In der weiten, unsichtbaren Architektur des Internets gehört Einfluss nicht einer einzelnen Person; er gehört zu den Verbindungen zwischen ihnen. Seit Jahrzehnten versuchen Werbetreibende, diese Verbindungen abzubilden, um den effektivsten Weg zur Verbreitung einer Botschaft zu finden. Sie suchen nach den Menschen mit den meisten Freunden oder den meisten Followern, in der Annahme, dass die Botschaft wie ein Wellenring ausstrahlt, wenn sie diese zentralen Figuren überzeugen können. Dieser Ansatz, bekannt als soziale Netzwerkanalyse, behandelt das Geflecht der Beziehungen wie eine statische Fotografie – ein festes Bild, bei dem die wichtigsten Personen einmal identifiziert und dann dauerhaft genutzt werden können. Die digitale Welt ist jedoch keine Fotografie; sie ist ein lebendiger, atmender Organismus. Menschen wechseln zwischen verschiedenen Apps, ihre Freundschaften ändern sich täglich, und die Gesetze zum Schutz ihrer persönlichen Daten werden jedes Jahr strenger. Die alte Methode, eine Liste von Influencern auszuwählen und an dieser festzuhalten, scheitert zunehmend, weil die Karte, auf die sie sich stützt, bereits veraltet ist, wenn sie verwendet wird.

Eine neue Studie schlägt einen anderen Weg vor, um in dieser sich verschiebenden Landschaft zu navigieren, indem sie sich von statischen Listen weg hin zu einem System bewegt, das sich in Echtzeit anpasst und gleichzeitig die Privatsphäre wahrt. Die Forscher Linto Thomas und Ruchi Kumari Sharma entwickelten ein Framework, das sie PRISM nennen. Stellen Sie sich ein Prisma vor, das einen Strahl weißen Lichts aufnimmt und ihn in deutliche, nutzbare Farben zerlegt; dieses System nimmt die chaotischen, rohen Daten sozialer Interaktionen und trennt sie in klare, sichere und aktuelle Signale, die Manager tatsächlich nutzen können. Der Kern der Idee ist, dass Einfluss ein Fluss ist, kein Bestand. Er verändert sich ständig, daher müssen auch die Werkzeuge, mit denen er gemessen wird, sich mit ihm verändern. Das Team testete diese Idee in einer kontrollierten Simulation mit zweitausend virtuellen Nutzern auf zwei verschiedenen digitalen Plattformen über sechs Zeiträume hinweg. Sie verglichen ihr neues, adaptives System mit der traditionellen Methode, die Nutzer einmal zu ranken und diese Liste wiederzuverwenden. Die Ergebnisse zeigten, dass die alte Methode schnell an Effektivität verlor, als sich das Netzwerk veränderte, während das neue System seine Kraft beibehielt und selbst unter strengen Datenschutzregeln signifikant mehr Menschen erreichte.

Die Studie beginnt mit der Adressierung eines grundlegenden Fehlers in der aktuellen Arbeitsweise der Werbung: der Annahme, dass ein Netzwerk gleich bleibt. In der realen Welt entfolgen Menschen, neue Verbindungen entstehen und die Aufmerksamkeit verlagert sich von einer App zur anderen. Die Forscher fanden heraus, dass, wenn ein Unternehmen seine Top-Influencer basierend auf einer einzigen Momentaufnahme der Daten auswählt, diese Liste sehr schnell an Wirksamkeit verliert. In ihrer Simulation verlor eine statische Liste von Influencern innerhalb von nur sechs Zeiträumen zwischen sechs und neun Prozent ihrer potenziellen Reichweite. Im Gegensatz dazu berechnete das PRISM-System die Rankings in jedem einzelnen Zeitraum neu und berücksichtigte dabei diese Verschiebungen. Diese ständige Aktualisierung ermöglichte es dem System, der Entwicklung voraus zu sein, und erreichte am Ende der Kampagne schließlich sechzehn Prozent mehr Menschen als die statische Methode. Der Unterschied lag nicht an einem komplexeren Algorithmus, sondern schlichtweg an der Tatsache, dass das System frische Daten betrachtete statt alter Geschichte.

Eine weitere große Hürde für die moderne Werbung ist die Privatsphäre. Gesetze in Europa und Indien verlangen heute von Unternehmen, personenbezogene Daten zu schützen, was bedeutet, dass sie nicht einfach Nutzerprofile „scrapen“ können, um ihre Listen zu erstellen. Das PRISM-Framework wurde von Beginn an so konzipiert, dass es innerhalb dieser rechtlichen Grenzen arbeitet. Anstatt Rohdaten zu betrachten, fügt das System den Scores einzelner Nutzer eine spezifische Art von mathematischem Rauschen hinzu. Dieses Rauschen ist sorgfältig kalibriert, um die Identität einer einzelnen Person zu verbergen, während es gleichzeitig das allgemeine Muster des Einflusses bewahrt. Die Forscher testeten, wie hoch dieser Schutz in Bezug auf die Reichweite zu Buche schlug. Sie entdeckten einen überraschenden „Sweet Spot“: Solange der Schutz der Privatsphäre auf einem moderaten Niveau eingestellt war, verlor das System im Vergleich zu einer Version ohne jeglichen Datenschutz kaum an Boden. Erst als die Datenschutzregeln extrem streng wurden, begann das System zu kämpfen. Diese Erkenntnis legt nahe, dass Unternehmen nicht zwischen dem Schutz der Privatsphäre und der Durchführung effektiver Kampagnen wählen müssen; sie können beides leisten, sofern sie das richtige Gleichgewicht finden.

