Data Clean Rooms sollen Unternehmen ermöglichen, Datenbestände gemeinsam zu analysieren und für digitale Geschäftsmodelle zu nutzen, ohne Rohdaten unmittelbar offenzulegen. Doch technische Abschottung allein schafft weder DSGVO-Konformität noch belastbare Data Governance. Ein neues Whitepaper des Bundesverbands Digitale Wirtschaft zeigt: Entscheidend sind Zweckdefinition, Rollenverteilung, Einwilligungen, Zugriffskontrollen und die Frage, wer für eine gemeinsam organisierte Datenverarbeitung tatsächlich Verantwortung trägt.

Die digitale Wirtschaft steht vor einem strukturellen Spannungsfeld: First-Party-Daten gewinnen für Marketing, Zielgruppenanalyse und datenbasierte Geschäftsmodelle an Bedeutung, während gleichzeitig die Anforderungen an Datenschutz, Transparenz und kontrollierte Datenverarbeitung steigen. Data Clean Rooms, kurz DCR, sollen diesen Zielkonflikt auflösen. In geschützten Umgebungen können etwa Publisher, Vermarkter, Werbungtreibende und Agenturen eigene Datenbestände kontrolliert zusammenführen und analysieren, ohne die zugrunde liegenden Rohdaten unmittelbar untereinander auszutauschen. Stattdessen werden typischerweise pseudonymisierte Datensätze verarbeitet, um beispielsweise Überschneidungen zwischen Nutzergruppen zu identifizieren oder Zielgruppen für Kampagnen zu bestimmen.

Genau hier setzt das BVDW-Whitepaper „Datenschutzrechtliche Betrachtungen von Use Cases für Data Clean Rooms“ an. Seine zentrale Botschaft: Die technische Architektur eines Clean Rooms allein sagt noch wenig darüber aus, ob eine konkrete Datenkooperation datenschutzkonform ist. Maßgeblich sind vielmehr der tatsächliche Datenfluss, der Verarbeitungszweck und die Rollen der beteiligten Unternehmen.

Der „Clean Room“ ist kein Compliance-Siegel

Der Begriff Data Clean Room vermittelt zunächst ein überzeugendes Sicherheitsversprechen: Daten betreten einen kontrollierten Raum, werden dort verarbeitet und verlassen ihn nur in begrenzter oder aggregierter Form. Für Security- und Datenschutzverantwortliche wäre es jedoch riskant, daraus eine automatische DSGVO-Konformität abzuleiten. Das Whitepaper untersucht deshalb bewusst unterschiedliche Szenarien – von der Potenzialanalyse über Audience Insights bis hin zu Retargeting und Lookalike Audiences. Entscheidend ist dabei nicht allein die eingesetzte Plattform, sondern was innerhalb dieser Plattform mit den Daten geschieht. Eine statistische Analyse von Überschneidungen zwischen zwei Datenbeständen ist rechtlich anders zu bewerten als die Identifikation einzelner Nutzer für personalisierte Werbung.

Damit ergibt sich eine klare Risikokurve: Je stärker eine Datenkooperation von aggregierten Erkenntnissen in Richtung Profilbildung, Segmentierung und individueller Aktivierung wandert, desto höher werden die Anforderungen an Rechtsgrundlage, Transparenz und Verantwortungsverteilung. Für rein statistische Analysen kann nach Einschätzung des Whitepapers unter bestimmten Voraussetzungen ein berechtigtes Interesse infrage kommen. Bei personalisierten Werbeszenarien rückt dagegen regelmäßig die Einwilligung der Betroffenen in den Mittelpunkt.

Pseudonymisierung reduziert Risiken – beseitigt sie aber nicht

Auch technisch besteht eine wichtige Grenze. Gehashte oder pseudonymisierte Informationen dürfen nicht automatisch mit anonymen Daten gleichgesetzt werden. Pseudonymisierte Daten bleiben personenbezogen, sofern sie mit realistischen Mitteln wieder einer Person zugeordnet werden können. Für die Partei, die beispielsweise eine gehashte E-Mail-Adresse erzeugt hat und weiterhin über die Ausgangsdaten verfügt, bleibt der Personenbezug regelmäßig bestehen. Zweckbindung, Datenminimierung, Transparenz und Sicherheit gelten deshalb grundsätzlich auch innerhalb eines Data Clean Rooms.

