AWS Primeros Pasos
IdiomaEspañol
Análisis y búsqueda

Análisis de datos con protección de la privacidad - Colaborar con datos de forma segura con AWS Clean Rooms

Este artículo explica el análisis de datos con protección de la privacidad mediante AWS Clean Rooms. Presenta la colaboración de datos entre varias organizaciones, el control de acceso mediante reglas de análisis y el aprovechamiento de la privacidad diferencial.

Unos 7 min de lectura

Desafíos de privacidad en la colaboración de datos

El intercambio de datos entre empresas es útil para el negocio, pero existen muchas restricciones desde el punto de vista de la privacidad y la protección de datos. Entre los ejemplos están los casos en que un anunciante y un editor quieren medir la efectividad de la publicidad, en que una farmacéutica y un hospital quieren analizar conjuntamente datos clínicos y en que varias instituciones financieras quieren compartir patrones de transacciones fraudulentas. En estos casos, compartir directamente los datos sin procesar es difícil por las normativas de privacidad (GDPR, Ley de Protección de la Información Personal) y por razones de negocio. AWS Clean Rooms es un servicio lanzado en 2023 que proporciona un entorno en el que varias organizaciones pueden ejecutar análisis conjuntos sin compartir datos. Cada participante mantiene sus propios datos en S3 y ejecuta consultas de acuerdo con las reglas definidas dentro de Clean Rooms. Los datos sin procesar no se exponen a los demás participantes, y solo se devuelven resultados en las formas permitidas por las reglas de análisis.

Colaboraciones y reglas de análisis

El uso de Clean Rooms comienza con la creación de una colaboración (Collaboration). En una colaboración participan varios miembros (organizaciones), y cada miembro registra sus propias tablas de datos como tablas configuradas (Configured Table). En la tabla configurada se definen reglas de análisis (Analysis Rules) y se especifican los tipos de consultas permitidos y las restricciones de salida. La regla de agregación (Aggregation) permite solo funciones de agregación como COUNT, SUM y AVG, y prohíbe la salida de registros individuales. Se establece un límite inferior para el número de filas de una agregación (por ejemplo, permitir solo agregaciones de 100 filas o más) para reducir el riesgo de identificar a personas a partir de un número reducido de registros. La regla de lista (List) permite la salida de listas de valores de columnas específicas, pero se pueden limitar las columnas que pueden incluirse en la salida. La regla personalizada (Custom) permite ejecutar consultas de plantillas de análisis verificadas por el propietario de los datos o consultas creadas por los miembros a los que este ha dado permiso, y permite configurar con detalle las restricciones de salida. Con estas reglas, los propietarios de los datos pueden controlar el alcance del análisis.

Privacidad diferencial y casos de uso

La opción de privacidad diferencial (Differential Privacy) de Clean Rooms añade a los resultados de las consultas un ruido calculado matemáticamente para dificultar la inferencia de información sobre las personas. Por ejemplo, añade un ruido mínimo al resultado de una consulta como «importe medio de compra de los hombres en la treintena residentes en Tokio» para dificultar el cálculo inverso del importe de compra de una persona concreta. Se configura un presupuesto de privacidad para limitar el número de consultas sobre los mismos datos y reducir las fugas de información por consultas repetidas. Entre los principales casos de uso están la medición de la efectividad publicitaria (anunciantes y editores analizan las conversiones sin compartir datos de usuarios) y la investigación médica (varias instituciones médicas realizan estudios epidemiológicos sin compartir datos de pacientes). También están la detección de fraude financiero (varias instituciones financieras detectan patrones de fraude sin compartir datos de transacciones) y el análisis minorista (fabricantes y minoristas realizan previsiones de demanda sin compartir datos de ventas).

Mecanismo técnico y precios

Clean Rooms consulta directamente los datos en S3, y no se produce ninguna copia ni movimiento de datos. Está integrado con Glue Data Catalog, por lo que se pueden usar las definiciones de tablas existentes tal cual. Las consultas se ejecutan en un entorno aislado dentro de Clean Rooms, y los datos intermedios tampoco se comparten entre los participantes. Si se usa la opción de computación criptográfica (Cryptographic Computing), los datos se procesan mientras permanecen cifrados, y ni siquiera el propio servicio Clean Rooms puede acceder al contenido de los datos. El precio de las consultas SQL de Clean Rooms se determina por las horas de CRPU (la unidad de procesamiento de Clean Rooms). Por la privacidad diferencial y la computación criptográfica se cobran cargos adicionales por separado. El coste de almacenamiento de los datos se limita a los precios de S3, y no hay cargos de almacenamiento propios de Clean Rooms.

Cómo avanzar en el diseño de la colaboración

La colaboración de datos con Clean Rooms comienza con la creación de consenso entre los participantes. Las partes implicadas acuerdan de antemano qué datos aportará cada una, qué tipos de análisis se permitirán y qué se obtendrá como resultado. Al restringir con las reglas de análisis los tipos de consultas que se pueden ejecutar y el contenido que se puede generar como resultado, se puede realizar solo el análisis dentro del alcance acordado sin revelar los datos sin procesar de cada parte. También se presta atención a la granularidad de la salida para que un participante no pueda inferir de forma involuntaria los datos del otro con detalle. Se diseñan con cuidado el alcance de los datos aportados y las restricciones del análisis, y se prepara un marco que todos los participantes puedan aceptar.

