Autores:  (1) Ángel Merino, Departamento de Ingeniería Telemática Universidad Carlos III de Madrid {angel.merino@uc3m.es};  (2) José González-Cabañas, UC3M-Instituto Santander Big Data {jose.gonzalez.cabanas@uc3m.es}  (3) Ángel Cuevas, Departamento de Ingeniería Telemática Universidad Carlos III de Madrid & UC3M-Instituto Santander Big Data {acrumin@it.uc3m.es};  (4) Rubén Cuevas, Departamento de Ingeniería Telemática Universidad Carlos III de Madrid & UC3M-Instituto Santander Big Data {rcuevas@it.uc3m.es}.  Tabla de enlaces   Resumen e introducción   Antecedentes de la plataforma de publicidad de LinkedIn   Conjunto de datos   Metodología   La singularidad del usuario en LinkedIn   Prueba de concepto de nanofocalización   Discusión   Trabajo relacionado   Ética y consideraciones legales   Conclusiones, agradecimientos y referencias   Apéndice  6 Prueba de concepto de nanofocalización  Si el resultado de nuestro modelo es correcto, es posible hacer nanotarget a un individuo en LinkedIn. Por nanotargeting nos referimos a mostrar anuncios de una campaña publicitaria exclusivamente al individuo objetivo. Sin embargo, observamos que LinkedIn afirma que no es posible lanzar campañas publicitarias para audiencias de menos de 300 usuarios. Si LinkedIn impone efectivamente esta política, no deberíamos poder realizar campañas de nanotargeting. En pocas palabras, en esta sección pretendemos verificar si es factible ejecutar campañas de nanotargeting en LinkedIn en base a los resultados derivados de nuestra metodología.   6.1 Descripción del experimento  Nuestro objetivo es nanolocalizar a tres de los autores de este artículo en función de su ubicación y habilidades autoinformadas. De ahora en adelante nos referiremos a los autores como usuario 1 (U1), usuario 2 (U2) y usuario 3 (U3), respectivamente.  Para configurar cada campaña, utilizamos el Administrador de campañas de LinkedIn y definimos la audiencia objetivo utilizando la ubicación y N habilidades recuperadas del perfil de LinkedIn del usuario objetivo. Además, configuramos el presupuesto, subimos la creatividad del anuncio y definimos la página de destino que visitará el usuario si hace clic en nuestros anuncios. Una vez definida una campaña publicitaria en LinkedIn, para continuar con su publicación y lanzarse al público, LinkedIn ofrece la posibilidad de utilizar dos botones diferentes que incluyen el texto "Lanzar Campaña", uno en el lado derecho de la página, y otro en la parte inferior. en la parte inferior, que solo es visible si el anunciante se desplaza hacia abajo. Podemos seleccionar cualquiera de estos botones para publicar el anuncio.  En nuestras campañas de nanotargeting, observamos que no se podía hacer clic en el botón "Lanzar campaña" en el lado derecho del Administrador de anuncios, argumentando que la audiencia era demasiado pequeña. Sin embargo, esta medida se puede omitir usando un simple código JavaScript en la consola del navegador para reactivar el botón: document.querySelector(button_selector).disabled = false. Al principio, pensamos que LinkedIn estaba implementando su política de evitar campañas publicitarias dirigidas a menos de 300 usuarios. Sin embargo, después de habilitar el botón, se puede lanzar la campaña y no se verifica el tamaño de la audiencia durante el proceso de revisión del anuncio.  A continuación, detallamos cada uno de los atributos de la campaña que son relevantes para nuestro experimento de prueba de concepto.    la cantidad de habilidades disponibles en los perfiles de las personas objetivo fue 28, 42 y 28 para U1, U2 y U3, respectivamente. Los resultados de nuestro modelo nos permitieron elegir cualquiera de las dos posibles estrategias de selección de habilidades: aleatoria o menos popular. Decidimos realizar nuestro experimento de prueba de concepto seleccionando habilidades al azar. Esto es para emular la configuración más simple para un anunciante no calificado que desee implementar una campaña de nanotargeting. Como explicamos, cualquier usuario (anunciante) con una cuenta de LinkedIn podría recuperar las habilidades reportadas por cualquier otro usuario. Basta con acceder al perfil y recuperar las habilidades (y la ubicación) informadas por el usuario al que se dirige y configurar una campaña publicitaria en el panel utilizando esa información. Por el contrario, implementar la selección menos popular implica ordenar las habilidades por popularidad, lo que requiere acceder al Administrador de anuncios y obtener el tamaño de audiencia asociado a cada habilidad. Aunque este es un paso muy simple para usuarios expertos, es posible que los usuarios no capacitados no sepan cómo obtener el tamaño de la audiencia para cada habilidad y no podrán implementar la selección de habilidades menos populares en la campaña de nanotargeting. Selección de habilidades:    Hemos configurado campañas con 7, 10, 13, 16 y 19 habilidades seleccionadas aleatoriamente. Número de habilidades:    todas las campañas se ejecutaron durante 3 días (72 horas). Cada campaña comenzó el día d al mediodía y finalizó a las d+3 del mediodía. Observamos que el día de inicio, d, no fue el mismo para todas las campañas. Duración de la campaña:    Cada campaña se configuró con un presupuesto de $10. Ninguna de las 15 campañas publicitarias gastó el presupuesto en los 3 días que estuvieron en ejecución.  Presupuesto de campaña:    Hemos utilizado una creatividad publicitaria neutral para anunciar un sitio web procedente de un proyecto de investigación que no tiene nada que ver con la privacidad. La Figura 6 muestra la creatividad publicitaria empleada en todas nuestras campañas publicitarias. Creatividad publicitaria:    configuramos nuestras campañas para publicar anuncios tanto en dispositivos móviles como en computadoras de escritorio. Dispositivo objetivo:  En general, nos dirigimos a 3 usuarios diferentes y ejecutamos 5 campañas para cada uno de ellos (una por cada valor de habilidades). Por lo tanto, nuestro experimento de prueba de concepto incluye 15 campañas de nanotargeting en total. La Tabla 2 muestra para cada valor de habilidades (primera columna) la probabilidad de éxito estimada según nuestro modelo (segunda columna) y el número esperado de usuarios nanoobjetivos exitosos entre los 3 usuarios objetivo (tercera columna). Calculamos esto último multiplicando la probabilidad de éxito obtenida de nuestro modelo por la cantidad de campañas ejecutadas por valor de habilidad, es decir, 3. Por ejemplo, para 19 habilidades (tasa de éxito del 85%), la cantidad esperada de campañas exitosas de tres campañas lanzadas , según los resultados de nuestra metodología, es 2,55. Esto implica que al menos 2 y probablemente 3 de las tres campañas que utilizan 19 habilidades deberían tener éxito en nuestro experimento. La última columna de la tabla muestra el número real de campañas de nanotargeting exitosas en nuestro experimento.  6.2 Validación del éxito de la nanofocalización  Para validar si nuestras campañas se habían dirigido con éxito al individuo objetivo, nos basamos tanto en la información proporcionada por LinkedIn para nuestras campañas como en la información que recopilamos directamente.  Primero, utilizamos la información proporcionada por LinkedIn a los anunciantes en un panel donde pueden monitorear el progreso de sus campañas. Proporciona información para muchos parámetros, incluido el número de impresiones y el número de clics de una campaña publicitaria. En algunos casos, también estima los usuarios (únicos) alcanzados (lo que se conoce como estimación de alcance) en la campaña. Este último parámetro nos permitiría confirmar el éxito de la campaña de nanotargeting cuando sea igual a 1 una vez finalizada la campaña. Sin embargo, este parámetro presenta dos limitaciones: (i) LinkedIn informa que este parámetro está en versión beta y solo ofrece una estimación; (ii) hemos observado que la estimación solo está disponible en aquellas campañas que llegan a varios usuarios, pero nunca se informa cuando se llega a muy pocos usuarios. Por lo tanto, si bien informamos este valor (consulte la Figura 10 en el Apéndice C), no podemos confiar en él para verificar el éxito de una campaña de nanotargeting, sino lo contrario cuando la campaña ha llegado a varios usuarios.  