Autores:  (1) Ángel Merino, Departamento de Engenharia Telemática Universidade 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, Departamento de Engenharia Telemática Universidade Carlos III de Madrid e UC3M-Santander Big Data Institute {acrumin@it.uc3m.es};  (4) Rubén Cuevas, Departamento de Engenharia Telemática Universidade Carlos III de Madrid e UC3M-Santander Big Data Institute {rcuevas@it.uc3m.es}.  Tabela de links   Resumo e introdução   Histórico da plataforma de publicidade do LinkedIn   Conjunto de dados   Metodologia   Singularidade do usuário no LinkedIn   Prova de conceito de nanotargeting   Discussão   Trabalho relatado   Ética e considerações legais   Conclusões, agradecimentos e referências   Apêndice  6 Prova de conceito de nanotargeting  Se o resultado do nosso modelo estiver correto, pode ser possível nano-segmentar um indivíduo no LinkedIn. Por nanotargeting, referimo-nos à exibição de anúncios de uma campanha publicitária exclusivamente para o indivíduo-alvo. No entanto, observamos que o LinkedIn afirma que não é possível lançar campanhas publicitárias para públicos <300 usuários. Se o LinkedIn efetivamente impor esta política, não poderemos realizar campanhas de nanotargeting. Resumindo, nesta seção pretendemos verificar se é viável realizar campanhas de nanotargeting no LinkedIn com base nos resultados derivados de nossa metodologia.   6.1 Descrição do Experimento  Nosso objetivo é nanotarget três dos autores deste artigo com base em sua localização e habilidades auto-relatadas. A partir de agora nos referiremos aos autores como usuário 1 (U1), usuário 2 (U2) e usuário 3 (U3), respectivamente.  Para configurar cada campanha, usamos o LinkedIn Campaign Manager e definimos o público-alvo usando a localização e N habilidades recuperadas do perfil do LinkedIn do usuário-alvo. Além disso, montamos o orçamento, carregamos a criatividade do anúncio e definimos a landing page que o usuário visitará caso clique em nossos anúncios. Uma vez definida uma campanha publicitária no LinkedIn, para continuar com a sua publicação e ser lançada ao público, o LinkedIn oferece a possibilidade de utilizar dois botões diferentes incluindo o texto "Lançar Campanha", um no lado direito da página, e outro no na parte inferior, isso só fica visível se o anunciante rolar para baixo. Podemos selecionar qualquer um desses botões para publicar o anúncio.  Em nossas campanhas de nanotargeting, observamos que o botão “Lançar Campanha” no lado direito do Gerenciador de Anúncios não era clicável, argumentando que o público era muito pequeno. Porém, esta medida pode ser contornada usando um simples código JavaScript no console do navegador para reativar o botão: document.querySelector(button_selector).disabled = false. A princípio, pensamos que o LinkedIn estava implementando sua política para evitar campanhas publicitárias direcionadas a menos de 300 usuários. Porém, após habilitar o botão, a campanha pode ser lançada e o tamanho do público não é verificado durante o processo de revisão do anúncio.  A seguir, detalhamos cada um dos atributos da campanha que são relevantes para nosso experimento de prova de conceito.    O número de competências disponíveis nos perfis dos indivíduos-alvo foi 28, 42 e 28 para U1, U2 e U3, respetivamente. Os resultados do nosso modelo permitiram-nos escolher qualquer uma das duas estratégias potenciais de seleção de competências: aleatória ou menos popular. Decidimos realizar nosso experimento de prova de conceito selecionando habilidades aleatoriamente. Isso visa emular a configuração mais simples para um anunciante não qualificado disposto a implementar uma campanha de nanossegmentação. Conforme explicamos, qualquer usuário (anunciante) com conta no LinkedIn poderia recuperar as competências relatadas por qualquer outro usuário. Basta acessar o perfil e recuperar as habilidades (e a localização) informadas pelo usuário alvo e configurar uma campanha publicitária no dashboard a partir dessas informações. Em contrapartida, implementar a seleção menos popular implica ordenar as competências por popularidade, o que requer acesso ao Gestor de Anúncios e obtenção do tamanho do público associado a cada competência. Embora esta seja uma etapa muito simples para usuários experientes, usuários não qualificados podem não saber como obter o tamanho do público para cada habilidade e não conseguirão implementar a seleção de habilidades menos populares na campanha de nanossegmentação. Seleção de competências:    Configuramos campanhas com 7, 10, 13, 16 e 19 competências selecionadas aleatoriamente. Número de competências:    todas as campanhas foram veiculadas durante 3 dias (72 horas). Cada campanha começou ao meio-dia do dia d e terminou ao meio-dia d+3. Notamos que o dia de início, d, não foi o mesmo para todas as campanhas. Duração da campanha:    cada campanha foi configurada com um orçamento de US$ 10. Nenhuma das 15 campanhas publicitárias gastou o orçamento nos três dias em que estiveram em exibição.  Orçamento da campanha:    usamos uma criatividade publicitária neutra anunciando um site de um projeto de pesquisa que não tem nada a ver com privacidade. A Figura 6 mostra a criatividade publicitária empregada em todas as nossas campanhas publicitárias. Criatividade publicitária:    configuramos nossas campanhas para exibir anúncios em dispositivos móveis e desktops. Dispositivo direcionado:  No geral, temos como alvo 3 usuários diferentes e estamos executando 5 campanhas para cada um deles (uma por número de valor de habilidades). Portanto, nosso experimento de prova de conceito inclui 15 campanhas de nanotargeting no total. A Tabela 2 mostra para cada valor de habilidades (primeira coluna) a probabilidade de sucesso estimada de acordo com nosso modelo (segunda coluna) e o número esperado de usuários nano-direcionados com sucesso entre os 3 usuários-alvo (terceira coluna). Calculamos o último multiplicando a probabilidade de sucesso recuperada de nosso modelo pelo número de campanhas executadas por valor de habilidades, ou seja, 3. Por exemplo, para 19 habilidades (taxa de sucesso de 85%) o número esperado de campanhas bem-sucedidas de três campanhas lançadas , com base nos resultados da nossa metodologia, é 2,55. Isto implica que pelo menos 2 e provavelmente 3 das três campanhas que utilizam 19 competências deverão ser bem sucedidas na nossa experiência. A última coluna da tabela mostra o número real de campanhas de nanossegmentação bem-sucedidas em nosso experimento.  