Una nuova ricerca mostra che le reti pubblicitarie possono avere incentivi naturali per salvaguardare la privacy dei consumatori
- Il machine learning offre un targeting più accurato nella pubblicità per dispositivi mobili.
- Il targeting comportamentale è più efficace del targeting contestuale.
- Esiste la possibilità di autoregolamentazione perché un targeting comportamentale eccessivo può ridurre la concorrenza e danneggiare i ricavi delle reti pubblicitarie.
È opinione comune tra i professionisti del marketing che se puoi personalizzare qualsiasi forma di marketing, in particolare la pubblicità per dispositivi mobili, otterrai risultati migliori. Con questo in mente, il marketing mobile si basa in modo significativo sui dati di tracciamento degli utenti come strategia pubblicitaria fondamentale.
Una nuova ricerca ha esaminato il valore dei dati di tracciamento degli utenti per scopi di targeting e ha offerto alcuni approfondimenti sui risultati in termini di privacy di tali attività in un mercato pubblicitario mobile multiforme. Questo non solo rappresenta un nuovo pensiero sulla strategia di marketing, ma potrebbe aiutare a mitigare alcune preoccupazioni della società sui problemi di privacy e l’uso di determinati dati di tracciamento nella pubblicità mobile.
Lo studio di ricerca, “Targeting and Privacy in Mobile Advertising”, sarà pubblicato nel numero di marzo della rivista INFORMS Marketing Science . È scritto da Omid Rafieian della Cornell University e Hema Yoganarasimhan dell’Università di Washington.
Lo studio ha rilevato che un approccio di targeting basato sull’apprendimento automatico migliora la percentuale di clic media di oltre il 66,8% rispetto ai modelli di targeting più semplici.
“La differenza deriva principalmente dalle informazioni comportamentali rispetto alle informazioni contestuali”, ha detto Rafieian. “Ciò significa che l’approccio di apprendimento automatico è in grado di apprendere le preferenze degli utenti dai loro dati comportamentali passati, come gli annunci che hanno visto e su cui hanno fatto clic. A differenza degli approcci tradizionali, i metodi di apprendimento automatico non danno presupposti restrittivi sul comportamento degli utenti e, a loro volta, sono in grado di identificare modelli più complessi nelle preferenze dell’utente “.
“Una volta stabilita l’efficacia del nostro approccio di apprendimento automatico, ci siamo rivolti alla questione della privacy: possiamo aspettarci un arresto del targeting comportamentale e del monitoraggio degli utenti in questo mercato?”, Ha affermato Yoganarasimhan. “Quello che abbiamo scoperto è che, sebbene il targeting comportamentale aiuti gli inserzionisti a trovare una corrispondenza migliore con le impressioni, la rete pubblicitaria potrebbe voler proteggere la privacy dei consumatori e non consentire un targeting comportamentale molto granulare per motivi economici. Questo perché un targeting eccessivo può comportare una concorrenza più morbida tra gli inserzionisti , in cui ogni inserzionista sceglie in modo mirato segmenti ristretti, portando così a minori entrate per le reti pubblicitarie. “
La ricerca ha utilizzato dati su larga scala da una delle principali reti in-app di un paese asiatico. Gli autori dello studio hanno creato un framework di apprendimento automatico per il targeting che utilizza informazioni contestuali e comportamentali.
Hanno condotto un confronto completo tra il valore del targeting contestuale e quello comportamentale da diversi punti di vista dei giocatori. L’intuizione chiave del documento è stata un disallineamento tra ciò che vogliono le reti pubblicitarie e gli inserzionisti: mentre gli inserzionisti richiedono strumenti di targeting più invasivi della privacy, le reti pubblicitarie hanno incentivi economici naturali per limitare il targeting comportamentale per aumentare la concorrenza tra gli inserzionisti. Ciò suggerisce un futuro in cui il mercato può autoregolarsi e proteggere la privacy dei consumatori.