Blog Így nyerte meg Trump a választásokat az online marketing eszközeivel – esettanulmány
Írta:

Így nyerte meg Trump a választásokat az online marketing eszközeivel – esettanulmány

Közel egy éve ért véget az amerikai- és világtörténelem egyik legérdekesebb elnökválasztása, ahol Donald Trump végül legyőzte Hillary Clintont. Pedig egészen a választás napjáig szinte az összes elemző Clinton győzelmét várta. Azóta több teória is lábra kapott, hogy Trump milyen eszközökkel nyerte meg a választásokat. Gondolhatunk itt akár az orosz titkosszolgálati szálakra vagy a szélsőséges nézetek erősítésére is. Arról viszont viszonylag kevés szó esett eddig, hogy Trump és csapata hogyan használta fel a digitális és online megoldásokat, hogy megnyerje a választásokat. Sok hónapos kutatómunkával most ezt a témát dolgoztam fel ebben az esettanulmányban.

Ahhoz, hogy megértsük a körülöttünk lévő világot, érdemes látni azokat a folyamatokat, amelyek befolyásolják azt. És ez nem csak a természeti vagy üzleti környezetre igaz, hanem akár a vásárlók, felhasználók véleményének befolyásolására és módosítására is. A gazdasági és politikai döntések között bár sok a különbség, de nem egyszer nagyon szép párhuzamot lehet húzni. Mind a kettő “fogyasztói réteg” (tényleges fogyasztók vagy épp a választók) megszólítására törekszenek. A fogkrém gyártó azt akarja elérni, hogy az ő termékét vegyék meg, a politikus pedig azt, hogy rá voksoljanak a választók. Ennek elérésére pedig egyre szélesebb online és digitális tárház áll rendelkezésre. Sokkal nagyobb is, mint ahogy azt elsőre gondoljuk.

Trump hitvallásával és politikai nézeteivel nem kötelező egyet érteni, sőt bőven lehet támadni is őket. Ez azonban nem teszi semmissé azt a tényt, hogy egy nagyon profi digitális és online csapat elnökké tudta őt tenni.

Merthogy Trump a 2016-os elnökválasztást a digitális eszközök használatával nyerte meg. De nem csak azon a felszínes szinten, ahogy Twitterre posztolt vagy hogy szélsőséges híroldalak támogatták őt. A háttérben egy olyan platform segítette, amely nagyon komoly viselkedési pszichológán, big datán, adatelemzésen és targetált hirdetési platformon alapult.

TLDR

Trump digitális csapata az OCEAN modell, a viselkedési pszichológia, a big data, az adatelemzés és targetált Facebook hirdetések olyan rendszerét dolgozta ki, aminek köszönhetően 220 millió választót profiloztak az USA-ban a választás napjáig. Míg Hillary Clinton stábja főleg nagy, országos kampányokra fókuszált, addig Trump csapata azokra az államokra koncentrált, ahol a demokraták győztesnek hittek magukat (pl. Wisconsin). Trump az adatokra támaszkodva viszont meg tudta fordítani ezeket az államokat és kis különbséggel, de megnyerte a 2016-os választásokat. A Trump szimpatizánsok és szélsőséges nézetet vallók aktivizálása mellett az utolsó napok fordulatát részben az adta, hogy ekkor indult be a korábbi profilozásra épített targetált Facebook hirdetések gépezete, amiket dark postként hirdettek, főként voter supression (választók elnyomása, távoltartása) céllal. Trump csapata csak ezekre a hirdetésekre 150 millió dollárt költött az utolsó pár napban. Ezzel pedig elérte, hogy a kritikus államokban alacsonyan tartsa a részvételi arányt, és főleg a Hillary pártján álló szavazók maradjanak távol a választásoktól.

Hogyan nyerjünk választást?