6.2 Validação do sucesso do Nanotargeting  Para validar se nossas campanhas tinham nanossegmentado com sucesso o indivíduo-alvo, contamos tanto com as informações fornecidas pelo LinkedIn para nossas campanhas quanto com as informações que coletamos diretamente.  Primeiramente, utilizamos as informações fornecidas pelo LinkedIn aos anunciantes em um dashboard onde eles podem monitorar o andamento de suas campanhas. Ele fornece informações sobre vários parâmetros, incluindo o número de impressões e o número de cliques de uma campanha publicitária. Em alguns casos, também estima os utilizadores (únicos) alcançados (referidos como estimativa de alcance) na campanha. Este último parâmetro nos permitiria confirmar o sucesso da campanha de nanotargeting quando for igual a 1 após o término da campanha. No entanto, este parâmetro apresenta duas limitações: (i) o LinkedIn informa que este parâmetro está em versão beta e oferece apenas uma estimativa; (ii) observámos que a estimativa só está disponível nas campanhas que atingem múltiplos utilizadores, mas nunca é reportada quando poucos utilizadores são alcançados. Portanto, embora reportemos este valor (ver Figura 10 no Apêndice C), não podemos confiar nele para verificar o sucesso de uma campanha de nanotargeting, mas o oposto quando a campanha atingiu vários utilizadores.  Em segundo lugar, todos os autores visados estavam cientes da criatividade publicitária que estávamos usando nas campanhas publicitárias e os instruímos a (i) tirar um instantâneo de cada impressão publicitária recebida da campanha de nanotargeting; (ii) clicar no anúncio nanodirecionado sempre que ele aparecer no feed do LinkedIn.[1] Ao clicar no anúncio, o usuário era encaminhado para o site do projeto de pesquisa anunciado que roda em um servidor que gerenciamos. O servidor registrou o carimbo de data/hora de cada clique e a campanha a partir da qual o clique foi gerado, o que identifica o usuário (U1, U2 ou U3) que realizou o clique.  Com as informações obtidas nas duas etapas anteriores, pudemos avaliar se uma campanha de nanotargeting foi bem-sucedida. Poderíamos concluir com segurança que o usuário foi o único que recebeu o anúncio se o número de impressões e cliques relatados pelo LinkedIn correspondesse ao número de impressões e cliques fornecidos pelos usuários-alvo e ao número de cliques registrados em nosso sistema de back-end, onde nós pode verificar se os cliques vêm de um único usuário.   6.3 Resultados do Experimento de Nanotargeting  A Tabela 3 mostra os resultados das 15 campanhas publicitárias que realizamos em nosso experimento de prova de conceito. Para cada campanha, a tabela identifica: (i) o usuário alvo, (ii) o número de habilidades utilizadas na campanha, (iii) o número de impressões e cliques relatados pelo LinkedIn no painel que resume os resultados da campanha, (iv ) o número de impressões informadas pelo usuário por meio do instantâneo que capturou dos anúncios recebidos, (v) o número de cliques registrados em nosso servidor backend e (vi) o custo da campanha. Destacamos em negrito todas as campanhas que nano-direcionaram com sucesso o indivíduo-alvo. A Figura 10 no Apêndice C mostra um instantâneo dos resultados de nossas campanhas conforme relatado no painel do LinkedIn.  Todas as campanhas que usaram as habilidades 13, 16 e 19 nano-direcionaram com sucesso o usuário-alvo. Além disso, 2 das 3 campanhas que utilizaram 10 habilidades foram bem-sucedidas. Por fim, apenas uma das campanhas que utilizou 7 competências foi bem-sucedida. Esses resultados correspondem às expectativas derivadas de nosso modelo, conforme relatado na Tabela 2. Nossa intuição é que nosso modelo fornece um resultado conservador e a probabilidade real de sucesso seria ligeiramente maior do que os relatórios de nosso modelo. Esta intuição baseia-se no facto de que a utilização de 13 competências (71% de probabilidade de sucesso) já conduziu a campanhas de nanotargeting bem-sucedidas em todos os casos.  O resultado principal deste experimento é que demonstramos que é viável executar campanhas de nanotargeting sistematicamente no LinkedIn. Isto implica que o LinkedIn não está a implementar eficazmente a sua política onde indica que o tamanho do público necessário para lançar uma campanha publicitária é de 300 [11].  Este artigo está   sob licença CC BY-NC-ND 4.0 DEED. disponível no arxiv  [1] Observamos que o U3 esqueceu de clicar em uma das impressões de anúncios recebidas na campanha usando 13 habilidades (marcadas com * na tabela 3). Nesse caso, como veremos nos nossos resultados e no relatório do LinkedIn, a campanha entregou 3 impressões de anúncios e recebeu 2 cliques.

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.

A experiência de Nanotargeting do LinkedIn que quebrou todas as regras

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Telegram: a ponte da Crypto Island para o continente

Uma breve introdução à teoria do cérebro de Boltzmann

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Telegram: a ponte da Crypto Island para o continente

Uma breve introdução à teoria do cérebro de Boltzmann

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps