Summary of - measuring the facebook advertising ecosystem

1. Università degli studi di Trieste
DIPARTIMENTO DI INGEGNERIA E ARCHITETTURA
Ingegneria Elettronica ed Informatica – curriculum “Applicazioni Informatiche”
Summary of “Measuring the Facebook Advertising Ecosystem”
Candidato Relatore
Eugenio Ceschia Prof. Alberto Bartoli
Matricola IN0500321
Anno accademico 2018/2019

2. 1
Sommario
Introduzione........................................................................................................................2
Metodologia........................................................................................................................3
Partecipanti.....................................................................................................................3
Risultati ...............................................................................................................................4
Gli inserzionisti................................................................................................................4
Identità........................................................................................................................4
Categoria.....................................................................................................................4
La selezione degli utenti..................................................................................................5
Analisi delle strategie..................................................................................................5
Analisi degli attributi...................................................................................................6
Analisi degli annunci....................................................................................................7
Conclusioni..........................................................................................................................8
Fonti ....................................................................................................................................8

3. 2
Introduzione
Da molti anni Facebook è al centro di dibattiti riguardanti la possibilità di utilizzo del suo
sistema pubblicitario per scopi quali condizionamento sociale o propaganda politica
mirata allo scopo di influenzare elezioni.
Lo studio di Andreou et al. mira a far chiarezza sull’utilizzo del suddetto da parte delle
aziende, andando ad analizzarne l’insieme dei fruitori.
In seguito alle polemiche mosse dai governi riguardo l’opacità della piattaforma,
Facebook ha recentemente deciso di fornire dei “meccanismi di trasparenza”, che
possano aiutare l’utente interessato a scoprire perché questo abbia visto un particolare
annuncio. Tuttavia, il servizio offerto è spesso incompleto se non a volte fuorviante e
ancora oggi si sa poco riguardo il funzionamento dell’ecosistema pubblicitario, questo
studio ne analizzerà i vari aspetti.

4. 3
Metodologia
Andreau et al. si sono serviti di un plug-in open source disponibile su Chrome e Firefox,
AdAnalyst. Questo analizza tre tipologie di dati:
1. Gli annunci che l’utente riceve quando naviga sulla home di Facebook,
cercando nel DOM della pagina il tag “Sponsorizzato”. Questi sono
accompagnati da un ID utilizzato per distinguerli, sono stati raccolti in media
11 annunci unici al giorno per utente;
2. Le spiegazioni fornite da Facebook riguardanti un particolare annuncio
(disponibili alla sezione “Perché ho visto questo annuncio?”);
3. Le informazioni presenti alla pagina “Ad Preferences” per il particolare
utente, dove questo può decidere se fornire o meno informazioni
riguardanti la sua attività sul social per ricevere annunci personalizzati.
Le limitazioni imposte da Facebook sul massimo numero di spiegazioni ottenibili
quotidianamente per un annuncio hanno rappresentato un ostacolo per l’analisi da parte
del plug-in. Pertanto sono state collezionate tutte le richieste HTTP al fine di ricevere
informazioni dalle inserzioni. Sono state ottenute solamente 10 spiegazioni per ora e non
sono state prese in considerazione più spiegazioni per lo stesso annuncio e per lo stesso
utente nell’arco di due giorni.
Partecipanti
I partecipanti sono stati divisi in due insiemi: “DATA-WORLDWIDE”, contenenti dati
provenienti principalmente da Nord America e Europa e “DATA-BRAZIL”, utilizzato come
parte del progetto esterno “Fake-No-Elections” per fornire trasparenza sulle campagne
politiche per le elezioni brasiliane del 2018.
Si riportano solamente i dati riferiti al primo insieme, in quanto molto simili tra loro.
Sono state utilizzate due strategie per disseminare il plug-in: attraverso conoscenti,
come possono essere circoli familiari o passaparola in conferenze, e attraverso il progetto
citato sopra, fornendo AdAnalyst in una versione per lingua portoghese.
Nonostante la mancanza di dati provenienti da tutto il pianeta, è possibile osservare
una buona diversità grazie alle combinazioni tra i due dataset. Tra le tendenze individuate
all’interno dei due insiemi troviamo: individui in età compresa tra 22 e 30 anni (47.4% vs
32.5% della media di Facebook), utenti maschi (68.4%vs 57%), utenti con educazione
terziaria (71,1% vs 35.9%). Si nota una forte correlazione tra queste tendenze e le strategie
di diffusione del software.

5. 4
Risultati
Gli inserzionisti
Gli inserzionisti sono stati analizzati da due prospettive: identità e categoria di
appartenenza.
Identità
Ogni utente ha la possibilità di diventare inserzionista senza necessità di verifica o prova
di un’impresa effettivamente registrata. Ci si troverà quindi davanti sia ad inserzionisti
conosciuti che ad altri di nicchia.
Considerando il numero di likes alla pagina dell’inserzionista, questi sono stati divisi in
tre gruppi: di nicchia (meno di 1000 likes, 16% della piattaforma), nella media (tra 1000 e
100k likes, 52%), e popolari (sopra 100k likes, 32%). Dato da sottolineare, la maggior parte
degli annunci (62%) appartengono a inserzionisti popolari.
Facebook fornisce agli inserzionisti la possibilità di usufruire di un meccanismo di
verifica per il proprio business, solitamente richiedendo prova di un documento valido o
di un numero di telefono. Lo studio evidenzia che la maggior parte degli annunci proviene
da inserzionisti non verificati (38.9%).
Categoria
Alla creazione della propria pagina, un inserzionista può specificare la propria categoria di
appartenenza tra una lista di 1543 categorie diverse o inserendone una a piacere.
Per analizzare da quale settore provengono i vari inserzionisti si è deciso di dividerli in
categorie, seguendo la tassonomia dell’IAB (Interactive Advertising Bureau) che fornisce
standard per le categorie nel mondo pubblicitario.
Sono state identificate poi categorie che potrebbero influenzare gli utenti in decisioni
personali o sociali. Queste sono: News and Politics, Education, Medical Health, Legal,
Religion and Spirituality, Business and Finance, rappresentanti fino al 10% del totale.

6. 5
La selezione degli utenti
Si è in seguito analizzata la scelta degli utenti e la personalizzazione degli annunci da parte
degli inserzionisti.
Analisi delle strategie
Osservando le spiegazioni offerte da Facebook tramite l’opzione “Perché vedo questo
annuncio” vengono individuati vari tipi di selezione dell’utente. Tra questi spiccano
Età/Sesso/Posizione, Interessi e Lookalike audiences (nel quale un algoritmo di Facebook
sceglie gli utenti basandosi su risultati passati e sulle caratteristiche delle audience
precedenti). In caso di più tipi di attributo, la piattaforma mostra solamente uno di essi
all’interno delle spiegazioni, seguendo la seguente logica:
Demographics & Age/Gender/Location > Interests > PII-based > Behaviors.
Tabella 1 - Varie strategie con le frazioni di inserzioni, inserzionisti e utenti. L’ultima colonna rappresenta la
precedenza dell’attributo
Si è effettuata poi una distinzione tra inserzionisti persistent e one-shot, definendo i
primi come quelli che hanno sottoposto almeno un utente a più di cinque annunci in
almeno due settimane e i secondi come quelli che hanno pubblicizzato la loro attività non
più di una volta a tutti gli utenti.
Lo studio mostra come la maggior parte degli inserzionisti (65%) sia one-shot e come
gran parte dei persistent siano inserzionisti popolari o comunque con una maggior
tendenza ad essere verificati.

7. 6
Analisi degli attributi
Sono stati studiati i precisi attributi utilizzati dagli inserzionisti per le campagne
pubblicitarie, tra queste ritroviamo Interest (I), Behaviors (B), Demographics (D) e Profile
data (PD). Tutti i risultati della sezione sono stati influenzati dal fatto che Facebook mostra
solamente l’attributo con la più alta audience.
Gli interessi possono inoltre essere selezionati da una lista di predefiniti fornita da
Facebook (Predefined interests) o essere inseriti a piacere dall’inserzionista (free-text
interests), la percentuale di questi ultimi è sottostimata in quanto possiedono minore
audience rispetto ai primi.
Osserviamo che i più popolari sono la lingua in cui è mostrato l’annuncio o interessi
generali come Viaggi e Intrattenimento. Tra quelli meno popolari, non presenti nella
tabella, troviamo attributi più specifici, rappresentanti caratteristiche degli utenti che
potrebbero renderli più unici. Va sottolineato come questi attributi tenderanno a restare
perlopiù oscuri agli utenti a causa del loro scarso utilizzo.
Si è infine posta attenzione alla correlazione degli attributi tra Annuncio e Inserzionista.
Nonostante la maggioranza degli attributi sembri appartenere alla categoria del rispettivo
inserzionista, altri sembrano più controversi, come ad esempio gli attributi utilizzati da
Google Sposato, Famiglia, Diritti femminili, Problemi sociali e politici.
Tabella 2 - Popolarità degli attributi utilizzati

8. 7
Per analizzare l’effettiva coerenza tra annuncio e inserzionista si è utilizzato il
coefficiente di affidabilità di Krippendorf α: α=1 implica perfetta corrispondenza tra gli
attributi utilizzati dall’inserzionista, α=0 implica che gli attributi utilizzati non sono
relazionati statisticamente. I risultati sono inseriti all’interno della seguente tabella, e
normalizzati dividendo ciascuno per il più alto α rilevato (0.17).
Analisi degli annunci
Spesso il contenuto degli annunci viene modificato dagli inserzionisti al fine di ottenere
più interazioni da parte degli utenti. Si sono individuati tre tipi di modifica: nel tempo e
per lo stesso utente, tra utenti e tra attributi.
Tra le 34 mila coppie utente-inserzionista individuate, l’86% possiedono due o più
annunci con testi diversi, questo suggerisce che gli inserzionisti preferiscano mostrare ad
un utente annunci diversi nello stesso arco temporale piuttosto che utilizzare lo stesso
annuncio ripetutamente.
Per quanto riguarda gli annunci modificati in base all’utente specifico, gli inserzionisti
sono stati precedentemente suddivisi in due sottoinsiemi: all-disjoint, rappresentante gli
inserzionisti per cui ogni utente è stato sottoposto a un diverso annuncio e one-disjoint,
dove esiste almeno un utente che ha ricevuto annunci diversi dal resto degli utenti presi.
Si è osservato che la categoria News and Politics è quella con la più grande frazione di
inserzionisti all-disjoint, in questo caso la visualizzazione di annunci differenti potrebbe in
qualche maniera influenzare gli utenti.
Per analizzare gli annunci modificati in base agli attributi, sono stati considerati gli
inserzionisti per i quali si è osservato l’uso di attributi multipli ed è stata poi calcolata la
frazione di inserzionisti che non usano mai lo stesso testo con attributi diversi. Tra i 2487
inserzionisti considerati, il 64.7% è solito utilizzare questa tecnica. Ancora una volta, la
categoria New and Politics è una di quelle che ne fa più uso.
Tabella 3 - Correlazione tra tipi di inserzionista e attributi utilizzati

9. 8
Conclusioni
Oltre a rivelare le varie strategie utilizzate per pubblicizzare i vari annunci, lo studio ha
evidenziato la frequenza di meccanismi potenzialmente invasivi e opachi utilizzati dai vari
inserzionisti. La sua importanza è dovuta al fatto di essere una delle prime analisi su larga
scala dell’utilizzo da parte degli inserzionisti di informazioni provenienti dall’utente,
attuata attraverso utenti già esistenti e non tramite account creati ad-hoc.
In conclusione, è importante sottolineare come lo studio non voglia dibattere sulla
legittimità di determinate strategie pubblicitarie ma far chiarezza su un mondo ancora per
lo più sconosciuto, rimarcando l’importanza di possedere una conoscenza di base sul suo
utilizzo e funzionamento per evitare problematiche future.
Fonti
• Athanasios Andreou, Màrcio Silva, Fabrìcio Benevenuto, Oana Goga, Patrick
Loiseau, Alan Mislove, Measuring the Facebook Advertising Ecosystem, Network
and Distributed System Security Symposium (NDSS) 2019