Komplexer wird die Situation, wenn unterschiedliche Beteiligte unterschiedliche Möglichkeiten zur Re-Identifizierung besitzen. Das Whitepaper verweist hier auf eine rechtlich noch nicht abschließend geklärte Frage: Können Daten für einen Beteiligten personenbezogen sein, während einem anderen jede realistische Möglichkeit zur Zuordnung fehlt? Gerade diese Differenz kann Auswirkungen auf die Rollenverteilung und die Frage gemeinsamer Verantwortlichkeit haben.

Wer entscheidet, trägt Verantwortung

Einer der zentralen Punkte des Whitepapers ist deshalb die gemeinsame Verantwortlichkeit nach Art. 26 DSGVO. Diese richtet sich nicht allein danach, wer einen Server betreibt oder unmittelbaren Zugriff auf die Daten des Partners besitzt. Entscheidend ist vielmehr, ob die Entscheidungen mehrerer Parteien so ineinandergreifen, dass die betreffende Verarbeitung ohne den Beitrag beider Seiten nicht stattfinden würde. Der Einfluss muss dabei nicht gleich verteilt sein; auch eine asymmetrische Beteiligung kann gemeinsame Verantwortlichkeit begründen.

Gerade bei Activation-Szenarien wird diese Verzahnung deutlich: Die Demand-Side bringt beispielsweise Kundendaten und Kampagnenziele ein, die Sell-Side ihre Nutzerbasis und Infrastruktur, während Matching und Segmentbildung über den DCR erfolgen. Erst dieses Zusammenspiel ermöglicht die spätere Ansprache. Das Whitepaper sieht deshalb insbesondere beim Retargeting und bei Lookalike-Szenarien gewichtige Argumente für gemeinsame Verantwortlichkeit. Gleichzeitig bedeutet Joint Control nicht, dass beide Unternehmen für sämtliche Verarbeitungsschritte gleichermaßen zuständig sind. Die Sell-Side bleibt insbesondere für eigene Nutzerprofile und Werbeausspielung verantwortlich, die Demand-Side für ihre Kundendaten; im Überschneidungsbereich – etwa Matching, Segmentbildung oder Zielgruppenauswahl – besteht dagegen gemeinsame Verantwortung.

Ein Joint Controller Agreement ist dabei nicht die Ursache, sondern die Folge einer bereits bestehenden gemeinsamen Verantwortlichkeit. Datenübertragungen benötigen weiterhin eine Rechtsgrundlage, Betroffene müssen über die wesentlichen Inhalte der Vereinbarung informiert werden und im Außenverhältnis kann grundsätzlich eine gesamtschuldnerische Haftung entstehen.

Privacy by Design wird zur Security Architecture

Besonders relevant für Security-Verantwortliche ist die Erkenntnis, dass viele Datenschutzanforderungen nicht zuverlässig allein über Richtlinien und Verträge abgesichert werden können. Sie müssen Teil der technischen Architektur werden. Das beginnt bei der Datenminimierung: Unternehmen sollen möglichst wenige direkte Identifikatoren einsetzen, Pseudonymisierung konsequent nutzen und Ergebnisse idealerweise nur aggregiert oder statistisch aus dem DCR exportieren. Zusätzlich lassen sich Zweckbindungen technisch durchsetzen, etwa über Mindestgrößen für Kohorten, die verhindern, dass Abfragen auf einzelne oder sehr kleine Nutzergruppen heruntergebrochen werden.

Dasselbe gilt für Consent. Das Whitepaper empfiehlt, DCR-Prozesse mit bestehenden Consent Management Platforms zu verbinden, sodass nur Daten von Nutzern mit gültiger Einwilligung verarbeitet werden. Widerrufe müssen anschließend auch technisch umgesetzt werden können, etwa durch Löschung oder Sperrung entsprechender IDs für zukünftige Abgleiche. Datenschutz wird damit von einer nachgelagerten Kontrollaufgabe zu einer unmittelbar im System verankerten Funktion.

Data Clean Rooms werden selbst zum attraktiven Angriffsziel

Pseudonymisierung reduziert zwar Risiken, macht große Datenbestände aber nicht wertlos für Angreifer. Gerade die Möglichkeit, Informationen unterschiedlicher Unternehmen miteinander abzugleichen, kann DCR-Infrastrukturen besonders attraktiv machen. Der BVDW empfiehlt deshalb unter anderem Sicherheitsaudits bei Plattformanbietern, zusätzliche Verschlüsselung und strikte Zugriffskontrollen. Hochsensible Funktionen wie Datenexporte sollten nur einem kleinen Kreis autorisierter Personen offenstehen.

