Hvordan opprettholde effektiviteten i forbindelse med digital personvernkontroll og GDPR/CCPA

Med Europas GDPR og Californias CCPA, samt det faktum at både Google og Apple begrenser bruken av enhets-ID-er og informasjonskapsler, må bransjen begynne å jobbe med andre metoder for å sikre og opprettholde effektivitet.

Den tilsynelatende mangelen på nøyaktighet som ovennevnte medfører, betyr ikke at en person ikke kan "finnes" og få vist en relevant annonse. Her er grunnen til det:

På en vanlig dag mottar vi mer enn 1 million annonseforespørsler i sekundet. Forespørslene inneholder metadata som dato, klokkeslett, sted eller en enhets-ID som Apples IDFA. Vi kan bruke IDFA til å finne ut om vi har vist en visning på denne enheten tidligere. Vi kan også finne ut om enheten befinner seg innenfor et bestemt datasegment som vi mener er relevant for den aktuelle kampanjen.

Mange leverandører og innkjøpsnettverk er avhengige av ID-er for å finne og målrette mot spesifikke enheter/individer. Fra dag én har vi imidlertid benyttet maskinlæring for å avgjøre om en annonseforespørsel er egnet for en bestemt kampanje. I hovedsak blir hvert signal automatisk kategorisert og gitt en poengsum - basert på maskinlæring - for å lære og anvende effekten av hvert signal på kampanjeytelsen.

Kombinasjonen av disse variablene gir en poengsum basert på historiske data og live/aktuelle kampanjeprestasjoner. Denne poengsummen avgjør om vi skal by (og hvor høyt) på den spesifikke annonseforespørselen - ved å "se" på kampanjekonfigurasjonen og dens mål.

Annonseforespørslene beskrevet ovenfor er også kjent som LAT-forespørsler (Limited Ad Tracking). Siden hele bransjen beveger seg i retning av LAT-baserte forespørsler om visninger, mener vi at vi har brukt riktig strategi for målretting og personvern fra dag 1. Vi fokuserer - og har alltid gjort det - på nye måter å målrette og attribuere på.

Vil du dele ideer, ha spørsmål eller bare diskutere? Ta kontakt!