Hur man behåller effektiviteten vid granskning av digital integritet och GDPR/CCPA

Med GDPR i Europa och CCPA i Kalifornien, tillsammans med det faktum att både Google och Apple begränsar användningen av enhets-ID och cookies - måste branschen börja arbeta med andra metoder för att säkerställa och upprätthålla effektivitet och ändamålsenlighet.

Det uppenbara faktum att bristen på noggrannhet i ovanstående innebär inte att en person inte kan "hittas" och visas en relevant annons. Här är anledningen:

En vanlig dag tar vi emot mer än 1 miljon annonsförfrågningar per sekund. Förfrågningarna innehåller metadata som datum, tid, plats eller ett enhets-ID som Apples IDFA. Vi kan använda IDFA för att avgöra om vi har visat en annons på den här enheten tidigare. Dessutom om enheten befinner sig inom ett visst datasegment som vi tycker är relevant för kampanjen i fråga.

Många leverantörer och köpnätverk förlitar sig på ID:n för att hitta och rikta in sig på specifika enheter/individer. Från dag 1 har vi dock förlitat oss på och framgångsrikt använt maskininlärningsmekanismer för att avgöra om en annonsförfrågan är lämplig för en specifik kampanj. I princip kategoriseras varje signal automatiskt och ges en poäng - baserat på maskininlärning - för att lära sig och tillämpa effekten av varje signal på kampanjprestanda.

Kombinationen av dessa variabler ger en poäng baserat på historiska data och live/aktuell kampanjprestanda. Denna poäng avgör om vi ska bjuda (och hur högt) på den specifika annonsförfrågan - "tittar" på kampanjkonfigurationen och dess mål.

De annonsförfrågningar som beskrivs ovan är även kända som LAT-förfrågningar (Limited Ad Tracking). Eftersom hela branschen går mot LAT-baserade förfrågningar om visningar, anser vi att vi har tillämpat rätt strategi för inriktning kontra integritet från dag 1. Vi fokuserar - och har alltid fokuserat - på nya sätt att rikta och attribuera.

Vill du dela idéer, har frågor eller helt enkelt vill diskutera? Hör av dig!