Autoren:  (1) Ángel Merino, Fakultät für Telematiktechnik, Universidad Carlos III de Madrid {angel.merino@uc3m.es};  (2) José González-Cabañas, UC3M-Santander Big Data Institute {jose.gonzalez.cabanas@uc3m.es}  (3) Ángel Cuevas, Fakultät für Telematiktechnik, Universidad Carlos III de Madrid & UC3M-Santander Big Data Institute {acrumin@it.uc3m.es};  (4) Rubén Cuevas, Fakultät für Telematiktechnik, Universidad Carlos III de Madrid & UC3M-Santander Big Data Institute {rcuevas@it.uc3m.es}.  Linktabelle   Zusammenfassung und Einleitung   Hintergrund zur LinkedIn-Werbeplattform   Datensatz   Methodik   Einzigartigkeit des Benutzers auf LinkedIn   Machbarkeitsnachweis für Nanotargeting   Diskussion   Verwandte Arbeiten   Ethische und rechtliche Überlegungen   Schlussfolgerungen, Danksagungen und Referenzen   Anhang  6 Nanotargeting-Machbarkeitsnachweis  Wenn das Ergebnis unseres Modells stimmt, ist es möglicherweise möglich, eine Einzelperson auf LinkedIn per Nanotargeting anzusprechen. Unter Nanotargeting verstehen wir das Anzeigen einer Werbekampagne ausschließlich für die Zielperson. Wir weisen jedoch darauf hin, dass LinkedIn angibt, dass es nicht möglich ist, Werbekampagnen für Zielgruppen mit einer Größe von weniger als 300 Benutzern zu starten. Wenn LinkedIn diese Richtlinie tatsächlich durchsetzt, sollten wir keine Nanotargeting-Kampagnen durchführen können. Kurz gesagt möchten wir in diesem Abschnitt anhand der Ergebnisse unserer Methodik überprüfen, ob es möglich ist, Nanotargeting-Kampagnen auf LinkedIn durchzuführen.   6.1 Versuchsbeschreibung  Wir möchten drei der Autoren dieses Dokuments anhand ihres selbst angegebenen Standorts und ihrer Fähigkeiten gezielt ansprechen. Im Folgenden werden wir die Autoren als Benutzer 1 (U1), Benutzer 2 (U2) und Benutzer 3 (U3) bezeichnen.  Um jede Kampagne zu konfigurieren, verwenden wir den LinkedIn Campaign Manager und definieren die Zielgruppe anhand des Standorts und der N Fähigkeiten, die aus dem LinkedIn-Profil des Zielbenutzers abgerufen werden. Darüber hinaus legen wir das Budget fest, laden die Anzeigenkreation hoch und definieren die Zielseite, die der Benutzer besucht, wenn er auf unsere Anzeigen klickt. Sobald eine LinkedIn-Werbekampagne definiert ist, bietet LinkedIn die Möglichkeit, mit ihrer Veröffentlichung fortzufahren und sie der Öffentlichkeit zugänglich zu machen, zwei verschiedene Schaltflächen zu verwenden, darunter den Text „Kampagne starten“, eine auf der rechten Seite der Seite und eine weitere unten, die nur sichtbar ist, wenn der Werbetreibende nach unten scrollt. Wir können eine dieser Schaltflächen auswählen, um die Anzeige zu veröffentlichen.  Bei unseren Nanotargeting-Kampagnen haben wir festgestellt, dass die Schaltfläche „Kampagne starten“ auf der rechten Seite des Anzeigenmanagers nicht anklickbar war, mit der Begründung, dass die Zielgruppe zu klein sei. Diese Maßnahme kann jedoch umgangen werden, indem man einen einfachen JavaScript-Code in der Browserkonsole verwendet, um die Schaltfläche wieder zu aktivieren: document.querySelector(button_selector).disabled = false. Zunächst dachten wir, LinkedIn setze seine Richtlinie um, um Werbekampagnen zu vermeiden, die auf weniger als 300 Benutzer abzielen. Nach dem Aktivieren der Schaltfläche kann die Kampagne jedoch gestartet werden und die Zielgruppengröße wird während des Anzeigenüberprüfungsprozesses nicht überprüft.  Als Nächstes gehen wir detailliert auf alle Kampagnenattribute ein, die für unser Proof-of-Concept-Experiment relevant sind.    