Estudio sobre el fraude de métricas publicitarias: evolución, análisis y herramientas para la mitigación
DOI:
https://doi.org/10.14198/MEDCOM.20349Palabras clave:
Fraude de métricas, ingresos publicitarios, modelos de negocioResumen
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 MadridCitas
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.
Descargas
Estadísticas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Lidia Maestro-Espínola, David Cordón-Benito, Natalia Abuín-Vences
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
Los autores y autoras que publican en esta revista están de acuerdo con los siguientes términos:
1 Derechos de autor. Los autores y autoras conservan sus derechos de autor, aunque ceden a la revista de forma no exclusiva los derechos de explotación (reproducción, distribución, comunicación pública y transformación) y garantizan a esta el derecho de primera publicación de su trabajo, el cual estará simultáneamente sujeto a la licencia indicada en punto 2. Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.
© Los autores.
2 Licencia. Los trabajos se publican en la revista sujetos a la licencia de Reconocimiento 4.0 Internacional de Creative Commons (CC BY 4.0); los términos se pueden consultar en https://creativecommons.org/licenses/by/4.0/
Esta licencia permite a terceros compartir (copiar y redistribuir el material en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material para cualquier finalidad, incluso comercial), siempre que se reconozca la autoría y la primera publicación en esta revista (Revista Mediterránea de Comunicación (RMC) / Mediterranean Journal of Communication (MJC), Universidad de Alicante, DOI de la obra), se proporcione un enlace a la licencia y se indique si se han realizado cambios en la obra.
3 Política de autoarchivo. Se recomienda a los autores que difundan sus trabajos a través de Internet para favorecer una circulación y difusión más rápidas y, con ello, un posible aumento en la citación y alcance entre la comunidad científica y académica, en las siguientes condiciones:
No se permite a los autores depositar en un repositorio institucional o temático, página web propia, etc., las versiones preprint (versión antes de ser evaluada) o postprint (versión evaluada y aceptada para su publicación) de sus trabajos antes de su publicación, pero sí el artículo final publicado (versión del editor).