Une nouvelle étude de la North Carolina State University confirme que le ciblage publicitaire de Meta (Facebook / Instagram) manque de précision. Elle estime que ce ciblage par les intérêts est inexact dans 30% des cas.
Durant ces dernières années, Facebook a fait la une des journaux à plusieurs reprises pour son processus complexe de ciblage d’audience, qui apprend les caractéristiques et les intérêts des utilisateurs en fonction de leurs activités sur l’application, puis canalise ces informations dans son moteur de ciblage publicitaire, permettant aux marques de présenter leurs offres aux plus engagés, public réceptif grâce à ses différentes options d’affichage.
Des militants politiques auraient utilisé cela pour influencer l’opinion des électeurs, les marques ont pu cibler les utilisateurs en fonction de critères dont ils ne se rendent peut-être même pas compte. Certaines études ont même suggéré que Facebook en sait plus sur vous que vos amis ou votre famille – mais en réalité il semblerait que ce n’est pas aussi précis que ça en a l’air.
Quel est le taux de précision réel des options de ciblage publicitaire de Facebook et quelles sont les implications des faux positifs sur les dépenses publicitaires ?
C’est ce qu’une équipe de la North Carolina State University a cherché à découvrir, avec une nouvelle étude (résumé de l’étude) qui a examiné les performances spécifiques du suivi des intérêts de Facebook et comment il attribue des comportements et des sujets à chaque utilisateur.
Leur principale conclusion est qu’environ 30 % des intérêts inférés de Facebook sont inexacts ou non pertinents, ce qui pourrait avoir des implications importantes sur les dépenses publicitaires.
Comme expliqué dans l’étude (que vous pouvez téléchargez ici) :
“Pour obtenir des informations sur la manière dont Facebook génère des intérêts à partir des activités Facebook d’un utilisateur, nous avons effectué des expériences contrôlées en créant de nouveaux comptes et en exécutant systématiquement de nombreuses activités planifiées. Nous avons constaté que 33,22 % des intérêts inférés étaient inexacts ou non pertinents. Pour comprendre si nos résultats sont valables pour un échantillon large et diversifié, nous avons mené une étude d’utilisateurs où nous avons recruté 146 participants (via Amazon Mechanical Turk) de différentes régions du monde pour évaluer l’exactitude des intérêts déduits par Facebook. Nous avons développé une extension de navigateur pour extraire des données de leurs propres comptes Facebook et poser des questions basées sur ces données. Nos participants ont rapporté une gamme similaire (29%) d’inexactitude comme observé dans nos expériences contrôlées.
Il convient de noter qu’il s’agit d’un groupe d’étude à relativement petite échelle – Facebook compte plus de 2,9 milliards d’utilisateurs actifs par mois, de sorte qu’un groupe de 146 sujets de test n’est qu’un élément infime.
Mais c’est axé sur le processus et donc les résultats sont probablement néanmoins valables.”
Dans la première expérience, les chercheurs ont effectué des tests sur la façon dont Facebook attribue les intérêts en fonction de l’activité, les profils expérimentaux partant de zéro, ce qui signifie qu’ils n’avaient aucun intérêt spécifique avant.
“Les chercheurs ont créé 14 nouveaux comptes d’utilisateurs sur Facebook. Les chercheurs ont contrôlé les données démographiques et le comportement de chaque compte, et suivi la liste des centres d’intérêt générés par Facebook pour chaque compte. Cette expérience nous a permis de voir quelles activités étaient associées à Facebook inférant un intérêt, et la principale conclusion ici est que Facebook adopte une approche agressive de l’inférence d’intérêt – même quelque chose d’aussi simple que de faire défiler une page a conduit Facebook à déterminer qu’un utilisateur a un intérêt pour ce sujet”.
Bien sûr, tout le monde sait que Facebook suit tout ce que vous faites dans l’application, mais d’après cette étude, même la plus petite action peut entraîner une inférence dans votre profil de ciblage publicitaire, ce qui peut entraîner un ciblage inexact.
Dans la deuxième expérience, les chercheurs ont recruté 146 participants à l’étude de différentes parties du monde. Les participants à l’étude ont téléchargé une extension de navigateur qui a permis aux chercheurs de collecter des données à partir du compte Facebook de chaque participant sur leurs intérêts. Les chercheurs ont ensuite posé des questions aux participants sur l’exactitude des intérêts que Facebook avait déduits.
“Nous avons constaté que 29,3 % des intérêts que Facebook avait répertoriés pour les participants à l’étude n’étaient en fait pas intéressants. C’est comparable à ce que nous avons vu dans nos expériences contrôlées.”
Les chercheurs notent également que le système de Facebook ne fait souvent pas la distinction entre les interactions positives et négatives, ce qui peut également entraîner des inexactitudes.
“Par exemple, nous avons commenté négativement une page Harry Potter et avons reçu des intérêts pour Harry Potter et Daniel Radcliffe (l’acteur principal des films Harry Potter).”
“Par exemple, si vous avez publié quelque chose sur votre aversion pour le fromage vert, l’algorithme utilisé par Facebook pour déduire vos intérêts remarquerait probablement que vous avez partagé quelque chose sur le fromage vert mais n’enregistrerait pas le contexte de votre message : que vous n’aimez pas le fromage vert. En conséquence, vous pouvez commencer à recevoir des publicités ciblées pour le fromage vert.”
L’étude a également montré que, parfois, le système de Facebook attribue incorrectement des entités :
“Par exemple, lors de la visite de la page Apple (société technologique), Apple (fruit) a été déduit comme un intérêt.”
Il y aurait divers degrés d’erreurs dans ce type de correspondance, et ce ne sont que quelques exemples de la façon dont vos intérêts sont parfois mal attribués dans l’application – ce qui n’est probablement pas trop surprenant, mais l’ampleur des résultats inexacts mérite d’être notée.
Que devront faire les annonceurs ?
as grand-chose s’il s’agit d’avoir une très bonne précision.
Toutefois, l’utilisation de certaines fonctionnalités d’audiences devrait améliorer la précision, en fonction d’une série de facteurs, par opposition à la correspondance de sujets singuliers – mais cela n’empêchera pas que s’il y a des erreurs d’attribution sur les systèmes de Facebook, les performances de ces annonceurs seront impactées.
Meta s’efforce toujours d’améliorer ses systèmes à cet égard avec une phase d’apprentissage dont on espère qu’elle élimine les faux positifs. Mais cela revient tout de même à suivre les performances de vos annonces et à les affiner en fonction des résultats que vous générez.
Vous pouvez lire l’étude complète et le résumé ici, tandis que vous pouvez vérifier ce que Facebook pense que vos intérêts sont ici.