En segundo lugar, todos los autores objetivo conocían la creatividad publicitaria que estábamos utilizando en las campañas publicitarias y les dimos instrucciones de (i) tomar una instantánea de cada impresión publicitaria recibida de la campaña de nanotargeting; (ii) hacer clic en el anuncio nanodirigido cada vez que aparezca en su feed de LinkedIn.[1] Al hacer clic en el anuncio, el usuario fue redirigido al sitio web del proyecto de investigación anunciado que se ejecuta en un servidor que administramos. El servidor registró la marca de tiempo de cada clic y la campaña a partir de la cual se generó el clic, que identifica al usuario (U1, U2 o U3) que realiza el clic.  Con la información obtenida en los dos pasos anteriores pudimos valorar si una campaña de nanotargeting tuvo éxito. Podríamos concluir con confianza que el usuario fue el único que recibió el anuncio si la cantidad de impresiones y clics reportados por LinkedIn coincidía con la cantidad de impresiones y clics proporcionados por los usuarios objetivo y la cantidad de clics registrados en nuestro sistema backend, donde Puede verificar si los clics provienen de un solo usuario.   6.3 Resultados del experimento de nanofocalización  La Tabla 3 muestra los resultados de las 15 campañas publicitarias que ejecutamos en nuestro experimento de prueba de concepto. Para cada campaña, la tabla identifica: (i) el usuario al que se dirige, (ii) la cantidad de habilidades utilizadas en la campaña, (iii) la cantidad de impresiones y clics reportados por LinkedIn en el panel que resume los resultados de la campaña, (iv ) la cantidad de impresiones reportadas por el usuario a través de la instantánea que capturó de los anuncios recibidos, (v) la cantidad de clics registrados en nuestro servidor backend y (vi) el costo de la campaña. Destacamos en negrita todas las campañas que tuvieron éxito en nanodirigidas al individuo objetivo. La Figura 10 en el Apéndice C muestra una instantánea de los resultados de nuestras campañas tal como se informan en el panel de LinkedIn.  Todas las campañas que utilizaron las habilidades 13, 16 y 19 se dirigieron con éxito al usuario objetivo. Además, 2 de las 3 campañas que utilizaron 10 habilidades tuvieron éxito. Finalmente, sólo una de las campañas que utilizaron 7 habilidades tuvo éxito. Estos resultados coinciden con las expectativas derivadas de nuestro modelo como se informa en la Tabla 2. Nuestra intuición es que nuestro modelo proporciona un resultado conservador y la probabilidad de éxito real sería ligeramente mayor que la que informa nuestro modelo. Esta intuición se basa en el hecho de que el uso de 13 habilidades (71% de probabilidad de éxito) ya condujo a campañas de nanotargeting exitosas en todos los casos.  El resultado principal de este experimento es que hemos demostrado que es factible ejecutar campañas de nanotargeting sistemáticamente en LinkedIn. Esto implica que LinkedIn no está implementando efectivamente su política donde indican que el tamaño de audiencia requerido para lanzar una campaña publicitaria es 300 [11].  Este documento está   bajo licencia CC BY-NC-ND 4.0 DEED. disponible en arxiv  [1] Observamos que U3 olvidó hacer clic en una de las impresiones de anuncios recibidas en la campaña utilizando 13 habilidades (marcadas con * en la tabla 3). En ese caso, como encontraremos en nuestros resultados y en el informe de LinkedIn, la campaña generó 3 impresiones de anuncios y recibió 2 clics.

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.

Netizenship's blog

Este audio es producido en el idioma original de la historia!

El experimento de nanotargeting de LinkedIn que rompió todas las reglas

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

El modelo Bitcoin UTXO, impulsando un ecosistema único

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

El modelo Bitcoin UTXO, impulsando un ecosistema único

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps