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

In het uitgestrekte, luidruchtige landschap van online reclame wordt marketeers een hardnekkige vraag achtervolgd: aan wie moeten ze betalen om met hun klanten te spreken? Jarenlang leek het antwoord even eenvoudig. De logica was simpel: zoek de persoon met de meeste volgers, de grootste menigte, en ga ervan uit dat een groter publiek automatisch meer aandacht betekent. Deze benadering behandelt populariteit als een directe maatstaf voor invloed, uitgaande van de veronderstelling dat als miljoenen mensen kijken, er ook miljoenen luisteren. De realiteit van menselijke verbinding is echter veel complexer. Mensen bestaan niet in een vacuüm; ze behoren tot overlappende groepen, delen specifieke interesses en bewegen zich tussen verschillende gemeenschappen. Een persoon kan een enorme groep volgers hebben maar slechts tot één nauwe groep spreken, terwijl iemand anders met minder volgers op een uniek kruispunt kan zitten, waarbij verschillende werelden worden verbonden die elkaar anders nooit zouden ontmoeten. Dit onderscheid tussen ruwe omvang en structurele positie vormt de kern van een nieuwe studie die probeert te herschrijven hoe we kiezen wie een boodschap overbrengt.

De onderzoekers achter dit werk stelden een specifieke hypothese op: dat een slim, adaptief systeem voor het kiezen van adverteerders beter zou presteren dan de traditionele methoden die simpelweg het aantal volgers tellen of naar eerdere likes kijken. Ze bouwden een model dat niet alleen kijkt naar hoeveel mensen een maker kent, maar ook naar hoe die mensen met elkaar verbonden zijn en met het specifieke product dat wordt verkocht. Stel je een kaart voor waar makers niet alleen stippen zijn met getallen ernaast, maar bruggen die verschillende eilanden van interesse verbinden. De studie onderzoekt of een systeem dat deze bruggen begrijpt, gecombineerd met de specifieke behoeften van een campagne en een regel om te voorkomen dat dezelfde boodschap herhaaldelijk naar dezelfde groep wordt gestuurd, betere resultaten kan behalen dan de oude manieren.

Om dit te beantwoorden, maakte het team gebruik van een publieke dataset van 117 contentmakers. Ze gebruikten niet de werkelijke volgerslijsten, die rommelig en privé kunnen zijn. In plaats daarvan creëerden ze een nieuw soort kaart gebaseerd op waar deze makers over praatten en waar hun publiek woonde. Als twee makers hetzelfde onderwerp bespraken, zoals cinema of sport, en hun publiek in hetzelfde land woonden, trokken de onderzoekers een lijn tussen hen. De sterkte van deze lijn hing af van hoeveel van deze zaken zij deelden. Dit creëerde een netwerk dat de "opportuniteitsruimte" van advertenties vertegenwoordigde—een kaart van wie er concurreert om dezelfde aandacht en wie verschillende markten met elkaar verbindt. Op deze kaart berekenden ze hoe goed elke maker kon fungeren als een brug tussen verschillende groepen, een concept dat bekend staat als brokerage. Ze keken ook naar hoeveel mensen daadwerkelijk betrokken waren bij de inhoud, waarbij ze echte aandacht maten in plaats van alleen de omvang van de menigte.

De onderzoekers voerden vervolgens een massale simulatie uit. Ze creëerden 1.000 verschillende advertentiescenario's, elk met een specifiek product en een specifiek land in gedachten. Voor elk scenario testten ze vier verschillende strategieën voor het selecteren van vijf makers om de boodschap over te dragen. De eerste strategie was de oude manier: kies de vijf makers met de meeste volgers. De tweede was om de vijf te kiezen met de hoogste engagement rates, ongeacht het onderwerp. De derde was om de vijf te kiezen die de beste bruggen in het netwerk vormden, ongeacht de specifieiek campagne. De vierde, en meest complexe, was een adaptieve strategie. Deze methode koos makers één voor één, waarbij constant drie zaken werden gecontroleerd: hadden ze een geschiedenis van goede engagement? Pasten ze bij het specifieke onderwerp en land van de campagne? En, cruciaal, hadden we al iemand uit hun gemeenschap gekozen? Als een maker te veel leek op iemand die al eerder was gekozen, werd hun score verlaagd om het systeem te dwingen op zoek te gaan naar iemand die een andere groep mensen kon bereiken.

De resultaten waren duidelijk en beslissend. De strategie die simpelweg achter de grootste aantallen volgers aanliep, presteerde het slechtst en genereerde gemiddeld ongeveer 6,27 miljoen gekwalificeerde interacties. De strategie die alleen keek naar eerdere engagement deed het beter en bereikte ongeveer 11,32 miljoen, maar miste nog steeds de juiste relevantie. De strategie die alleen naar de netwerkstructuur keek, was slechts iets beter dan de methode met de volgersaantallen, wat bewees dat een brug zijn niet genoeg is als de brug naar de verkeerde plek leidt. De adaptieve strategie, die alle factoren combineerde, genereerde gemiddeld bijna 14 miljoen gekwalificeerde interacties. Dit was een verbetering van 23,5 procent ten opzien van de beste strategie gebaseerd op engagement alleen, en meer dan het dubbele van de prestaties van de strategie gebaseerd op het aantal volgers. De data toonden aan dat de oude overtuiging—dat meer volgers altijd meer invloed betekenen—onjuist was. Sterker nog, de studie vond een negatieve relatie tussen het aantal volgers en engagement; de grootste accounts waren vaak de minst betrokken.

Naast het vinden van de beste makers, stelde de studie ook een vraag over privacy. In een wereld waarin gegevensbescherming strenger wordt, kunnen we dan nog steeds slimme beslissingen nemen als we een beetje ruis aan de data toevoegen? De onderzoekers testten dit door de scores van de makers licht te vervormen, wat een situatie simuleerde waarin de exacte cijfers verborgen zijn om de privacy te beschermen. Ze ontdekten dat zelfs met deze toegevoegde onzekerheid, het adaptieve systeem verrassend sterk bleef. Wanneer de data tot een gemiddeld niveau werd verstoord, behield het systeem nog steeds 94,1 procent van zijn besluitvormingswaarde. Dit suggereert dat een bedrijf niet elk detail over een persoon hoeft te weten om een goede keuze te maken; een enigszins wazig beeld is vaak voldoende om het juiste pad te vinden.

De studie concludeert dat de toekomst van reclame ligt in een gebalanceerde aanpak. Het is niet genoeg om naar één enkel getal te kijken, zoals een aantal volgers, of om te vertrouwen op een statische kaart van verbindingen. De meest effectieve methode is er een die zich aanpast aan het specifieke moment, waarbij de geschiedenis van de prestaties van een maker wordt afgewogen tegen de specifieke behoeften van de campagne en de diversiteit van het publiek. Door makers te kiezen die niet alleen populair zijn, maar ook structureel belangrijk en relevant, en door ervoor te zorgen dat de gekozen groep een breed scala aan gemeenschappen beslaat, kunnen adverteerders meer mensen bereiken met een grotere impact. Dit onderzoek biedt een reproduceerbaar kader voor precies dat, en laat zien dat wanneer we verder kijken dan eenvoudige populariteitswedstrijden en de complexiteit van hoe mensen verbonden zijn omarmen, we slimmere, efficiëntere en meer privacybewuste keuzes kunnen maken.