Die Anzahl der in den Profilen der Zielpersonen verfügbaren Fähigkeiten betrug 28, 42 und 28 für U1, U2 und U3. Die Ergebnisse unseres Modells ermöglichten es uns, eine der beiden möglichen Strategien zur Auswahl der Fähigkeiten zu wählen: zufällig oder am wenigsten beliebt. Wir entschieden uns, unser Proof-of-Concept-Experiment durchzuführen, indem wir die Fähigkeiten nach dem Zufallsprinzip auswählten. Dies soll die einfachste Einstellung für einen nicht qualifizierten Werbetreibenden simulieren, der eine Nanotargeting-Kampagne implementieren möchte. Wie wir erklärt haben, könnte jeder Benutzer (Werbetreibende) mit einem LinkedIn-Konto die von jedem anderen Benutzer gemeldeten Fähigkeiten abrufen. Es reicht aus, auf das Profil zuzugreifen und die vom Zielbenutzer gemeldeten Fähigkeiten (und den Standort) abzurufen und mithilfe dieser Informationen eine Werbekampagne im Dashboard zu konfigurieren. Im Gegensatz dazu erfordert die Implementierung der am wenigsten beliebten Auswahl, die Fähigkeiten nach Beliebtheit zu sortieren, was Zugriff auf den Werbeanzeigenmanager und die Ermittlung der mit jeder Fähigkeit verbundenen Zielgruppengröße erfordert. Obwohl dies für versierte Benutzer ein sehr einfacher Schritt ist, wissen nicht versierte Benutzer möglicherweise nicht, wie sie die Zielgruppengröße für jede Fähigkeit ermitteln, und können die am wenigsten beliebte Fähigkeitsauswahl nicht in der Nanotargeting-Kampagne implementieren. Auswahl der Fähigkeiten:    Wir haben Kampagnen mit 7, 10, 13, 16 und 19 zufällig ausgewählten Fähigkeiten konfiguriert. Anzahl der Fähigkeiten:    Alle Kampagnen liefen 3 Tage (72 Stunden). Jede Kampagne begann am Tag d mittags und endete am Tag+3 mittags. Wir stellen fest, dass der Starttag d nicht für alle Kampagnen derselbe war. Kampagnendauer:    Jede Kampagne war mit einem Budget von 10 $ ausgestattet. Keine der 15 Werbekampagnen hat das Budget in den 3 Tagen ihrer Laufzeit ausgegeben.  Kampagnenbudget:    Wir haben eine neutrale Werbekreativität verwendet, um für eine Website aus einem Forschungsprojekt zu werben, das nichts mit Datenschutz zu tun hat. Abbildung 6 zeigt die Werbekreativität, die in allen unseren Werbekampagnen verwendet wurde. Werbekreativität:    Wir haben unsere Kampagnen so konfiguriert, dass Anzeigen sowohl auf Mobilgeräten als auch auf Desktops ausgeliefert werden. Zielgerät:  Insgesamt zielen wir auf 3 verschiedene Benutzer ab und führen für jeden von ihnen 5 Kampagnen durch (eine pro Anzahl von Skill-Werten). Daher umfasst unser Proof-of-Concept-Experiment insgesamt 15 Nanotargeting-Kampagnen. Tabelle 2 zeigt für jeden Skill-Wert (erste Spalte) die geschätzte Erfolgswahrscheinlichkeit gemäß unserem Modell (zweite Spalte) und die erwartete Anzahl erfolgreich nanotargeted Benutzer unter den 3 anvisierten Benutzern (dritte Spalte). Letztere berechnen wir, indem wir die aus unserem Modell ermittelte Erfolgswahrscheinlichkeit mit der Anzahl der pro Skill-Wert durchgeführten Kampagnen multiplizieren, also 3. Beispielsweise beträgt für 19 Skills (85 % Erfolgsquote) die erwartete Anzahl erfolgreicher Kampagnen aus drei gestarteten Kampagnen, basierend auf den Ergebnissen unserer Methodik, 2,55. Dies bedeutet, dass mindestens 2 und wahrscheinlich 3 der drei Kampagnen mit 19 Skills in unserem Experiment erfolgreich sein sollten. Die letzte Spalte der Tabelle zeigt die tatsächliche Anzahl erfolgreicher Nanotargeting-Kampagnen in unserem Experiment.  6.2 Validierung des Nanotargeting-Erfolgs  Um zu überprüfen, ob unsere Kampagnen die Zielperson erfolgreich per Nanotargeting angesprochen haben, stützten wir uns sowohl auf die von LinkedIn für unsere Kampagnen bereitgestellten Informationen als auch auf die Informationen, die wir direkt gesammelt haben.  Zunächst haben wir die von LinkedIn bereitgestellten Informationen für Werbetreibende in einem Dashboard verwendet, in dem sie den Fortschritt ihrer Kampagnen überwachen können. Es liefert Informationen zu vielen Parametern, einschließlich der Anzahl der Impressionen und der Anzahl der Klicks für eine Werbekampagne. In einigen Fällen schätzt es auch die (einzigartigen) erreichten Benutzer (Reichweitenschätzung genannt) in der Kampagne. Dieser letzte Parameter würde es uns ermöglichen, den Erfolg der Nanotargeting-Kampagne zu bestätigen, wenn er nach Abschluss der Kampagne gleich 1 ist. Dieser Parameter weist jedoch zwei Einschränkungen auf: (i) LinkedIn informiert, dass dieser Parameter in einer Betaversion vorliegt und nur eine Schätzung bietet; (ii) wir haben festgestellt, dass die Schätzung nur bei Kampagnen verfügbar ist, die mehrere Benutzer erreichen, aber sie wird nie gemeldet, wenn nur sehr wenige Benutzer erreicht werden. Obwohl wir diesen Wert melden (siehe Abbildung 10 in Anhang C), können wir uns daher nicht darauf verlassen, um den Erfolg einer Nanotargeting-Kampagne zu überprüfen, im Gegenteil, wenn die Kampagne mehrere Benutzer erreicht hat.  