"Dan semuanya terjadi dalam kotak hitam. Pengiklan tidak tahu, tetapi mesin tahu. AI tahu."
Foto Ilustrasi: FreepikRingkasan:
Facebook Selalu Melakukan Eksperimen pada Pengguna
- Penelitian menemukan bahwa Facebook selalu melakukan eksperimen pada konsumen pengguna uji A/B .
- Uji A/B adalah metode untuk membandingkan dua versi berbeda dari suatu halaman web atau iklan untuk menentukan mana yang lebih efektif.
Bagaimana Uji A/B Bekerja
- Algoritma kompleks digunakan untuk memilih pengguna yang akan diberikan versi berbeda dari suatu halaman web atau iklan.
- Namun, algoritma ini begitu kompleks sehingga bahkan penciptanya sendiri tidak sepenuhnya memahami bagaimana ia bekerja.
Dampak dari Uji A/B
- Uji A/B dapat menyebabkan pengguna tidak melihat informasi yang penting karena algoritma memilih untuk tidak menampilkan informasi tersebut kepada mereka.
- Selain itu, uji A/B juga dapat memperkuat kesenjangan karena algoritma dapat memilih untuk tidak menampilkan informasi kepada kelompok tertentu.
Peringatan Peneliti
- Hasil penelitian memberikan peringatan kepada pemasar untuk tidak terlalu percaya pada hasil Uji A/B karena algoritma yang digunakan begitu kompleks dan tidak transparan.
ngarahNyaho - Pengguna platform media sosial seperti Facebook, Instagram, dan TikTok mungkin mengira mereka sekadar berinteraksi dengan teman, keluarga, dan pengikut, serta melihat iklan saat menggunakannya.
Namun menurut penelitian dari Sekolah Bisnis UBC Sauder, Kanada, mereka merupakan bagian dari eksperimen pemasaran konstan yang seringkali mustahil, bahkan bagi perusahaan di baliknya, untuk dipahami sepenuhnya.
Temuan tersebut dipublikasikan dalam International Journal of Research in Marketing.
Untuk penelitian tersebut, para peneliti memeriksa semua penelitian yang dipublikasikan dan ditinjau sejawat tentang penggunaan pengujian A/B oleh Facebook dan Google.
Para peneliti menemukan kelemahan yang signifikan.
Dikutip dari Tech Xplore, Associate Professor UBC Sauder dan rekan penulis penelitian Dr. Yann Cornil dan Dr. David Hardisty mengatakan, pada saat tertentu, miliaran pengguna media sosial sedang diuji untuk melihat apa yang mereka klik, dan yang terpenting bagi pemasar, apa yang mereka beli.
Dari situ, orang akan mengira pengiklan dapat mengetahui pesan mana yang efektif dan mana yang tidak—tetapi ternyata tidak semudah itu.
Dengan menggunakan alat uji A/B Facebook, peneliti dapat mengakses audiens yang besar dan mengamati perilaku nyata—dan karena para peserta tidak menyadari bahwa mereka adalah bagian dari sebuah eksperimen, respons mereka dianggap lebih asli dan dapat diandalkan.
Masalahnya adalah bahwa algoritme yang sangat rumit memutuskan konsumen mana yang akan diperlihatkan konten dan iklan yang berbeda.
Akibatnya, mustahil bagi siapa pun—bahkan mereka yang membuat algoritme—untuk sepenuhnya memahami mengapa konsumen tertentu menjadi target sebuah iklan, dan untuk menentukan mengapa beberapa dari mereka memutuskan untuk mengeklik iklan tersebut.
Menurut Dr. Cornil, hal itu disebabkan oleh kurangnya sesuatu yang disebut "penugasan acak"—misalnya, ketika para peneliti secara acak menampilkan dua iklan yang berbeda kepada kelompok yang dipilih.
"Anda tidak dapat mengatakan bahwa perubahan apa pun yang Anda buat dalam iklan menyebabkan peningkatan perilaku klik, karena dalam setiap iklan akan ada algoritme yang akan memilih peserta yang paling mungkin mengekliknya.
"Jika algoritmenya berbeda, itu berarti tidak ada penugasan acak yang nyata," katanya.
"Itu juga berarti kita tidak dapat mengatakan dengan pasti bahwa suatu iklan menghasilkan rasio klik-tayang yang lebih tinggi karena, secara kreatif, itu adalah iklan yang lebih baik. Mungkin karena dikaitkan dengan algoritme yang lebih baik."
Terlebih lagi, orang-orang sering diperlihatkan iklan berdasarkan riwayat pencarian mereka, tetapi jika mereka telah memutuskan untuk membeli produk tertentu, dan kemudian algoritme menunjukkan kepada mereka iklan untuk produk itu, para peneliti mungkin secara keliru menyimpulkan bahwa iklan tersebut mengarahkan mereka untuk membelinya.
