In de uitgestrekte, onzichtbare architectuur van het internet behoort invloed niet toe aan één enkel persoon; zij behoort toe aan de verbindingen tussen hen. Decennialang hebben adverteerders geprobeerd deze verbindingen in kaart te brengen om de meest effectieve manier te vinden om een boodschap te verspreiden. Ze zoeken naar de mensen met de meeste vrienden of de meeste volgers, uitgaande van de veronderstelling dat als ze deze centrale figuren kunnen overtuigen, de boodschap naar iedereen toe zal rimpelen. Deze benadering, bekend als sociale netwerkanalyse, behandelt het web van relaties als een statische foto—een vast beeld waar de belangrijkste mensen eenmaal geïdentificeerd kunnen worden en vervolgens voor altijd gebruikt kunnen worden. De digitale wereld is echter geen foto; het is een levend, ademend organisme. Mensen schakelen tussen verschillende apps, hun vriendschappen veranderen dagelijks en de wetten die hun persoonlijke gegevens beschermen worden elk jaar strenger. De oude methode om een lijst met influencers te kiezen en daarbij te blijven, faalt steeds vaker omdat de kaart waarop het vertrouwt, al verouderd is op het moment dat deze wordt gebruikt.

Een nieuwe studie stelt een andere manier voor om door dit verschuivende landschap te navigeren, waarbij de stap wordt gemaakt van statische lijsten naar een systeem dat in realtime aanpast en tegelijkertijd de privacy respecteert. De onderzoekers, Linto Thomas en Ruchi Kumari Sharma, ontwikkelden een framework dat zij PRISM noemen. Stel je een prisma voor dat een witte lichtstraal opvangt en deze splitst in duidelijke, bruikbare kleuren; dit systeem neemt de chaotische, ruwe data van sociale media-interacties en splitst deze in heldere, veilige en actuele signalen die managers daadwerkelijk kunnen gebruiken. Het kernidee is dat invloed een stroom is, geen voorraad. Het verandert constant, dus de instrumenten die worden gebruikt om het te meten, moeten er eveneens mee veranderen. Het team testte dit idee in een gecontroleerde simulatie met tweeduizend virtuele gebruikers verspreid over twee verschillende digitale platforms gedurende zes tijdperioden. Ze vergeleken hun nieuwe, adaptieve systeem met de traditionele methode van het eenmalig rangschikken van gebruikers en het hergebruiken van die lijst. De resultaten toonden aan dat de oude methode snel aan effectiviteit verloor naarmate het netwerk veranderde, terwijl het nieuwe systeem zijn kracht behield en aanzienlijk meer mensen bereikte, zelfs wanneer strikte privacyregels werden toegepast.

De studie begint met het adresseren van een fundamenteel gebrek in de huidige werking van reclame: de aanname dat een netwerk hetzelfde blijft. In de echte wereld ontvolgen mensen elkaar, ontstaan er nieuwe verbindingen en verschuift de aandacht van de ene app naar de andere. De onderzoekers ontdekten dat wanneer een bedrijf zijn top-influencers kiest op basis van een enkele snapshot van data, die lijst zeer snel minder effectief wordt. In hun simulatie verloor een statische lijst van influencers tussen de zes en negen procent van zijn potentiële bereik binnen slechts zes tijdperioden. In contrast hiermee berekende het PRISM-systeem de rangschikkingen elke periode opnieuw, rekening houdend met deze verschuivingen. Deze constante actualisering stelde het systeem in staat om de curve voor te blijven, waardoor het aan het einde van de campagne uiteindelijk zestien procent meer mensen bereikte dan de statische methode. Het verschil kwam niet door een complexer algoritme, maar simpelweg door het feit dat het systeem naar verse data keek in plaats naar oude geschiedenis.

Een andere grote hindernis voor moderne reclame is privacy. Wetten in Europa en India vereisen nu dat bedrijven persoonlijke gegevens beschermen, wat betekent dat ze niet simpelweg gebruikersprofielen kunnen scrapen om hun lijsten op te bouwen. Het PRISM-framework is vanaf het begin ontworpen om binnen deze juridische kaders te werken. In plaats van naar ruwe data te kijken, voegt het systeem een specifiek type wiskundige ruis toe aan de scores van individuele gebruikers. Deze ruis is zorgvuldig gekalibreerd om de identiteit van een enkel persoon te verbergen, terwijl het algemene patroon van invloed behouden blijft. De onderzoekers testten hoeveel deze bescherming kostte in termen van bereik. Ze ontdekten een verrassende "sweet spot": zolang de privacybescherming op een gemiddeld niveau werd ingesteld, verloor het systeem bijna geen terrein vergeleken met een versie zonder privacy. Pas toen de privacyregels extreem streng werden, begon het systeem moeite te krijgen. Deze bevinding suggereert dat bedrijven niet hoeven te kiezen tussen het beschermen van privacy en het voeren van effectieve campagnes; ze kunnen beide doen, mits ze de juiste balans kiezen.

