Slides di prelaurea summary of - measuring the facebook advertising ecosystem

1. Summary of “Measuring the Facebook
Advertising Ecosystem”
Laureando
Eugenio Ceschia
Matricola IN0500321
Relatore
Prof. Alberto Bartoli
UNIVERSITÀ DEGLI STUDI DI TRIESTE
DIPARTIMENTO DI INGEGNERIA ED ARCHITETTURA
CORSO DI LAUREA IN INGEGNERIA ELETTRONICA E INFORMATICA
Anno Accademico 2018/2019

2. Introduzione al Problema
Facebook - 2,2 miliardi di utenti nel 2019
Di facile utilizzo per inserzionisti:
● É facile diventarlo
● Non servono particolari controlli
Possibile il verificarsi di attività sospette

3. Esempio
1. Utente etichettato “frequente viaggiatore” visualizza
annuncio di una compagnia turistica - Innocuo
2. Utente etichettato “simpatizzante di destra”
visualizza annuncio riguardante sbarchi di migranti
illegali - Potenzialmente Pericoloso

4. Rilevanza del Problema
● Condizionamento masse, discriminazione,
propaganda politica mirata
● Enormi quantità di denaro mosse per ottenere
l’annuncio più efficace possibile
● Privacy dell’utente a rischio con l’utilizzo di PII
per selezione dell’audience (Cambridge Analytica)

5. Obiettivi dello studio
Analizzare l’utilizzo della piattaforma da parte
dell’inserzionista in due punti:
1. Chi sono gli inserzionisti
2. Come gli inserzionisti selezionano gli utenti
NON discutere la legittimità delle tecniche
MA mostrarle al pubblico per sensibilizzarlo

6. Raccolta dei dati
Utilizzato AdAnalyst: plug-in open source. Analizza
1. Pagina Facebook visualizzata
2. Sezione “Perchè ho visto questo annuncio?”
3. Pagina “Ad Preferences”
Due dataset
1. DATA-WORLDWIDE
2. DATA-BRAZIL (Parte del progetto Fake-No-Elections)

7. RISULTATI - Gli inserzionisti
Valutati per Identità:
1. Niche(<1k likes, 16%)
2. Ordinary(1k<likes<100k, 52%)
3. Popular(likes > 100k, 32%)
Utilizzati Badge per verifica:
1. Grigio(business)
2. Blu(profili di interesse pubblico)
Valutati per Categoria:

8. RISULTATI - Selezione degli utenti
Vari strumenti per stabilire Audience dell’annuncio
1. Età, sesso, Posizione,lingua parlata
2. Personally Identifiable Information (PII)
3. Lookalike Audiences - Algoritmo sconosciuto
4. Attributi(divisi tra Demographics, Behaviors, Interests)
Sistema di precedenze in sezione “Perchè ho visto questo
annuncio?”
Demographics & Age/Gender/Location > Interests > PII-based > Behaviors

9. RISULTATI - Gli annunci
Tre tipi di modifica dell’annuncio
1. Nel tempo per lo stesso utente
2. Tra utenti
3. Tra utenti e attributi (60% dei 2500 inserzionisti analizzati usano questa tecnica)
News and politics è una delle categorie che utilizza di più
queste tecniche

10. Conclusioni
● Necessaria maggiore chiarezza sull’utilizzo della
piattaforma
● Necessaria Sensibilizzazione del pubblico su
affidabilità inserzionista
● Necessario indagare in futuro sulle tecniche
potenzialmente invasive e dannose utilizzate