publisher und ein Werbetreibender führen eine Kampagne über normale programmatische oder Direktkanäle durch, und der Clean Room wird anschließend für Closed-Loop-Messung und Attribution verwendet. Der Publisher erhält glaubwürdige Konversionsdaten, ohne dass Daten auf Benutzerebene an den Werbetreibenden übergehen. Das ist für den Werbetreibenden meist ein Kostenzentrum, treibt aber Verlängerungsraten und CPM-Aufschläge, wenn die Zahlen gut ausfallen.

Zielgruppenaktivierung

Kommerziell interessanter: Der Clean Room berechnet ein Lookalike- oder Seed-erweitertes Zielgruppensegment, liefert es dem Publisher zur Aktivierung im eigenen Inventar, und der Publisher verkauft es gegen die Zielgruppe zu einem bedeutenden CPM-Aufschlag. Der Werbetreibende erhält adressierbare Reichweite, ohne dass der Publisher seine Zielgruppe preisgibt, und der Publisher monetarisiert seine Reichweite statt seiner Identität.

Gemeinsame Zielgruppenverkäufe

In Publisher-Allianz-Konfigurationen stellen mehrere Publisher gemeinsame Zielgruppensegmente über den Clean Room bereit und verkaufen die kombinierte Reichweite programmatisch oder über Direktverkäufe. Hier haben die premiumsten Publisher 2026 bedeutende inkrementelle Rendite gefunden, weil es das Skalenargument aushebelt, das Walled Gardens jahrelang genutzt haben.

Der operative Stack, den ein Publisher benötigt

Ein Clean-Room-Programm zu betreiben, ist keine Plug-and-Play-Entscheidung. Ein Publisher benötigt mehrere operative Fähigkeiten.

• Ein First-Party-Data-Warehouse, das sauber genug ist, um ein nützlicher Input zu sein — typischerweise eingeloggter Traffic, Newsletter-Abonnenten oder registrierte Nutzer mit einem persistenten Publisher-Identifier
• Ein CMP, der die Einwilligung feingranular genug Zwecken zuordnet, um zu bestimmen, welche Nutzerdatensätze in welche Abfrage einbezogen werden können
• Einen Datenschutzhinweis, der die Clean-Room-Zusammenarbeit, die Partnerkategorie und die Verarbeitungskategorie ausdrücklich offenlegt
• Eine Data-Governance-Funktion, die vorgeschlagene Abfragen vor der Ausführung prüfen und Abfragen ablehnen kann, die den eingewilligten Zweck überschreiten
• Eine Rechtsberatungskapazität für den Auftragsverarbeitungsvertrag, Standardvertragsklauseln bei Übermittlungen und die technischen Bescheinigungen des Clean-Room-Anbieters
• Eine Messschicht, die die Clean-Room-Performance separat berichtet, damit das kommerzielle Team die inkrementellen Einnahmen gegenüber den Programmkosten quantifizieren kann

Die Einwilligungs-zu-Abfrage-Zuordnung

Das schwierigste operative Detail ist die Einwilligungs-zu-Abfrage-Zuordnung. Für jede Abfrageklasse — Reichweitenmessung, Attribution, Lookalike-Erweiterung, Frequenzbegrenzung — muss der Publisher wissen, welche CMP-Zwecke sie abdecken und welche Nutzer diesen Zwecken zugestimmt haben. Nutzer, die nicht eingewilligt haben, werden vom Abfrage-Input ausgeschlossen. Das klingt unkompliziert, erfordert aber, dass CMP, Data-Warehouse und Clean-Room-Anbieter alle eine konsistente Zwecktaxonomie teilen, die viele Publisher erst dann entdecken zu haben, wenn sie beginnen, einen Clean Room anzubinden.

Häufige Fehlermuster 2026

Clean Rooms haben bei mehreren Publishern nicht geliefert, nicht weil die Technologie nicht funktionierte, sondern weil das umgebende Programm nicht auf Erfolg ausgerichtet war. Die häufigen Fehlermuster sind es wert, benannt zu werden.

• Einwilligungsumfang-Mismatch — der Datenschutzhinweis beschreibt Werbung in allgemeinen Begriffen, die Clean-Room-Aktivität ist spezifisch und eng, und eine Prüfung findet die Lücke
• Datenhygiene — der First-Party-Identifier ist zu verrauscht für nützliches Matching, was zu schwachen Ergebnissen und dem Verlust des Vertrauens des Werbetreibenden führt
• Query-Creep — der Clean Room beginnt mit Messung, gleitet ohne überarbeitete Einwilligungssprache in Zielgruppenerweiterung und endet mit einem Regulierungsschreiben
• Anbieterabhängigkeit — der Clean Room ist in der Cloud eines Partners und kann ohne erneutes Onboarding nicht mit anderen Werbetreibenden repliziert werden
• Messungsisolation — der Publisher kann nicht nachweisen, dass Clean-Room-Einnahmen inkrementell sind und keine bestehenden Deals kannibalisieren

Audit-Checkliste für ein Clean-Room-Programm 2026

• Datenschutzhinweis beschreibt ausdrücklich die Clean-Room-Zusammenarbeit mit Partnerkategorie und Verarbeitungszweck-Kategorie
• CMP legt Einwilligungszwecke in einer Granularität offen, die der Clean-Room-Abfragetaxonomie entspricht
• Auftragsverarbeitungsvertrag mit dem Clean-Room-Anbieter spezifiziert technische Schutzmaßnahmen, Aufbewahrung, Unterauftragsverarbeiter und Prüfrechte
• Grenzüberschreitender Übermittlungsmechanismus ist für jeden beteiligten internationalen Verarbeiter dokumentiert
• Query-Governance-Prozess prüft und genehmigt jede neue Abfrageklasse vor der Ausführung
• Differential-Privacy-Budget oder gleichwertiges Privacy-Accounting wird überwacht und berichtet
• Inkrementelle Einnahmenberichterstattung trennt Clean-Room-Rendite von der programmatischen Grundrendite
• Opt-out- und Betroffenenanfrage-Flows funktionieren von Anfang bis Ende, einschließlich Löschung aus dem Data-Warehouse und dem Clean Room

Der Ausblick für 2026

Data Clean Rooms haben sich von einem Compliance-Theater-Werkzeug zu einem primären Monetarisierungsmechanismus entwickelt. Die Publisher, die 2026 damit erfolgreich sind, behandeln sie als First-Party-Datenstrategie, Einwilligungs-Engineering-Disziplin und kommerzielles Produkt — nicht als Anbieter-Integrationsprojekt. Die Technologie wird sich weiterentwickeln, mit besserem Privacy-Accounting, geringerer Abfragelatenz und einfacherer Cloud-übergreifender Zusammenarbeit. Die kommerziellen Modelle werden sich weiterentwickeln, mit Publisher-Allianzen und direkten programmatischen Clean-Room-Lanes, die häufiger werden. Die Einwilligungsanforderungen werden sich nicht lockern — eher werden sie sich verschärfen, während Regulatoren den Clean-Room-Durchsetzungsrückstand aufarbeiten. Publisher, die 2026 sauber Grundlagen legen — korrekter Einwilligungsumfang, disziplinierte Abfrage-Governance und ehrliche Messung — werden diesen Vorteil jedes Quartal ausbauen. Diejenigen, die den Clean Room als Abkürzung um die Einwilligung herum behandeln, werden feststellen, dass er der schnellste Weg zu denselben Einwilligungsproblemen ist, nun mit einer größeren Prüfspur.