Auteurs:  (1) Ángel Merino, Département d'ingénierie télématique, Université Carlos III de Madrid {angel.merino@uc3m.es} ;  (2) José González-Cabañas, Institut Big Data UC3M-Santander {jose.gonzalez.cabanas@uc3m.es}  (3) Ángel Cuevas, Département d'ingénierie télématique de l'Université Carlos III de Madrid et UC3M-Santander Big Data Institute {acrumin@it.uc3m.es} ;  (4) Rubén Cuevas, Département d'ingénierie télématique de l'Université Carlos III de Madrid et UC3M-Santander Big Data Institute {rcuevas@it.uc3m.es}.  Tableau des liens   Résumé et introduction   Contexte de la plateforme de publicité LinkedIn   Base de données   Méthodologie   Unicité de l'utilisateur sur LinkedIn   Preuve de concept du nanociblage   Discussion   Travaux connexes   Considérations éthiques et juridiques   Conclusions, remerciements et références   annexe  6 Preuve de concept du nanociblage  Si les résultats de notre modèle sont corrects, il pourrait être possible de nano-cibler un individu sur LinkedIn. Par nanociblage, nous faisons référence à la diffusion des publicités d'une campagne publicitaire exclusivement auprès de la personne ciblée. Cependant, nous notons que LinkedIn affirme qu'il n'est pas possible de lancer des campagnes publicitaires pour des audiences inférieures à 300 utilisateurs. Si LinkedIn impose effectivement cette politique, nous ne devrions pas pouvoir mener de campagnes de nanociblage. En un mot, dans cette section, nous visons à vérifier s'il est possible de mener des campagnes de nanociblage sur LinkedIn sur la base des résultats issus de notre méthodologie.   6.1 Description de l'expérience  Nous visons à nanocibler trois des auteurs de cet article en fonction de leur emplacement et de leurs compétences autodéclarés. À partir de maintenant, nous désignerons les auteurs respectivement par l’utilisateur 1 (U1), l’utilisateur 2 (U2) et l’utilisateur 3 (U3).  Pour configurer chaque campagne, nous utilisons le LinkedIn Campaign Manager et définissons l'audience ciblée à l'aide de la localisation et des N compétences récupérées du profil LinkedIn de l'utilisateur ciblé. De plus, nous établissons le budget, téléchargeons la créativité publicitaire et définissons la page de destination que l'utilisateur visitera s'il clique sur nos annonces. Une fois qu'une campagne publicitaire LinkedIn est définie, pour poursuivre sa publication et être lancée au public, LinkedIn offre la possibilité d'utiliser deux boutons différents comprenant le texte "Lancer la campagne", un à droite de la page, et un autre en bas. en bas, cela n'est visible que si l'annonceur fait défiler vers le bas. Nous pouvons sélectionner l'un ou l'autre de ces boutons pour publier l'annonce.  Dans nos campagnes de nanociblage, nous avons observé que le bouton « Lancer la campagne » situé à droite du gestionnaire de publicités n'était pas cliquable, arguant que l'audience était trop petite. Cette mesure peut cependant être contournée à l'aide d'un simple code JavaScript dans la console du navigateur pour réactiver le bouton : document.querySelector(button_selector).disabled = false. Au début, nous pensions que LinkedIn mettait en œuvre sa politique visant à éviter les campagnes publicitaires ciblant moins de 300 utilisateurs. Cependant, après avoir activé le bouton, la campagne peut être lancée et la taille de l'audience n'est pas vérifiée lors du processus d'examen des publicités.  Ensuite, nous détaillons chacun des attributs de campagne pertinents pour notre expérience de preuve de concept.    Le nombre de compétences disponibles dans les profils des individus ciblés était respectivement de 28, 42 et 28 pour U1, U2 et U3. Les résultats de notre modèle nous ont permis de choisir l'une des deux stratégies potentielles de sélection des compétences : aléatoire ou la moins populaire. Nous avons décidé de mener notre expérience de preuve de concept en sélectionnant les compétences au hasard. Il s'agit d'émuler le paramètre le plus simple pour un annonceur non qualifié souhaitant mettre en œuvre une campagne de nanociblage. Comme nous l’avons expliqué, tout utilisateur (annonceur) disposant d’un compte LinkedIn pouvait récupérer les compétences signalées par n’importe quel autre utilisateur. Il suffit d'accéder au profil et de récupérer les compétences (et la localisation) signalées par l'utilisateur ciblé et de configurer une campagne publicitaire dans le tableau de bord en utilisant ces informations. En revanche, mettre en œuvre la sélection la moins populaire implique de trier les compétences par popularité, ce qui nécessite d'accéder au gestionnaire de publicités et d'obtenir la taille d'audience associée à chaque compétence. Bien qu'il s'agisse d'une étape très simple pour les utilisateurs avertis, les utilisateurs non qualifiés risquent de ne pas savoir comment obtenir la taille de l'audience pour chaque compétence et ne seront pas en mesure de mettre en œuvre la sélection de compétences la moins populaire dans la campagne de nanociblage. Sélection des compétences :    Nous avons configuré des campagnes avec 7, 10, 13, 16 et 19 compétences sélectionnées au hasard. Nombre de compétences :    toutes les campagnes ont duré 3 jours (72 heures). Chaque campagne a débuté le jour j midi et s'est terminée à j+3 midi. On constate que le jour de début, j, n'était pas le même pour toutes les campagnes. Durée de la campagne :    chaque campagne a été configurée avec un budget de 10 $. Aucune des 15 campagnes publicitaires n'a dépensé le budget prévu au cours des 3 jours de diffusion.  Budget de campagne :    Nous avons utilisé une créativité publicitaire neutre pour promouvoir un site Web à partir d'un projet de recherche qui n'a rien à voir avec la confidentialité. La figure 6 montre la créativité publicitaire utilisée dans toutes nos campagnes publicitaires. Créativité publicitaire :    nous avons configuré nos campagnes pour diffuser des annonces à la fois sur les appareils mobiles et sur les ordinateurs de bureau. Appareil ciblé :  Au total, nous ciblons 3 utilisateurs différents et nous menons 5 campagnes pour chacun d'eux (une par nombre de valeur de compétence). Par conséquent, notre expérience de preuve de concept comprend 15 campagnes de nanociblage au total. Le tableau 2 montre pour chaque valeur de compétences (première colonne) la probabilité de réussite estimée selon notre modèle (deuxième colonne) et le nombre attendu d'utilisateurs nanociblés avec succès parmi les 3 utilisateurs ciblés (troisième colonne). Nous calculons cette dernière en multipliant la probabilité de réussite extraite de notre modèle par le nombre de campagnes lancées par valeur de compétence, soit 3. Par exemple, pour 19 compétences (taux de réussite de 85 %), le nombre attendu de campagnes réussies sur trois campagnes lancées , sur la base des résultats de notre méthodologie, est de 2,55. Cela implique qu'au moins 2 et probablement 3 des trois campagnes utilisant 19 compétences devraient réussir dans notre expérience. La dernière colonne du tableau montre le nombre réel de campagnes de nanociblage réussies dans notre expérience.  6.2 Validation du succès du nanociblage  Pour valider si nos campagnes avaient réussi à nano-cibler la personne ciblée, nous nous sommes appuyés à la fois sur les informations fournies par LinkedIn pour nos campagnes et sur les informations que nous avons directement collectées.  Dans un premier temps, nous avons utilisé les informations fournies par LinkedIn aux annonceurs dans un tableau de bord où ils peuvent suivre la progression de leurs campagnes. Il fournit des informations sur de nombreux paramètres, notamment le nombre d'impressions et le nombre de clics pour une campagne publicitaire. Dans certains cas, il estime également les utilisateurs (uniques) touchés (appelé estimation de la portée) dans la campagne. Ce dernier paramètre permettrait de confirmer le succès de la campagne de nanociblage lorsqu'il est égal à 1 une fois la campagne terminée. Ce paramètre présente cependant deux limitations : (i) LinkedIn informe que ce paramètre est en version bêta et qu'il ne propose qu'une estimation ; (ii) nous avons observé que l'estimation n'est disponible que dans les campagnes touchant plusieurs utilisateurs, mais elle n'est jamais rapportée lorsque très peu d'utilisateurs sont touchés. Ainsi, même si nous rapportons cette valeur (voir Figure 10 en Annexe C), nous ne pouvons pas nous y fier pour vérifier le succès d’une campagne de nanociblage, mais l’inverse lorsque la campagne a atteint plusieurs utilisateurs.  Deuxièmement, tous les auteurs ciblés étaient conscients de la créativité publicitaire que nous utilisions dans les campagnes publicitaires et nous leur avons demandé de (i) prendre un instantané de chaque impression publicitaire reçue de la campagne de nanociblage ; (ii) cliquer sur la publicité nanociblée à chaque fois qu'elle apparaît dans leur flux LinkedIn.[1] En cliquant sur l'annonce, l'utilisateur était redirigé vers le site Web du projet de recherche annoncé qui fonctionne sur un serveur que nous gérons. Le serveur a enregistré l'horodatage de chaque clic et la campagne à partir de laquelle le clic a été généré, qui identifie l'utilisateur (U1, U2 ou U3) effectuant le clic.  Grâce aux informations obtenues au cours des deux étapes précédentes, nous avons pu évaluer si une campagne de nanociblage a réussi. Nous pourrions conclure en toute confiance que l'utilisateur était le seul à avoir reçu l'annonce si le nombre d'impressions et de clics signalés par LinkedIn correspondait au nombre d'impressions et de clics fournis par les utilisateurs ciblés et au nombre de clics enregistrés dans notre système backend, où nous peut vérifier si les clics proviennent d’un seul utilisateur.   6.3 Résultats de l'expérience de nanociblage  Le tableau 3 montre les résultats des 15 campagnes publicitaires que nous menons dans le cadre de notre expérience de preuve de concept. Pour chaque campagne, le tableau identifie : (i) l'utilisateur ciblé, (ii) le nombre de compétences utilisées dans la campagne, (iii) le nombre d'impressions et de clics reportés par LinkedIn dans le tableau de bord récapitulant les résultats de la campagne, (iv) ) le nombre d'impressions signalées par l'utilisateur via l'instantané qu'il a capturé des annonces reçues, (v) le nombre de clics enregistrés sur notre serveur backend et (vi) le coût de la campagne. Nous mettons en évidence en gras toutes les campagnes qui ont réussi à nano-cibler l'individu ciblé. La figure 10 de l'annexe C montre un instantané des résultats de nos campagnes tels que rapportés dans le tableau de bord LinkedIn.  Toutes les campagnes utilisant les compétences 13, 16 et 19 ont réussi à nano-cibler l'utilisateur ciblé. De plus, 2 des 3 campagnes utilisant 10 compétences ont été couronnées de succès. Finalement, une seule des campagnes utilisant 7 compétences a été couronnée de succès. Ces résultats correspondent aux attentes dérivées de notre modèle, comme indiqué dans le tableau 2. Notre intuition est que notre modèle fournit un résultat conservateur et que la probabilité de succès réelle serait légèrement supérieure à celle rapportée par notre modèle. Cette intuition repose sur le fait que l’utilisation de 13 compétences (probabilité de réussite de 71 %) a déjà conduit à des campagnes de nanociblage réussies dans tous les cas.  Le principal résultat de cette expérience est que nous avons démontré qu’il est possible de lancer systématiquement des campagnes de nanociblage sur LinkedIn. Cela implique que LinkedIn ne met pas efficacement en œuvre sa politique selon laquelle la taille d'audience requise pour lancer une campagne publicitaire est de 300 [11].  Cet article est   sous licence CC BY-NC-ND 4.0 DEED. disponible sur arxiv  [1] Nous notons que U3 a oublié de cliquer sur l'une des impressions publicitaires reçues dans la campagne en utilisant 13 compétences (marquées d'un * dans le tableau 3). Dans ce cas, comme nous le découvrirons dans nos résultats et dans le rapport LinkedIn, la campagne a généré 3 impressions publicitaires et reçu 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

Cet audio est produit dans la langue originale de l'histoire !

L'expérience de nanociblage LinkedIn qui a enfreint toutes les règles

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Télégramme : le pont de Crypto Island vers le continent

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Libérer la puissance de l’IA. Une revue systématique des techniques de pointe : résumé et introduction

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Télégramme : le pont de Crypto Island vers le continent

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Libérer la puissance de l’IA. Une revue systématique des techniques de pointe : résumé et introduction

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps