Into the Unknown: Accounting for Missing Demographic Data when Mitigating Ad Delivery Skew

Sintesi Tecnica: Verso l'Incognito: Gestione dei Dati Demografici Mancanti nella Mitigazione della Distorsione nella Consegna degli Annunci

Enunciato del Problema
Le piattaforme di pubblicità online utilizzano sistemi algoritmici per abbinare gli annunci agli utenti, un processo noto come consegna degli annunci. Audit precedenti hanno stabilito che questi sistemi introducono spesso distorsioni demografiche, in cui gli annunci vengono sistematicamente sottodistribuiti a gruppi specifici nonostante l'intenzione dell'inserzionista di raggiungere un pubblico proporzionale. Ciò è particolarmente critico nella pubblicità del settore pubblico (ad esempio, servizi pubblici, sovvenzioni), dove una consegna distorta può impedire ai gruppi emarginati di accedere a informazioni essenziali, aggravando così le disparità sociali.

Sebbene gli inserzionisti possano teoricamente contrastare la distorsione attraverso il targeting demografico diretto, le principali piattaforme come Google Ads non forniscono un meccanismo per targeting degli utenti con etichette demografiche "sconosciute" (utenti per i quali la piattaforma non può inferire attributi come il genere). Escludere questi "utenti sconosciuti" è problematico per le campagne di interesse pubblico perché:

1. Contraddice l'obiettivo di raggiungere l'intera popolazione eleggibile.
2. I dati suggeriscono che gli utenti sconosciuti hanno una probabilità sproporzionata di essere svantaggiati socioeconomicamente o di avere identità di genere non binarie.
3. Escluderli può reificare sistemi eteropatriarcali e marginalizzare individui non conformi.

Inoltre, le soluzioni esistenti come il Sistema di Riduzione della Varianza (VRS) di Meta offrono un controllo limitato agli inserzionisti, aumentano significativamente i costi e non si applicano all'ecosistema di ricerca di Google. Gli interventi tradizionali di "Divisione Diretta del Budget" (dividere una campagna in campagne separate specifiche per genere) sono efficaci nel ridurre la distorsione, ma spesso escludono gli utenti sconosciuti e comportano costi elevati a causa dell'aumentata competizione per pubblici granulari.

Metodologia
Gli autori hanno condotto un caso studio in collaborazione con un'agenzia governativa di livello statale che gestiva una campagna Google Ads per promuovere risorse per le piccole imprese. La campagna storicamente mostrava una distorsione coerente verso gli utenti etichettati come "maschi" dagli algoritmi di inferenza di Google.

Per affrontare questo problema, gli autori hanno progettato e implementato una nuova intervento: "Divisione del Budget con Utenti Sconosciuti". La metodologia ha coinvolto:

1. Ristrutturazione della Campagna: Sostituzione della singola campagna originale (che mirava a "Tutti gli Utenti") con un insieme di quattro nuove campagne eseguite in cicli alternati (Ciclo A e Ciclo B) nel corso di un periodo di sei settimane.
2. Strategia di Targeting: Poiché Google Ads non consente di targeting "Sconosciuto" come gruppo autonomo, gli autori hanno sfruttato la capacità della piattaforma di combinare gruppi. L'intervento ha utilizzato:
   • Campagne Singolo Genere: Targeting solo "Maschio" o solo "Femmina".
   • Campagne Combinate: Targeting "Maschio + Sconosciuto" o "Femmina + Sconosciuto" (escludendo il genere binario opposto).
3. Allocazione del Budget: I budget sono stati suddivisi per imporre un rapporto di parità desiderato (0,5) tra la consegna a maschi e femmine, assicurando al contempo che gli utenti sconosciuti fossero inclusi nelle campagne "Combinate".
4. Metriche di Valutazione: Lo studio ha misurato la distorsione nella consegna degli annunci (rapporto tra impressioni/spesa per utenti maschi rispetto al totale delle impressioni/spesa per maschi/femmine), l'efficienza dei costi (Costo per Mille - CPM) e l'engagement (Tasso di Click-Through e Tasso di Conversione).
5. Simulazione: Per tenere conto dell'incertezza sulle identità reali degli utenti sconosciuti, gli autori hanno simulato varie distribuzioni di genere per il pool "sconosciuto" (priori Simmetrici, Informativi e Simili a SimilarWeb) per testare la robustezza delle loro stime di distorsione.

Contributi Chiave

1. Evidenza Empirica della Distorsione: Lo studio identifica una distorsione basata sul genere persistente in una campagna pubblicitaria governativa reale, mostrando specificamente che le strategie di offerta "Max Clicks" sottodistribuivano sistematicamente agli utenti etichettati come "femmine".
2. Progettazione di un Intervento Innovativo: Il documento propone e implementa una strategia di "Divisione del Budget con Utenti Sconosciuti". Questo design include esplicitamente gli utenti con dati demografici mancanti, colmando una lacuna nella letteratura precedente che spesso li escludeva.
3. Analisi dei Trade-off: Il lavoro dimostra che questo intervento funge da "via di mezzo" nel trade-off tra gli alti costi del targeting granulare (Divisione Diretta del Budget) e l'alta distorsione delle campagne non mirate (Campagna Originale). Riduce la distorsione senza incorrere nella piena penalità di costo derivante dall'esclusione degli utenti sconosciuti.

Risultati

• Riduzione della Distorsione: L'intervento ha ridotto con successo la distorsione nella consegna degli annunci. Nella campagna "Max Clicks", la distorsione originale (0,563) è stata ridotta a una parità quasi perfetta (0,499) nelle campagne a Singolo Genere e a 0,532 nelle campagne Singolo Genere + Sconosciuti. Nella campagna "Max Conversions", l'intervento ha spostato la distorsione da 0,486 a 0,494 (Singolo Genere + Sconosciuti), più vicino al desiderato 0,5 rispetto all'approccio a Singolo Genere sovracorretto (0,526).
• Efficienza dei Costi: Sebbene il targeting granulare aumenti generalmente il CPM, la strategia "Singolo Genere + Sconosciuti" ha ridotto significativamente la differenza di costo tra utenti maschi e femmine rispetto al puro targeting "Singolo Genere". Ciò suggerisce che includere gli utenti sconosciuti nel pool di targeting abbassa il premio di competizione per gli utenti etichettati come femmine, rendendo una consegna equa più accessibile economicamente.
• Robustezza della Simulazione: Le simulazioni delle distribuzioni degli utenti sconosciuti hanno indicato che la capacità dell'intervento di ridurre la distorsione rimane valida attraverso varie ipotesi sull'identità di genere degli utenti sconosciuti, fornendo indicazioni direzionali per gli inserzionisti anche senza dati perfetti.

Significato e Affermazioni
Il documento afferma che la "Divisione del Budget con Utenti Sconosciuti" è un approccio prezioso e pratico per gli inserzionisti governativi con risorse limitate impegnati in una diffusione equa dei servizi pubblici. Sostiene che:

• L'Inclusione è Necessaria: Escludere gli utenti sconosciuti nella pubblicità di interesse pubblico svantaggia sistematicamente i gruppi emarginati e mina l'obiettivo dell'accesso universale alle risorse.
• Praticità sulla Purezza: Sebbene una conoscenza demografica perfetta non sia disponibile, etichette imperfette inferite dalla piattaforma combinate con strategie di targeting inclusive possono mitigare efficacemente la distorsione.
• Raccomandazioni Sistemiche: Gli autori concludono che le piattaforme di pubblicità online sono attualmente poco attrezzate per gli obiettivi di interesse pubblico. Raccomandano che gli inserzionisti governativi stabiliscano la proprietà tecnica dei dati durante l'acquisizione, considerino la diffusione offline come complemento agli annunci online, e che le piattaforme forniscano strumenti migliori per misurare e affrontare la distorsione senza imporre vincoli di offerta restrittivi (come i massimali CPC) che esacerbano le disuguaglianze.

Lo studio sottolinea che, sebbene i sistemi di pubblicità online siano progettati per il profitto, possono essere adattati per servire gli obiettivi di interesse pubblico attraverso una progettazione attenta e inclusiva degli interventi che riconosce la realtà dei dati demografici mancanti.