"Ia akan memilih orang tidak hanya berdasarkan hal-hal yang dapat diamati seperti usia atau jenis kelamin atau lokasi yang dapat kita ketahui dengan mudah, tetapi juga pada hal-hal yang tidak dapat diamati seperti perilaku masa lalu, minat, dan bahkan hal-hal yang tidak dapat diukur oleh Facebook sendiri, karena hal-hal tersebut ditentukan oleh pembelajaran mesin dan AI," kata Dr. Hardisty.
Kelompok sasaran mungkin tampak serupa dalam beberapa hal, imbuhnya, tetapi algoritme mungkin telah memilih mereka karena alasan yang sama sekali berbeda.
"Pada dasarnya, ini adalah model rumit yang entah bagaimana telah menemukan bahwa beberapa tipe orang—yang tidak kita ketahui tipe apa—lebih mungkin untuk mengeklik.
"Jadi, bahkan jika kita bertanya kepada orang-orang di Facebook, 'Mengapa kelompok orang ini dipilih?' mereka tidak akan tahu jawabannya," ujar Dr. Hardisty.
Jadi, mengapa ini penting? Pertama, banyak pemasar mengandalkan pengujian A/B Facebook untuk menentukan apa yang akan diiklankan dan bagaimana; tetapi mungkin yang lebih penting lagi, segmen publik yang berbeda dapat dikecualikan dari informasi penting, yang dapat memperkuat perpecahan.
"Ada satu makalah yang menjelaskan mengapa perempuan tidak menjadi sasaran iklan untuk pendidikan STEM (sains, teknologi, teknik, dan matematika) semata-mata karena algoritme," kata Dr. Cornil.
"Perempuan lebih mahal untuk ditargetkan di media sosial, dan algoritme tersebut akan mencoba menghasilkan klik sebanyak mungkin dengan biaya serendah mungkin.
"Jadi, jika perempuan terlalu mahal untuk ditargetkan untuk tujuan pendidikan STEM, mereka bukanlah sasaran."
Terlebih lagi, algoritme tersebut kemudian memperkuat apa yang berhasil dan apa yang tidak, jadi jika wanita tidak mengeklik iklan tertentu, mereka akan semakin jarang melihatnya.
Studi UBC—berjudul "On the Persistent Mischaracterization of Google and Facebook A/B Tests: How to Conduct and Report Online Platform Studies"—berfokus pada Facebook dan Google.
Namun demikian, para peneliti mengatakan bahwa semua platform media sosial utama, dari Instagram hingga TikTok, menggunakan praktik serupa.
Mereka juga ada di mana-mana. Pada sebuah konferensi, seorang karyawan Facebook pernah memberi tahu Dr. Hardisty bahwa pada waktu tertentu, setiap pengguna Facebook adalah peserta yang tidak sadar dalam rata-rata 10 eksperimen berbeda.
Dengan munculnya konten dan iklan yang dihasilkan AI, jumlah itu hampir pasti meningkat.
Hasilnya, Dr. Hardisty dan Dr. Cornil—yang turut menulis penelitian tersebut bersama Dr. Johannes Boegershausen dari Erasmus University dan Dr. Shangwen Yi dari Hong Kong Polytechnic University—memperingatkan bahwa pemasar harus berhati-hati agar tidak terlalu banyak membaca hasil pengujian A/B Facebook.
"Jika Anda memiliki iklan yang sangat populer dan mendapatkan lebih banyak klik, mungkin saja Facebook berhasil mengidentifikasi sekelompok kecil orang tertentu yang sangat menyukainya," kata Dr. Hardisty.
"Dan jika Anda mengubah seluruh lini produk atau kampanye Anda agar sesuai dengan itu, hal itu mungkin justru akan membuat sebagian besar orang merasa terasing.
"Jadi, Anda harus sangat berhati-hati untuk tidak mengambil pelajaran yang lebih luas dari satu penelitian Facebook."
Faktanya, algoritme tersebut sangat rumit dan tepat, imbuh Dr. Cornil, platform media sosial dapat "menargetkan secara mikro" orang hingga ke tingkat individu.
"Ini adalah pemilihan iklan terbaik untuk segmen tertentu—dan segmen tersebut bahkan bukan sekelompok orang. Dengan semua data yang kita miliki tentang konsumen, segmen tersebut adalah satu," katanya.
"Dan semuanya terjadi dalam kotak hitam. Pengiklan tidak tahu, tetapi mesin tahu. AI tahu," Dr. Cornil menegaskan. |Sumber: Tech Xplore
إرسال تعليق