Estudio sobre el fraude de métricas publicitarias: evolución, análisis y herramientas para la mitigación

Autores/as

DOI:

https://doi.org/10.14198/MEDCOM.20349

Palabras clave:

Fraude de métricas, ingresos publicitarios, modelos de negocio

Resumen

El objetivo de este trabajo es el análisis del fraude presente en las métricas que sirven como valor de referencia en la comercialización de la publicidad digital. Los medios digitales necesitan optimizar los ingresos captados y una de sus principales apuestas son los modelos de negocio basados en publicidad que se enfrentan al fenómeno del fraude. Este trabajo se centra en analizar los aspectos que frenan las inversiones publicitarias, especialmente los problemas que conlleva el fraude de métricas y las medidas que se implementan para mejorar la transparencia y la calidad de los medios como soportes publicitarios. Se utiliza una metodología cualitativa, basada en entrevistas en profundidad a profesionales del sector, que parten del análisis de los diferentes tipos de fraude y las estrategias de prevención llevadas a cabo por los soportes digitales. Los resultados revelan una desigualdad en la gestión y la adopción de una visión conservadora ante este fenómeno

Financiación

Universidad Complutense de Madrid

Citas

Association of National Advertisers. (n.d.-a). The bot baseline: Fraud in digital advertising. Relations Government and Advocacy, ANA Driving Worth. https://cutt.ly/4bh8cJU

Association of National Advertisers. (2015). Making measurement make sense. Relations Government and Advocacy, ANA Driving Worth. https://cutt.ly/Ebh8Qws

Bashir, M. A.; Arshad, S.; Kirda, E.; Robertson, W. & Wilson, C. (2019). A Longitudinal Analysis of the ads. txt Standard. In Proceedings of the Internet Measurement Conference (pp. 294-307). https://doi.org/ggfwf3

Bourgeois, T. (2017). Digital ad fraud: What’s a CMO to do?. https://cutt.ly/RRe9E09

Bounie, D.; Quinn, M. & Valérie, M. (2016). Advertising Viewability in Online Branding Campaigns. SSRN, 1-15. https://doi.org/gzx2

Braun, M. & Moe, W. M. (2013). Online Display Advertising: Modeling the Effects of Multiple Creatives and Individual Impression Histories. Marketing Science, 32(5), 753-767. https://doi.org/b4bf

Callanan, S.; O'sullivan, P. J.; Stern, E. H.; Weir, R. C. & Willner, B. E. (2008). U.S. Patent Application No. 11/617,127. Washington, DC: U.S. Patent and Trademark Office.

Callejo, P. (2016). Auditing Methodology to Asses the Quality of Online Display Advertising Campaigns. Trabajo Fin de Máster, Universidad Carlos III. https://cutt.ly/Jbh8FR5

Callejo, P.; Cuevas, A.; Cuevas, R.; Esteban-Bravo, M.; Vidal-Sanz, J. M. (2020). Tracking Fraudulent and Low-Quality Display Impressions. Journal of Advertising, 49(3), 309-319. https://doi.org/gzx4

Callejo, P.; Cuevas, R.; Cuevas, A. & Kotila, M. (2016). Independent auditing of online display advertising campaigns. In Proceedings of the 15th ACM Workshop on Hot Topics in Networks (pp. 120-126). https://doi.org/gz3q

Carcelén, S.; Alameda, D. y Pintado, T. (2017). Prácticas, competencias y tendencias de la comunicación publicitaria digital: una visión desde la perspectiva de los anunciantes españoles. Revista Latina de Comunicación Social, 72, 1648-1669. https://doi.org/gz3r

Casero-Ripollés, A. (2010). Prensa en internet: nuevos modelos de negocio en el escenario de la convergencia. El profesional de la información, 19(6), 595-601. https://doi.org/c4d9gc

Cluley, R. (2017). The construction of marketing measures: The case of viewability. Marketing Theory, 18(3), 287-305. https://doi.org/gd4sdg

Clapp, C. L. & DeFrancesco, B. C. (2014). U.S. Patent Application No. 14/084,444. Washington, DC: U.S. Patent and Trademark Office.

De Pelsmacker, P.; Geuens, M. & Anckaert, P. (2002). Media Context and Advertising Effectiveness: The Role of Context Appreciation and Context/Ad Similarity. Journal of Advertising, 31(2), 49-61. https://doi.org/gz3s

Dörnyei, K. R. (2020). Marketing Professionals’ Views on Online Advertising Fraud. Journal of Current Issues & Research in Advertising, 42(2), 1-19. https://doi.org/gz3t

Flosi, S.; Fulgoni, G.; & Vollman, A. (2013). If an Advertisement Runs Online And No One Sees It, Is It Still an Ad?: Empirical Generalizations in Digital Advertising. Journal of Advertising Research, 53(2), 192-199. https://doi.org/gz3v

Fulgoni, G. M. (2016). Fraud in Digital Advertising: A Multibillion-Dollar Black Hole: How Marketers Can Minimize Losses Caused by Bogus Web Traffic. Journal of Advertising Research, 56(2), 122-125. https://doi.org/gz3w

García-Santamaría, J. V.; Pérez-Serrano, M. J. y Maestro, L. (2016). Los clubs de suscriptores como nuevo modelo de financiación de la prensa española. El profesional de la información, 25(3), 395-403. https://doi.org/gj8czv

Garrido, P.; Caerols, R. y García-Huertas, J. G. (2018). Estudio Delphi sobre la evolución y perspectivas de la compra programática de publicidad en España. Doxa Comunicación, 27, 253-271. https://doi.org/gz3z

Ghose, A. & Todri, V. (2015). Towards a Digital Attribution Model: Measuring Display Advertising Effects on Online Search Behavior. MIS Quarterly, 40(4), 889-910.

Goldberg, S.; Kim, S.; Morales, M.; Voloshko, A.; Zacharczuk, D. & Cohen, C. (2019). U.S. Patent Application No. 16/271,534. Washington, DC: U.S. Patent and Trademark Office.

Goldfarb, A. (2014). What is different about online advertising?. Review of Industrial Organization, 44(2), 115-129. https://doi.org/10.1007/s11151-013-9399-3

Goldfarb, A. & Tucker, C. (2011). Online display advertising: targeting and obtrusiveness. Marketing Science, 30(3), 389-404. https://doi.org/c493jk

GroupM (2019). Brand Safety Guide 2019. https://cutt.ly/2E7nG1p

GroupM (2020). Brand Safety Guide 2020. https://cutt.ly/IE7He8y

Haider, C. M. R.; Iqbal, A.; Rahman, A. H. & Rahman, M. S. (2018). An ensemble learning based approach for impression fraud detection in mobile advertising. Journal of Network and Computer Applications, 112, 126-141. https://doi.org/gz32

Hill, D. N.; Moakler, R.; Hubbard, A. E.; Tsemekhman, V.; Provost, F. & Tsemekhman, K. (2015). Measuring causal impact of online actions via natural experiments: Application to display advertising. In Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1839-1847). https://doi.org/gz33

IAB Tech Lab (2017). About Ads.txt. https://cutt.ly/Wbh8V5J

ISBA (2020). Programmatic Supply Chain Transparency. https://cutt.ly/lbh81xq

Iglesias, L. J. D. (2017). Soy marca: Quiero trabajar con influencers. Barcelona: Profit Editorial.

Integral Ad Science (2019). Informe sobre la calidad de medios. Segundo Semestre 2019. https://cutt.ly/QE7cbE7

Integral Ad Science (2021). Informe sobre la calidad de medios. Barómetro global. https://cutt.ly/9mhi6Cs

Jansen, B. J. (2007). Click Fraud. IEEE Computer, 40(7), 85–86. https://doi.org/b5sc46

Liu, B.; Nath, S.; Govindan, R. & Liu, J. (2014). DECAF: Detecting and characterizing ad fraud in mobile apps. In 11th {USENIX} Symposium on Networked Systems Design and Implementation ({NSDI} 14) (pp. 57-70). https://cutt.ly/Ybh807l

Maestro, L.; Cordón, D. y Abuín, N. (2018). La comunicación publicitaria en entornos digitales: herramientas para garantizar la reputación corporativa. Prisma Social, 22(3), 209-228. https://bit.ly/3DsWjKn

Mason, Z. (2008). U.S. Patent No. 7,401,130. Washington, D. C.: U.S. Patent and Trademark Office.

