Privacy-Aware Adaptive Diffusion-Propensity Mapping for E-Commerce Advertising Targeting

In der riesigen, lärmenden Landschaft der Online-Werbung verfolgt Marketingexperten eine beständige Frage: Wem sollten sie bezahlen, damit dieser zu ihren Kunden spricht? Jahrelang schien die Antwort offensichtlich zu sein. Die Logik war simpel: Finde die Person mit den meisten Followern, der größten Menge, und gehe davon aus, dass ein größeres Publikum automatisch mehr Aufmerksamkeit bedeutet. Dieser Ansatz behandelt Popularität als direktes Maß für Einfluss und setzt voraus, dass, wenn Millionen Menschen zuschauen, auch Millionen zuhören. Die Realität menschlicher Verbindung ist jedoch weitaus komplexer. Menschen existieren nicht im Vakuum; sie gehören zu überlappenden Gruppen, teilen spezifische Interessen und bewegen sich zwischen verschiedenen Gemeinschaften. Eine Person kann eine massive Anhängerschaft haben, aber nur zu einer engen Gruppe sprechen, während eine andere Person mit weniger Followern an einem einzigartigen Knotenpunkt sitzen kann, der verschiedene Welten verbindet, die sich sonst nie begegnen würden. Diese Unterscheidung zwischen roher Größe und struktureller Position ist das Herzstück einer neuen Studie, die darauf abzielt, die Art und Weise, wie wir auswählen, wer eine Botschaft übermittelt, neu zu schreiben.

Die Forscher hinter dieser Arbeit wollten eine spezifische Idee testen: Dass ein intelligentes, adaptives System zur Auswahl von Werbetreibenden die traditionellen Methoden, die lediglich Follower zählen oder vergangene Likes betrachten, übertreffen würde. Sie entwickelten ein Modell, das nicht nur betrachtet, wie viele Menschen ein Creator kennt, sondern wie diese Menschen untereinander und zu dem spezifischen Produkt, das verkauft wird, vernetzt sind. Stellen Sie sich eine Landkarte vor, auf der Creator nicht bloß Punkte mit Zahlen daneben sind, sondern Brücken, die verschiedene Inseln des Interesses verbinden. Die Studie fragt, ob ein System, das diese Brücken versteht – kombiniert mit den spezifischen Anforderungen einer Kampagne und einer Regel, um zu vermeiden, dieselbe Botschaft derselben Gruppe zu wiederholen – bessere Ergebnisse erzielen kann als die alten Wege.

Um dies zu beantworten, griff das Team auf einen öffentlichen Datensatz von 117 Content-Creatorn zurück. Sie verwendeten nicht die tatsächlichen Follower-Listen, die unordentlich und privat sein können. Stattdessen erstellten sie eine neue Art von Karte, die darauf basierte, worüber diese Creator sprachen und wo ihre Zielgruppen lebten. Wenn zwei Creator dasselbe Thema behandelten, wie etwa Kino oder Sport, und ihre Zielgruppen im selben Land hatten, zeichneten die Forscher eine Linie zwischen ihnen. Die Stärke dieser Linie hing davon ab, wie viele dieser Gemeinsamkeiten sie teilten. Dies erzeugte ein Netzwerk, das den „Opportunitätsraum“ der Werbung darstellte – eine Karte dessen, wer um dieselbe Aufmerksamkeit konkurriert und wer verschiedene Märkte miteinander verbindet. Auf dieser Karte berechneten sie, wie gut jeder Creator als Brücke zwischen verschiedenen Gruppen fungieren konnte, ein Konzept, das als Brokerage bekannt ist. Sie untersuchten auch, wie sehr die Menschen tatsächlich mit den Inhalten interagierten, indem sie die echte Aufmerksamkeit statt nur die Größe der Menge maßen.

Die Forscher führten daraufhin eine massive Simulation durch. Sie erstellten 1.000 verschiedene Werbeszenarien, jeweils mit einem spezifischen Produkt und einem spezifischen Land im Sinn. Für jedes Szenario testeten sie vier verschiedene Strategien, um fünf Creator für die Übermittlung der Botschaft auszuwählen. Die erste Strategie war der alte Weg: Wähle die fünf Creator mit den meisten Followern. Die zweite war, die fünf mit den höchsten Engagement-Raten zu wählen, ungeachtet des Themas. Die dritte wählte die fünf, die die besten Brücken im Netzwerk darstellten, wobei die spezifische Kampagne ignoriert wurde. Die vierte, komplexeste Strategie, war eine adaptive Strategie. Diese Methode wählte Creator nacheinander aus und prüfte ständig drei Dinge: Hatte der Creator eine Historie guter Interaktion (Engagement)? Passte er zum spezifischen Thema und Land der Kampagne? Und entscheidend: Hatten wir bereits jemanden aus seiner Community ausgewählt? Wenn ein Creator zu ähnlich zu einem bereits gewählten war, wurde sein Score gesenkt, um das System dazu zu zwingen, nach jemandem zu suchen, der eine andere Gruppe von Menschen erreichen konnte.

Die Ergebnisse waren klar und eindeutig. Die Strategie, die einfach nur der größten Followerzahl nachjagte, schnitt am schlechtesten ab und generierte durchschnittlich etwa 6,27 Millionen qualifizierte Interaktionen. Die Strategie, die nur auf vergangenes Engagement achtete, war besser und erreichte etwa 11,32 Millionen, verfehlte aber dennoch den Punkt der Relevanz. Die Strategie, die nur auf die Netzwerkstruktur blickte, war nur geringfügig besser als die Follower-Zähl-Methode, was bewies, dass das eine Brücke zu sein nicht ausreicht, wenn die Brücke zum falschen Ort führt. Die adaptive Strategie, die alle Faktoren kombinierte, generierte durchschnittlich fast 14 Millionen qualifizierte Interaktionen. Dies war eine Verbesserung von 23,5 Prozent gegenüber der besten reinen Engagement-Strategie und mehr als das Doppelte der Leistung der Follower-Zahl-Strategie. Die Daten zeigten, dass der alte Glaube – dass mehr Follower immer mehr Einfluss bedeuten – falsch war. Tatsächlich fanden die Forscher einen negativen Zusammenhang zwischen der Follower-Zahl und dem Engagement; die größten Accounts waren oft die am wenigsten engagierten.

Über das Finden der besten Creator hinaus stellten die Forscher auch eine Frage zum Datenschutz. In einer Welt, in der der Datenschutz immer strenger wird: Können wir immer noch kluge Entscheidungen treffen, wenn wir ein wenig Rauschen in die Daten einfügen? Die Forscher testeten dies, indem sie die Scores der Creator leicht veränderten, um eine Situation zu simulieren, in der die exakten Zahlen zum Schutz der Privatsphäre verborgen sind. Sie fanden heraus, dass das adaptive System selbst mit dieser hinzugefügten Unsicherheit bemerkenswert stark blieb. Selbst wenn die Daten moderat gestört wurden, behielt das System 94,1 Prozent seines Entscheidungswerts bei. Dies deutet darauf hin, dass ein Unternehmen nicht jedes einzelne Detail über eine Person wissen muss, um eine gute Wahl zu treffen; ein leicht verschwommenes Bild reicht oft aus, um den richtigen Weg zu finden.

Die Studie kommt zu dem Schluss, dass die Zukunft der Werbung in einem ausgewogenen Ansatz liegt. Es reicht nicht aus, nur auf eine einzige Zahl zu schauen, wie etwa die Follower-Zahl, oder sich auf eine statische Karte von Verbindungen zu verlassen. Die effektivste Methode ist eine, die sich an den spezifischen Moment anpasst, indem sie die Historie der Performance eines Creators gegen die spezifischen Bedürfnisse der Kampagne und die Diversität des Publikums abwägt. Indem sie Creator wählen, die nicht nur populär, sondern auch strukturell wichtig und relevant sind, und indem sie sicherstellen, dass die gewählte Gruppe ein breites Spektrum an Gemeinschaften abdeckt, können Werbetreibende mehr Menschen mit größerer Wirkung erreichen. Diese Forschung bietet einen reproduzierbaren Rahmen für genau das und zeigt: Wenn wir über einfache Popularitätswettbewerbe hinausgehen und die Komplexität dessen, wie Menschen miteinander verbunden sind, annehmen, können wir klügere, effizientere und datenschutzbewusstere Entscheidungen treffen.