Die Studie untersuchte auch, wie man mit der Tatsache umgeht, dass Menschen mehrere Plattformen nutzen. Ein Nutzer ist vielleicht auf einer Kurzvideo-App und einem Messaging-Dienst aktiv, und diese beiden Welten kommunizieren oft nicht miteinander. Traditionelle Methoden konzentrieren sich meist nur auf eine einzige Plattform und übersehen dabei die Verbindungen, die über die Grenze hinweg existieren. PRISM führt diese verschiedenen Netzwerke zusammen, ohne jemals die rohen personenbezogenen Daten zu kombinieren. Es verwendet einen sicheren, anonymen Schlüssel, um die Aktivitäten eines Nutzers über Plattformen hinweg zu verknüpfen, und erstellt so eine einzige, einheitliche Karte des Einflusses. In der Simulation steigerte das bloße Hinzufügen dieser zweiten Plattform zur Analyse die Reichweite der Kampagne um fünf Prozent, selbst ohne die zugrunde liegende Strategie zu ändern. Dies bewies, dass der Blick auf das Gesamtbild, statt nur auf einen einzelnen Ausschnitt, einen deutlichen Vorteil bietet.

Die vielleicht unerwartetste Erkenntnis betraf die Auswahl der endgültigen Gruppe von Menschen, um die Kampagne zu starten. Ein weit verbreiteter Glaube im Marketing ist, dass man seine Samen gleichmäßig über verschiedene Gruppen oder Gemeinschaften streuen sollte, um Diversität zu gewährleisten. Die Forscher testeten dies, indem sie ihr System dazu zwangen, Influencer aus jeder Gemeinschaft zu wählen, unabhängig davon, wie einflussreich sie waren. Das Ergebnis war kontraintuitiv: Das Erzwingen dieser Diversität reduzierte tatsächlich die insgesamt erreichte Anzahl an Menschen. Das System war gezwungen, hoch einflussreiche Personen in einer Gruppe zu überspringen, um eine Quote in einer anderen zu erfüllen, was die gesamte Verbreitung beeinträchtigte. Die Forscher kamen zu dem Schluss, dass Diversität zwar wichtig für die Markensicherheit und Fairness ist, sie aber als separates Geschäftsziel behandelt werden sollte und nicht als eine Regel, die automatisch die Reichweite einer Kampagne verbessert. Wenn ein Unternehmen mehr Menschen erreichen will, sollte es die besten verfügbaren Influencer auswählen, selbst wenn dies bedeutet, dass einige Gruppen stärker repräsentiert sind als andere.

Das Framework führt zudem eine neue Art und Weise ein, wie Unternehmen diese Entscheidungen verwalten können. Anstatt dass Data Scientists eine Liste an Marketer übergeben und sich dann zurückziehen, schafft das PRISM-System einen Kreislauf, in dem verschiedene Rollen zusammenarbeiten. Ein Data Scientist schlägt die Liste vor, ein Marketer prüft, ob sie zur Marke passt, und ein Datenschutzbeauftragter stellt sicher, dass die Regeln eingehalten werden. Jede Entscheidung wird protokolliert, wodurch ein klarer Pfad entsteht, der Regulierungsbehörden bei Bedarf vorgelegt werden kann. Diese Governance-Ebene stellt sicher, dass das technische System in der realen Welt auch tatsächlich korrekt angewendet wird. Die Studie betont, dass die Technologie allein nicht ausreicht; die Menschen, die sie nutzen, müssen verstehen, was die Daten bedeuten und wie sie verantwortungsbewusst damit umgehen.

Am Ende legt die Forschung nahe, dass die Ära der statischen Influencer-Listen vorbei ist. Die digitale Welt bewegt sich zu schnell, als dass eine einmalige Rangliste nützlich bleiben könnte. Die effektivste Strategie besteht darin, die Daten ständig zu aktualisieren, über alle Plattformen hinweg zu blicken, auf denen Menschen interagieren, und die Privatsphäre von Beginn an in den Prozess einzubauen. Die Studie behauptet nicht, alle Probleme gelöst zu haben, und die Ergebnisse stammen aus einer Simulation und nicht aus einem realen Testlauf. Dennoch sind die Muster klar: Einfluss ist ein bewegliches Ziel, und die Werkzeuge, die man braucht, um es einzufangen, müssen ebenso agil sein. Indem Werbetreibende Einfluss als einen Fluss behandeln, der sich im Laufe der Zeit verändert und über mehrere Netzwerke hinweg reicht, können sie mehr Menschen erreichen und gleichzeitig die Rechte der Individuen hinter den Daten respektieren. Der Weg nach vorn besteht nicht darin, einen einzigen perfekten Algorithmus zu finden, sondern ein System aufzubauen, das flexibel, ehrlich und immer auf dem neuesten Stand ist.