Media Rating Council (2014). MRC Viewable ad impression Mesaurement Guidelines. https://cutt.ly/xbh86h8

Merriman, D. A. & O'connor, K. (2006). U.S. Patent No. 7,039,599. Washington, D. C.: U.S. Patent and Trademark Office.

Miralles, L. y Ponce-Espinosa, H. (2015). Predicción del CTR de los anuncios de Internet usando redes orgánicas artificiales. Res. Comput. Sci., 93, 23-32. https://doi.org/gz37

Miralles, L.; Qureshi, M. A. & Mac Namee, B. (2019). Real-time Bidding campaigns optimization using attribute selection. arXiv, 1-24. https://cutt.ly/tbh4gnT

Miralles, L.; Rosso, D., Jimenez, F. & García, J.M.. (2017). A methodology based on Deep Learning for advert value calculation in CPM, CPC and CPA networks. Soft Computing, 21 651-665. https://doi.org/10.1007/s00500-016-2468-4. https://cutt.ly/6E7byxJ

Nicholas, C. (2020). Alcanzar la transparencia en programática. Integral Ad Science. https://cutt.ly/fbh4lgS

Nandini, C. P. (2019). Detecting and Preventing Click Fraud: The Economic and Legal Aspects. IUP Law Review, 9(2). https://bit.ly/3lvduVC

Nelson-Field, K. (2020). The Evolution of Media Buying. In The Attention Economy and How Media Works. In The Attention Economy and How Media Works (pp. 55-70). Singapur: Palgrave Macmillan.

Otero, J. M. y Miralles, L. (2014). Fraudes en la publicidad en internet: tipología y tratamiento jurídico. Revista Aranzadi de Derecho y Nuevas Tecnologías, 34, 67-90. https://bit.ly/3jarJ0z

Pixalate (2019). App-ads.txt & ads.txt Trends Report Q3 2019. https://cutt.ly/Pbh4WaC

Rosen, J. (2015). Viewability: An Exaggerated Crisis. Syracuse University Honors Program Capstone Projects, 8, 1-54. https://bit.ly/3AwjOAf

Scharber, J. & Pugh, R. (2017). U.S. Patent Application No. 14/811,319. Washington, DC: U.S. Patent and Trademark Office.

Statista (2020). Entities responsible for ad fraud mitigation according to digital media professionals in the United States as of December 2019. https://cutt.ly/tReXux0

Statista (2021). Programmatic ad fraud rates in selected countries worldwide in 2nd quarter 2019. https://cutt.ly/DReCRtE

Wang, C.; Kalra, A.; Zhou, L.; Borcea, C. & Chen, Y. (2017). Probabilistic Models for Ad Viewability Prediction on the Web. IEEE Transactions on Knowledge and Data Engineering, 29(9), 2012-2025. https://doi.org/gbr96b

Wasef, A. (2017). Monetising digital audiences: Turning a marketing cost into a profitable business unit. Journal of Brand Strategy, 6(2), 171-180. https://cutt.ly/9bjrAxj

Zhang, W.; Pan, Y.; Zhou, T. & Wang, J. (2015). An Empirical Study on Display Ad Impression Viewability Measurements. arXiv. https://cutt.ly/AbjrGXD

Zhu, X.; Tao, H.; Wu, Z.; Cao, J.; Kalish, K. & Kayne, J. (2017). Ad Ecosystems and Key Components. In Fraud Prevention in Online Digital Advertising (pp. 7-18). Nueva York: Springer.

Estadísticas

Estadísticas en RUA

Publicado

01-01-2022

Cómo citar

Maestro-Espínola, L., Cordón-Benito, D., & Abuín-Vences, N. (2022). Estudio sobre el fraude de métricas publicitarias: evolución, análisis y herramientas para la mitigación. Revista Mediterránea De Comunicación, 13(1), 347–363. https://doi.org/10.14198/MEDCOM.20349

Número

Sección

Miscelánea