Пользователи социальных сетей, таких как Facebook, Instagram и TikTok, взаимодействуют с друзьями, семьей и подписчиками, а также просматривают рекламу. Исследование, проведенное в Школе бизнеса UBC Sauder, показывает, что пользователи постоянно участвуют в маркетинговых экспериментах, которые зачастую не поддаются полному пониманию даже для компаний, стоящих за ними.
В рамках исследования были изучены все известные опубликованные и рецензируемые научные работы об использовании A/B-тестирования в Facebook и Google. А/B-тестирование – это метод, при котором разным пользователям показывают разные рекламные объявления, чтобы определить наиболее эффективные из них. В результате исследования были выявлены существенные недостатки этого метода.
Исследователи утверждают, что в любой момент времени миллиарды пользователей социальных сетей подвергаются тестированию, чтобы определить, на что они нажимают и, что наиболее важно для маркетологов, что они покупают. На первый взгляд, рекламодатели могут определить, какие сообщения эффективны, а какие нет, но на самом деле все не так просто.
Используя инструмент A/B-тестирования Facebook, исследователи получают доступ к огромной аудитории и наблюдают за реальным поведением. Поскольку участники не знают, что они являются частью эксперимента, их реакции считаются более искренними и надежными.
Проблема в том, что сложные алгоритмы решают, каким пользователям показывать разный контент и рекламу. В результате никто, даже создатели алгоритмов, не могут полностью понять, почему конкретные потребители были выбраны целевой аудиторией для рекламы и почему некоторые из них решили нажать на объявление. Это связано с отсутствием так называемого «случайного распределения», когда экспериментаторы случайным образом показывают два разных объявления выбранным группам.
Невозможно утверждать, что изменения, внесенные в рекламу, вызывают увеличение количества кликов, потому что в рамках каждого объявления будет работать алгоритм, который выберет участников, наиболее склонных к нажатию. Если алгоритмы разные, то нет реального случайного распределения. Также невозможно с уверенностью сказать, что объявление получило более высокий рейтинг кликов, потому что оно креативно лучше. Возможно, это связано с лучшим алгоритмом.
Более того, людям часто показывают рекламу на основе их истории поиска. Но если они уже определились с конкретным продуктом, а затем алгоритм показывает им рекламу этого продукта, исследователи могут ошибочно заключить, что именно реклама побудила их к покупке.
Алгоритм выбирает людей не только по очевидным признакам, таким как возраст, пол или местоположение, но и по неочевидным, таким как прошлое поведение, интересы и даже то, что сам Facebook не может определить количественно, потому что это определяется машинным обучением и ИИ. Целевые группы могут казаться похожими в некоторых отношениях, но алгоритм мог выбрать их по совершенно другим причинам.
Даже если спросить сотрудников Facebook, почему была выбрана эта группа людей, они не смогут ответить. Это сложная модель, которая каким-то образом выяснила, что определенный тип людей (неизвестно, какой именно) с большей вероятностью нажмет на объявление.
Почему это важно? Во-первых, многие маркетологи полагаются на A/B-тестирование Facebook, чтобы определить, что и как рекламировать. Но, возможно, еще важнее то, что различные сегменты общества могут быть исключены из важной информации, что может усилить разногласия.
Существует статья, в которой объясняется, почему женщины не становятся целевой аудиторией для рекламы образования в области STEM (наука, технология, инженерия и математика) исключительно из-за алгоритмов. Нацеливание на женщин в социальных сетях обходится дороже, а алгоритмы стремятся сгенерировать как можно больше кликов при минимальных затратах. Поэтому, если таргетинг на женщин для целей STEM-образования слишком дорог, они не являются целевой аудиторией.
Более того, алгоритмы затем подкрепляют то, что работает, а что нет. Поэтому, если женщины не нажимают на определенные объявления, они будут еще меньше подвержены их воздействию.
Исследование UBC, озаглавленное «О постоянном искажении A/B-тестов Google и Facebook: как проводить и сообщать об исследованиях онлайн-платформ», посвящено Facebook и Google, но исследователи утверждают, что все основные социальные медиа-платформы, от Instagram до TikTok, используют аналогичные методы.
Эти методы повсеместны. На конференции сотрудник Facebook сообщил, что в любой момент времени каждый пользователь Facebook является невольным участником в среднем 10 различных экспериментов. С появлением контента и рекламы, созданных ИИ, это число почти наверняка растет.
В результате исследователи предупреждают маркетологов о том, что не стоит придавать слишком большое значение результатам A/B-тестирования Facebook.
Если объявление набирает обороты и получает гораздо больше кликов, это может быть просто потому, что Facebook успешно определил небольшую, конкретную группу людей, которым оно действительно нравится. И если изменить всю линейку продуктов или кампанию, чтобы соответствовать этому, это может оттолкнуть большинство людей. Поэтому нужно быть очень осторожным, чтобы не делать более широких выводов из одного исследования Facebook.
Фактически, алгоритмы настолько сложны и точны, что социальные медиа-платформы могут «микротаргетировать» людей вплоть до индивидуального уровня. Подбираются наиболее подходящие объявления для конкретного сегмента, и этот сегмент даже не является группой людей. Со всеми данными о потребителях, сегмент — это один человек. И все это происходит в «черном ящике». Рекламодатель не знает, но машина знает. ИИ знает.