Für Security-Verantwortliche erweitert sich damit der Prüfkatalog erheblich: Wer darf neue Datenquellen freischalten, Matching-Prozesse starten oder Ergebnisse exportieren? Wie werden privilegierte Zugriffe protokolliert? Welche Daten verlassen den geschützten Raum? Und lässt sich nachweisen, dass Daten nach Ablauf eines Verarbeitungszwecks tatsächlich gelöscht oder gesperrt wurden? Der Data Clean Room wird damit zu einer organisationsübergreifenden Vertrauenszone, deren Sicherheit ebenso von Identity- und Access-Management, Auditierbarkeit und Governance abhängt wie von Verschlüsselung.

Die Vertragsarchitektur muss der Systemarchitektur folgen

Technische und rechtliche Governance sind deshalb kaum voneinander zu trennen. Bei gemeinsamer Verantwortlichkeit sollte ein Joint Controller Agreement unter anderem Verarbeitungszweck, eingesetzte Technologien, Informationspflichten, Betroffenenrechte sowie den Umgang mit Daten nach Ende der Kooperation festlegen. Der eigentliche DCR-Anbieter wird in den vom Whitepaper betrachteten Szenarien dagegen meist als Auftragsverarbeiter eingeordnet. Vereinbarungen nach Art. 28 DSGVO müssen entsprechend Datenarten, Verarbeitungsumfang, Vertraulichkeit, Sicherheitsmaßnahmen, Unterstützung bei Betroffenenrechten und Auditmöglichkeiten abdecken.

Mit jeder zusätzlich eingebundenen Agentur oder technischen Plattform wächst dieses Geflecht weiter. Genau darin liegt eine zentrale Herausforderung moderner Datenökosysteme: Die technische Architektur entwickelt sich häufig schneller als die dazugehörige Governance. Für Unternehmen reicht es deshalb nicht, allein die Sicherheitszertifikate eines DCR-Anbieters zu prüfen. Technische Rechte, organisatorische Zuständigkeiten und rechtliche Pflichten müssen entlang des gesamten Prozesses miteinander übereinstimmen.

KI erhöht die Anforderungen an Governance weiter

Zusätzliche Komplexität entsteht, wenn Data Clean Rooms nicht mehr nur Datensätze abgleichen, sondern Modelle daraus neue Erkenntnisse ableiten. Schon bei Lookalike-Szenarien können bestehende Nutzerprofile genutzt werden, um neue Personen mit ähnlichen Eigenschaften zu identifizieren. Das Whitepaper weist darauf hin, dass eine solche Verarbeitung eine Datenschutz-Folgenabschätzung erforderlich machen kann, weil Daten zusammengeführt und neue Vorhersagen über Personen erzeugt werden. Als Risiken nennt es unter anderem Diskriminierung und Intransparenz.

Dabei steht diese Entwicklung erst am Anfang. Künftige DCR-Anwendungen könnten KI-basierte Analysen ermöglichen, bei denen mehrere Partner nicht mehr nur identische Identifier matchen, sondern gemeinsame Muster über verschiedene Datenbestände hinweg erkennen. Das Whitepaper kündigt an, solche Szenarien bei zunehmender Marktreife künftig näher zu behandeln. Damit werden nicht nur Daten, sondern auch Modelle, Trainingsprozesse und daraus abgeleitete Erkenntnisse zu Gegenständen der Security- und Compliance-Governance.

Standardisierung wird zur Voraussetzung für Skalierbarkeit

Ein weiterer Engpass liegt deshalb in der fehlenden Standardisierung. Der BVDW sieht sowohl bei technischen Schnittstellen als auch bei rechtlichen Rahmenbedingungen Handlungsbedarf. Benötigt werden beispielsweise interoperable Formate für sichere ID-Abgleiche ebenso wie standardisierte Modelle für wiederkehrende Verantwortlichkeitskonstellationen. Bislang müssen Unternehmen viele dieser Fragen bilateral lösen.

Das ist mehr als ein Effizienzproblem. Wenn jede neue Datenkooperation eigene technische Schnittstellen, individuelle Verträge, ein neues Rollenmodell und separate Compliance-Prüfungen verlangt, lässt sich die Technologie nur begrenzt skalieren. Standardisierung kann deshalb selbst zu einem Sicherheitsfaktor werden: Sie schafft wiederholbare Prozesse, kontrollierbare Schnittstellen und überprüfbare Verantwortlichkeiten.