De studie onderzocht ook hoe om te gaan met het feit dat mensen meerdere platforms gebruiken. Een gebruiker kan actief zijn op een korte-video-app en een berichtenservice, en deze twee werelden praten vaak niet met elkaar. Traditionele methoden richten zich meestal op slechts één platform, waardoor de verbindingen die over de grens heen bestaan, gemist worden. PRISM voegt deze verschillende netwerken samen zonder ooit de ruwe persoonlijke data te combineren. Het gebruikt een beveiligde, anonieme sleutel om de activiteit van een gebruiker over platforms heen te koppelen, waardoor een enkele, verenigde kaart van invloed ontstaat. In de simulatie verhoogde het simpelweg toevoegen van dit tweede platform aan de analyse het bereik van de campagne met vijf procent, zelfs zonder de onderliggende strategie te veranderen. Dit bewees dat het kijken naar het hele plaatje, in plaats van slechts één deel ervan, een duidelijk voordeel biedt.

Misschien wel de meest onverwachte bevinding betrof de selectie van de uiteindelijke groep mensen om de campagne te starten. Een veelvoorkomend geloof in marketing is dat je je zaden gelijkmatig over verschillende groepen of gemeenschappen moet verspreiden om diversiteit te garanderen. De onderzoekers testten dit door hun systeem te dwingen om influencers uit elke gemeenschap te kiezen, ongeacht hoe invloedrijk ze waren. Het resultaat was contra-intuïtief: het afdwingen van deze diversiteit verminderde juist het totale aantal bereikte mensen. Het systeem werd gedwongen om zeer invloedrijke mensen in de ene groep over te slaan om een quotum in een andere groep te vervullen, wat de algehele verspreiding schaadde. De onderzoekers concludeerden dat hoewel diversiteit belangrijk is voor de merkveiligheid en eerlijkheid, het als een apart zakelijk doel moet worden behandeld, en niet als een regel die automatisch het bereik van een campagne verbetert. Als een bedrijf meer mensen wil bereiken, moet het de beste influencers kiezen, zelfs als dat betekent dat sommige groepen meer vertegenwoordigd zijn dan andere.

Het framework introduceert ook een nieuwe manier voor bedrijven om deze beslissingen te beheren. In plaats van dat datawetenschappers een lijst aan marketeers overhandigen en vervolgens vertrekken, creëert het PRISM-systeem een lus waarin verschillende rollen samenwerken. Een datawetenschapper stelt de lijst voor, een marketeer controleert of deze bij het merk past, en een privacyfunctionaris ziet erop toe dat de regels worden nageleefd. Elke beslissing wordt gelogd, wat een duidelijk spoor creëert dat aan toezichthouders kan worden getoond indien nodig. Deze governance-laag zorgt ervoor dat het technische systeem in de echte wereld daadwerkelijk correct wordt gebruikt. De studie benadrukt dat technologie alleen niet genoeg is; de mensen die het gebruiken moeten begrijpen wat de data betekenen en hoe ze er verantwoord mee om moeten gaan.

Uiteindelijk suggereert het onderzoek dat het tijdperk van de statische influencerlijst voorbij is. De digitale wereld beweegt te snel voor een eenmalige rangschikking om nuttig te blijven. De meest effectieve strategie is om de data constant te verversen, over alle platforms te kijken waar mensen interageren, en privacy vanaf het begin in het proces in te bedden. De studie beweert niet elk probleem te hebben opgelost, en de resultaten komen voort uit een simulatie in plaats van een praktijktest in de echte wereld. Echter, de patronen zijn duidelijk: invloed is een bewegend doelwit, en de instrumenten die gebruikt worden om het te vangen, moeten even wendbaar zijn. Door invloed te behandelen als een stroom die in de loop van de tijd verandert en over meerdere netwerken verspreid is, kunnen adverteerders meer mensen bereiken terwijl zij de rechten van de individuen achter de data respecteren. De weg vooruit gaat niet over het vinden van één perfect algoritme, maar over het bouwen van een systeem dat flexibel, eerlijk en altijd up-to-date is.