Resumen - Pautas para aprovechar Clean Rooms

AWS Clean Rooms es un servicio que logra el análisis de datos con protección de la privacidad entre varias organizaciones. Sus funciones principales son el control de consultas mediante reglas de análisis, la protección matemática de la privacidad mediante la privacidad diferencial y la protección de datos mediante la computación criptográfica. Como permite obtener información útil sin compartir datos sin procesar, se puede usar para la colaboración de datos en sectores con normativas de privacidad estrictas (sanidad, finanzas, publicidad). Cuando necesite compartir datos con empresas asociadas pero le preocupe la privacidad, considere Clean Rooms.

Referencias (recursos oficiales de AWS)

Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.

Si esta página y la documentación oficial difieren, prevalece la documentación oficial.

Compartir

Servicios relacionados

AWS Clean Rooms NuevoUn servicio de colaboración de datos con protección de privacidad que permite a múltiples empresas realizar análisis conjuntos sin compartir datosAWS Glue PopularUn servicio ETL sin servidor que automatiza la extracción, transformación y carga de datosAmazon S3 EsencialServicio de almacenamiento de objetos escalable

Artículos relacionados

Protección de privacidad de datos - Detección automática de datos confidenciales y defensa contra amenazas con Amazon Macie y GuardDutyDetección automática de datos confidenciales en S3 con Amazon Macie e inteligencia de amenazas con Amazon GuardDuty para protección integral de privacidad de datos. Desde identificación de información personal hasta detección de amenazas en tiempo real.Gobernanza de data lake - Control de acceso centralizado con AWS Lake FormationConstrucción, control de acceso y gobernanza de data lake con AWS Lake Formation. Gestión granular de permisos a nivel de columna y fila para data lakes basados en S3, e integración con Glue y Athena.Unificación de identidades de clientes - Cotejo de datos de clientes dispersos con AWS Entity ResolutionSe explica el cotejo de registros de datos de clientes (resolución de entidades) con AWS Entity Resolution. Se presentan los tres flujos de trabajo de coincidencia (basado en reglas, basado en ML y basado en servicios de proveedores), el mapeo de ID, los precios, la protección de la privacidad y la integración con Clean Rooms.

Más sobre este tema

Uso práctico de Amazon Quick - Casos de uso por departamento y patrones de diseño para la automatización de flujos de trabajoPresentamos de forma concreta escenarios de uso para cada departamento, como ventas / TI / finanzas, y patrones de diseño de flujos de trabajo de notificación / aprobación / varias etapas con Quick Flows.Visualización de dashboards BI - Plataforma de decisiones basada en datos con Amazon Quick SightExplicamos la construcción de dashboards BI interactivos con Amazon Quick Sight (antes Amazon QuickSight) y una plataforma de análisis de datos serverless con integración Athena. Presentamos la visualización de alta velocidad con el motor SPICE y métodos prácticos para compartir insights en toda la organización.Construcción de redes blockchain - Amazon Managed Blockchain y la migración desde QLDB (descontinuado)Explicamos la construcción de redes blockchain con Amazon Managed Blockchain, el papel de Amazon QLDB (descontinuado el 31-07-2025) y su ruta oficial de migración a Aurora PostgreSQL.Colaboración de datos con preservación de privacidad con AWS Clean RoomsEjecute análisis conjuntos entre múltiples empresas sin compartir ni copiar datos. Aprenda sobre reglas de agregación para prevenir la identificación individual y Cryptographic Computing para análisis cifrado.Unificación de identidades de clientes - Cotejo de datos de clientes dispersos con AWS Entity ResolutionSe explica el cotejo de registros de datos de clientes (resolución de entidades) con AWS Entity Resolution. Se presentan los tres flujos de trabajo de coincidencia (basado en reglas, basado en ML y basado en servicios de proveedores), el mapeo de ID, los precios, la protección de la privacidad y la integración con Clean Rooms.Aprovechamiento de datos de terceros con AWS Data Exchange - Adquisición de datos y gestión de suscripcionesSe adquieren productos de datos de terceros a través de Marketplace y se construye un pipeline de entrega automática a S3. También se presentan métodos para convertir en productos y monetizar los datos propios.Construcción de un data lake con Amazon S3 y Lake Formation - Patrones de diseño y gobernanzaSe presentan patrones de diseño de data lake que usan S3 como base de almacenamiento y logran un control de acceso detallado con Lake Formation. También se explican los pipelines ETL y la optimización de costes.Gobernanza de data lake - Control de acceso centralizado con AWS Lake FormationConstrucción, control de acceso y gobernanza de data lake con AWS Lake Formation. Gestión granular de permisos a nivel de columna y fila para data lakes basados en S3, e integración con Glue y Athena.

Artículos y servicios similares

Colaboración de datos con preservación de privacidad con AWS Clean RoomsEjecute análisis conjuntos entre múltiples empresas sin compartir ni copiar datos. Aprenda sobre reglas de agregación para prevenir la identificación individual y Cryptographic Computing para análisis cifrado.AWS Clean RoomsServicio que permite a múltiples organizaciones realizar análisis conjuntos sin exponer sus datos brutos, logrando el equilibrio entre protección de privacidad y análisisAWS Clean Rooms MLUn servicio para construir modelos de ML protegiendo la privacidad dentro de Clean RoomsML con preservación de privacidad con AWS Clean Rooms ML - Construya modelos sin compartir datosAprenda cómo construir modelos lookalike con Clean Rooms ML, aplicar privacidad diferencial y aprovechar los resultados para segmentación publicitaria.