Zweitens waren sich alle angesprochenen Autoren der Anzeigenkreativität bewusst, die wir in den Werbekampagnen verwendeten, und wir wiesen sie an, (i) einen Schnappschuss von jedem Anzeigeneindruck zu machen, den sie von der Nanotargeting-Kampagne erhielten; (ii) jedes Mal auf die nanotargeted Anzeige zu klicken, wenn sie in ihrem LinkedIn-Feed erschien.[1] Beim Klicken auf die Anzeige wurde der Benutzer auf die beworbene Website des Forschungsprojekts weitergeleitet, die auf einem von uns verwalteten Server läuft. Der Server zeichnete den Zeitstempel für jeden Klick und die Kampagne auf, aus der der Klick generiert wurde, wodurch der Benutzer (U1, U2 oder U3) identifiziert wurde, der den Klick ausführte.  Mit den in den beiden vorherigen Schritten erhaltenen Informationen konnten wir beurteilen, ob eine Nanotargeting-Kampagne erfolgreich war. Wir konnten mit Sicherheit davon ausgehen, dass der Benutzer der einzige war, der die Anzeige erhalten hat, wenn die von LinkedIn gemeldete Anzahl der Impressionen und Klicks mit der Anzahl der von den Zielbenutzern bereitgestellten Impressionen und Klicks und der Anzahl der in unserem Backend-System protokollierten Klicks übereinstimmte, wo wir überprüfen können, ob die Klicks von einem einzelnen Benutzer stammen.   6.3 Ergebnisse des Nanotargeting-Experiments  Tabelle 3 zeigt die Ergebnisse der 15 Werbekampagnen, die wir in unserem Proof-of-Concept-Experiment durchgeführt haben. Für jede Kampagne gibt die Tabelle an: (i) den angesprochenen Benutzer, (ii) die Anzahl der in der Kampagne verwendeten Fähigkeiten, (iii) die Anzahl der von LinkedIn im Dashboard gemeldeten Impressionen und Klicks, die die Kampagnenergebnisse zusammenfassen, (iv) die Anzahl der vom Benutzer über den von ihm aufgenommenen Snapshot der empfangenen Anzeigen gemeldeten Impressionen, (v) die Anzahl der auf unserem Backend-Server registrierten Klicks und (vi) die Kosten der Kampagne. Wir heben alle Kampagnen, die die angesprochene Person erfolgreich im Nano-Targeting angesprochen haben, fett hervor. Abbildung 10 in Anhang C zeigt einen Snapshot der Ergebnisse unserer Kampagnen, wie sie im LinkedIn-Dashboard gemeldet wurden.  Alle Kampagnen mit den Fähigkeiten 13, 16 und 19 haben den Zielbenutzer erfolgreich nanotargeted. Außerdem waren 2 der 3 Kampagnen mit 10 Fähigkeiten erfolgreich. Und schließlich war nur eine der Kampagnen mit 7 Fähigkeiten erfolgreich. Diese Ergebnisse entsprechen den Erwartungen, die sich aus unserem Modell ergeben, wie in Tabelle 2 berichtet. Unserer Intuition nach liefert unser Modell ein konservatives Ergebnis und die tatsächliche Erfolgswahrscheinlichkeit wäre etwas höher als von unserem Modell berichtet. Diese Intuition basiert auf der Tatsache, dass die Verwendung von 13 Fähigkeiten (71 % Erfolgswahrscheinlichkeit) in allen Fällen bereits zu erfolgreichen Nanotargeting-Kampagnen geführt hat.  Das wichtigste Ergebnis dieses Experiments ist, dass wir gezeigt haben, dass die systematische Durchführung von Nanotargeting-Kampagnen auf LinkedIn machbar ist. Dies impliziert, dass LinkedIn seine Richtlinie, wonach die erforderliche Zielgruppengröße für den Start einer Werbekampagne 300 beträgt, nicht effektiv umsetzt [11].  Dieses Dokument ist   . auf arxiv unter der Lizenz CC BY-NC-ND 4.0 DEED verfügbar  [1] Wir stellen fest, dass U3 vergessen hat, auf eine der empfangenen Ad Impressions in der Kampagne mit 13 Skills zu klicken (in Tabelle 3 mit * markiert). In diesem Fall lieferte die Kampagne, wie wir in unseren Ergebnissen und dem LinkedIn-Bericht sehen werden, 3 Ad Impressions und erhielt 2 Klicks.

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Netizenship is internet citizenship. We publish academic research on digital rights of online community members.

Das LinkedIn Nanotargeting-Experiment, das alle Regeln brach

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps