Nell'architettura invisibile e vasta di Internet, l'influenza non appartiene a una singola persona; appartiene alle connessioni tra di loro. Per decenni, gli inserzionisti hanno cercato di mappare queste connessioni per trovare il modo più efficace di diffondere un messaggio. Cercano le persone con più amici o più follower, assumendo che, se riescono a convincere queste figure centrali, il messaggio si propagherà a tutti gli altri. Questo approccio, noto come analisi delle reti sociali, tratta la rete di relazioni come una fotografia statica: un'immagine fissa dove le persone più importanti possono essere identificate una volta per tutte e poi utilizzate per sempre. Tuttavia, il mondo digitale non è una fotografia; è un organismo vivo e pulsante. Le persone passano da un'app all'altra, le loro amicizie cambiano quotidianamente e le leggi che proteggono i loro dati personali diventano più rigorose ogni anno. Il vecchio metodo di scegliere una lista di influencer e attenersi ad essa sta fallendo sempre più spesso perché la mappa su cui si basa è già obsoleta nel momento in cui viene utilizzata.

Uno studio propone un modo diverso per navigare in questo scenario mutevole, passando da liste statiche a un sistema che si adatta in tempo reale rispettando al contempo la privacy. I ricercatori, Linto Thomas e Ruchi Kumari Sharma, hanno sviluppato un framework che chiamano PRISM. Immaginate un prisma che prende un fascio di luce bianca e lo separa in colori distinti e utilizzabili; questo sistema prende i dati caotici e grezzi delle interazioni sui social media e li separa in segnali chiari, sicuri e attuali che i manager possono effettivamente utilizzare. L'idea centrale è che l'influenza sia un flusso, non uno stock. Cambia costantemente, quindi anche gli strumenti usati per misurarla devono cambiare con essa. Il team ha testato questa idea in una simulazione controllata coinvolgendo duemila utenti virtuali su due diverse piattaforme digitali attraverso sei periodi temporali. Hanno confrontato il loro nuovo sistema adattivo con il metodo tradizionale di classificare gli utenti una sola volta e riutilizzare quella lista. I risultati hanno mostrato che il vecchio metodo perdeva rapidamente efficacia con il mutare della rete, mentre il nuovo sistema manteneva il suo potere, raggiungendo significativamente più persone anche quando venivano applicate rigide regole sulla privacy.

Lo studio inizia affrontando un difetto fondamentale nel modo in cui funziona attualmente la pubblicità: l'assunto che una rete rimanga invariata. Nel mondo reale, le persone smettono di seguire altri, si formano nuove connessioni e l'attenzione si sposta da un'app all'altra. I ricercatori hanno scoperto che quando un'azienda sceglie i suoi top influencer basandosi su un singolo istantanea dei dati, quella lista diventa molto rapidamente meno efficace. Nella loro simulazione, una lista statica di influencer ha perso tra il sei e il nove per cento del suo potenziale di portata in soli sei periodi temporali. Al contrario, il sistema PRISM ricalcolava le classifiche ogni singolo periodo, tenendo conto di questi cambiamenti. Questo aggiornamento costante ha permesso al sistema di restare un passo avanti, raggiungendo alla fine della campagna il sedici per cento in più di persone rispetto al metodo statico. La differenza non era dovuta a un algoritmo più complesso, ma semplicemente al fatto che il sistema stava guardando dati freschi invece di una vecchia cronologia.

Un altro grande ostacolo per la pubblicità moderna è la privacy. Le leggi in Europa e in India richiedono ora che le aziende proteggano i dati personali, il che significa che non possono semplicemente estrapolare i profili degli utenti per costruire le loro liste. Il framework PRISM è stato progettato per operare all'interno di questi confini legali sin dall'inizio. Invece di guardare i dati grezzi, il sistema aggiunge un tipo specifico di rumore matematico ai punteggi dei singoli utenti. Questo rumore è attentamente calibrato per nascondere l'identità di una singola persona, preservando comunque il pattern complessivo di influenza. I ricercatori hanno testato quanto questa protezione costasse in termini di portata. Hanno scoperto un sorprendente "punto di equilibrio": finché la protezione della privacy era impostata a un livello moderato, il sistema perdeva quasi nulla rispetto a una versione senza alcuna privacy. Solo quando le regole sulla privacy diventavano estremamente rigide il sistema iniziava a soffrire. Questa scoperta suggerisce che le aziende non debbano scegliere tra la protezione della privacy e la gestione di campagne efficaci; possono fare entrambe le cose, purché scelgano il giusto equilibrio.

Lo studio ha esplorato anche come gestire il fatto che le persone utilizzino più piattaforme. Un utente potrebbe essere attivo su un'app di video brevi e su un servizio di messaggistica, e questi due mondi spesso non comunicano tra loro. I metodi tradizionali si concentrano solitamente su una sola piattaforma, perdendo le connessioni che esistono attraverso il divario. PRISM fonde queste diverse reti senza mai combinare i dati personali grezzi. Utilizza una chiave anonima e sicura per collegare l'attività di un utente attraverso le piattaforme, creando una mappa dell'influenza unica e unificata. Nella simulazione, aggiungere semplicemente questa seconda piattaforma all'analisi ha aumentato la portata della campagna del cinque per cento, anche senza cambiare la strategia sottostante. Ciò ha dimostrato che guardare l'immagine completa, piuttosto che un solo frammento di essa, fornisce un vantaggio distinto.

Forse il risultato più inaspettato riguardò il modo di selezionare il gruppo finale di persone per avviare la campagna. Una credenza comune nel marketing è che si debbano diffondere i propri semi equamente tra diversi gruppi o comunità per garantire la diversità. I ricercatori hanno testato questo aspetto costringendo il loro sistema a scegliere influencer da ogni comunità, indipendentemente da quanto fossero influenti. Il risultato è stato controintuitivo: forzare questa diversità ha effettivamente ridotto il numero totale di persone raggiunte. Il sistema era costretto a saltare persone altamente influenti in un gruppo per soddisfare una quota in un altro, il che ha danneggiato la diffusione complessiva. I ricercatori hanno concluso che, sebbene la diversità sia importante per la sicurezza del marchio e l'equità, essa debba essere trattata come un obiettivo aziendale separato, non come una regola che migliora automaticamente la portata di una campagna. Se un'azienda vuole raggiungere più persone, deve scegliere i migliori influencer disponibili, anche se ciò significa che alcuni gruppi saranno rappresentati più di altri.

Il framework introduce anche un nuovo modo per le aziende di gestire queste decisioni. Invece di lasciare che i data scientist consegnino una lista ai marketer e si allontanino, il sistema PRISM crea un ciclo in cui diversi ruoli lavorano insieme. Un data scientist propone la lista, un marketer verifica se è in linea con il brand e un responsabile della privacy assicura che le regole siano rispettate. Ogni decisione viene registrata, creando una traccia chiara che può essere mostrata ai regolatori se necessario. Questo livello di governance garantisce che il sistema tecnico sia effettivamente utilizzato correttamente nel mondo reale. Lo studio sottolinea che la tecnologia da sola non è sufficiente; le persone che la utilizzano devono comprendere cosa significano i dati e come agire su di essi in modo responsabile.

In definitiva, la ricerca suggerisce che l'era della lista statica di influencer è finita. Il mondo digitale si muove troppo velocemente perché una classificazione una tantum rimanga utile. La strategia più efficace è aggiornare costantemente i dati, guardare attraverso tutte le piattaforme in cui le persone interagiscono e integrare la privacy nel processo fin dall'inizio. Lo studio non pretende di aver risolto ogni problema, e i risultati derivano da una simulazione piuttosto che da una prova nel mondo reale. Tuttavia, i modelli sono chiari: l'influenza è un bersaglio mobile e gli strumenti usati per colpirlo devono essere altrettanto agili. Trattando l'influenza come un flusso che cambia nel tempo e attraversa molteplici reti, gli inserzionisti possono raggiungere più persone rispettando al contempo i diritti degli individui dietro i dati. La strada da seguire non consiste nel trovare un singolo algoritmo perfetto, ma nel costruire un sistema che sia flessibile, onesto e sempre aggiornato.