Sven Wegholz von Publicis Media Germany, Lableiter Data Clean Rooms der Working Group Programmatic Advertising Ecosystem im BVDW, fasst diesen Ansatz zusammen: „Erfolgreiche Data-Clean-Room-Projekte entstehen dort, wo Datenschutz von Beginn an mitgedacht wird. Wer rechtliche Anforderungen frühzeitig in die Konzeption integriert und alle Beteiligten entlang eines gemeinsamen Verständnisses zusammenbringt, schafft die Grundlage für nachhaltige und vertrauensvolle Datenkooperationen.“

Die neue Messgröße heißt kontrollierbare Datenkooperation

Data Clean Rooms adressieren eine der zentralen Fragen datengetriebener Geschäftsmodelle: Wie können mehrere Unternehmen gemeinsam Wert aus Daten schaffen, ohne die Kontrolle darüber zu verlieren? Die Antwort liegt weder allein in Verschlüsselung noch in Hashing oder einer abgeschotteten Plattform. Die eigentliche Reife eines DCR-Modells zeigt sich daran, ob jederzeit nachvollziehbar ist, welche Daten zu welchem Zweck verarbeitet werden, wer darüber entscheidet, wer darauf zugreifen darf, welche Ergebnisse den geschützten Raum verlassen und wie sich diese Regeln technisch nachweisen lassen.

Damit entsteht ein neuer Bewertungsmaßstab: Nicht die Menge der verknüpfbaren Daten entscheidet über die Qualität eines Data Clean Rooms, sondern die Fähigkeit, Datenkooperation zu ermöglichen, ohne Kontrolle, Nachvollziehbarkeit und Verantwortlichkeit zu verlieren.

Der Clean Room schafft dafür den geschützten Raum. Sicherheit entsteht erst durch die Regeln, die darin gelten – und durch die technische Konsequenz, mit der sie durchgesetzt werden.

Infobox: Data Clean Rooms – die 10 wichtigsten Punkte

1. Ein Data Clean Room ist kein Compliance-Siegel. Die technische Abschottung allein garantiert noch keine DSGVO-konforme Verarbeitung.
2. Der konkrete Use Case entscheidet über das Risiko. Eine aggregierte Potenzialanalyse ist anders zu bewerten als Retargeting oder die Aktivierung von Lookalike Audiences.
3. Pseudonymisierung ist nicht Anonymisierung. Gehashte oder pseudonymisierte Daten können weiterhin personenbezogene Daten im Sinne der DSGVO sein.
4. Mit zunehmender Individualisierung steigen die Anforderungen. Je stärker aus Daten individuelle Profile, Zielgruppen und Werbeansprachen entstehen, desto wichtiger werden Einwilligung, Transparenz und Governance.
5. Verantwortlichkeit richtet sich nach der tatsächlichen Zusammenarbeit. Unternehmen können gemeinsam verantwortlich sein, auch wenn ihre Beiträge und Datenzugriffe unterschiedlich ausgeprägt sind.
6. Joint Control lässt sich nicht durch Verträge wegdefinieren. Ein Joint Controller Agreement dokumentiert eine bestehende gemeinsame Verantwortlichkeit – es erzeugt oder beseitigt sie nicht.
7. Privacy by Design muss technisch umgesetzt werden. Datenminimierung, Pseudonymisierung, Kohortengrenzen, Zweckbindung und Consent-Management sollten Bestandteil der DCR-Architektur sein.
8. Data Clean Rooms sind selbst schützenswerte Systeme. Große zusammengeführte Datenbestände erfordern Verschlüsselung, restriktive Zugriffsrechte, Auditierung und Kontrolle besonders sensibler Funktionen wie Datenexporte.
9. KI verschärft die Governance-Fragen. Werden aus kombinierten Daten neue Profile oder Vorhersagen erzeugt, können zusätzliche Datenschutzrisiken und gegebenenfalls eine Datenschutz-Folgenabschätzung entstehen.
10. Standardisierung wird zum Schlüssel für Skalierbarkeit. Einheitliche technische Schnittstellen und rechtliche Modelle können dafür sorgen, dass sichere Datenkooperation nicht für jedes Projekt vollständig neu aufgebaut werden muss.