A háttérsztori

2016 decemberében a Das Magazin két zürichi újságírója elkezdett utánajárni annak, hogy milyen digitális megoldások segíthették Donald Trumpot az elnökválasztás során. Intenzív kutatómunkával eljutottak egy pszichológushoz, Michal Kosinskihez, aki évekkel korábban kidolgozott egy olyan módszert, amellyel szinte valós időben lehetett profilozni és elemezni embereket a Facebook aktivitásuk alapján.

michal-kosinskiMichal Kosinski a Swiss Federal Institute of Technology (ETH) kutatója és a pszichometrika / pszichográfia (az adat alapú pszichológia) egyik legelismertebb alakja. Évekkel ezelőtt elkezdett dolgozni egy modellen, ahol Facebook felhasználók like-jai alapján korrelációs együtthatókat számolt ki az adott felhasználóra vonatkozóan. Mepróbálta modellezni, hogy kizárólag a Facebook like aktivitás alapján mennyire jól lehet jellemezni egy embert.

Bebizonyította, hogy 68 Facebook like alapján 95% valószínűséggel meg lehet mondani egy felhasználó bőrszínét, 88% valószínűséggel a szexuális orientációját és 85% biztonsággal, hogy Republikánus vagy Demokrata szavazó. De ezen felül akár az alkoholfogyasztásra, fegyvertartásra, vallásra vonatkozó összefüggéseket is ki tudott mutatni. Még akár azt is meg tudta mondani, hogy valakinek a szülei elváltak-e vagy sem. Kizárólag publikusan elérhető Facebook like adatok alapján.

A modell továbbfejlesztése odáig vezetett, hogy 70 like alapján a rendszere többet tudott a felhasználó viselkedéséről mint egy jó barát, 150 likenál, mint a saját szülei, 300 likenál pedig, mint amennyit a felhasználó élettársa.

Amikor Kosinski publikálta a modelljét, akkor 2 telefonhívást kapott. Mindkettőt a Facebooktól. Az egyikben perrel fenyegették, a másikban állást ajánlottak neki.

Pár héttel később a Facebook priváttá tette a like-okat, tehát nem lehetett többet publikusan megnézni, hogy ki mit like-olt. De a modell sokaknak felkeltette az érdeklődését és igyekeztek továbbfejleszteni. Ez pedig kulcsfontosságú lesz a történet szempontjából.

A téma iránt érdeklődőknek ajánlom Kosinski “The End of Privacy” előadását: https://www.youtube.com/watch?v=NesTWiKfpD0

Az OCEAN modell

Kosinski viselkedésalapú kutatása mögött egy tudományos módszer, az OCEAN modell áll.

Az OCEAN modell egy szóösszetétel, amely az openness, conscientiousness, extroversion, agreeableness és neuroticism szavakból áll. Ezt a modellt az 1980-as években fejlesztették ki, hogy profilozni tudják az embereket és ezzel előre jelezzék a viselkedésüket. Ez a „Big Five” lett a pszichometrika (psyshometerics) alapja. A fő gond abból adódott, hogy meglehetősen sok adatot kell ahhoz összegyűjteni, hogy nagy sokaságon lehessen teszteket futtatni és validálni a modellt. Itt jött képbe az internet, majd a Facebook ereje és ezt hasznáta ki Kosinski. Egyrészről készített egy játékos Facebook alkalmazást (MyPersonality), ahol a felhasználók beleegyezésével adatokat gyűjtött személyiségteszteken keresztül, később pedig a Facebook like-ok felé vette az irányt. A kutatás során Kosinski és kutatópartnere David Stillwell tulajdonában került a világ legnagyobb olyan adathalmaza, ahol a felhasználókról viselkedési információ állt rendelkezésre, ráadásul még társítani is lehetett az adatokat egyes emberekhez. Nem mellesleg kommunikálni is lehetett volna a felhasználók felé.

Bár Kosinski célja pusztán szakmai és tudományos volt, sokan meglátták a fantáziát a módszerben és a kommunikációs lehetőségben. Köztük a Cambridge Analytica, egy Big Data cég.

Mit érdemes tudni a Cambridge Analytica-ról? Ez a cég dolgozott a Brextit-et elérő Leave.EU kampányon és Donald Trumpnak is. Mind a két esetben egy alacsony választási részvétel melletti, a várakozásokhoz képest „meglepetés” eredmény született. A módszerük persze nem csak ilyen esetben hatékony, de látható, hogy ilyen esetekben eddig kifejezetten hatékonyan működött.

Több hónapos kutatómunkával egész pontosan sikerült visszafejteni a cég rendszerét és módszerét, amivel mind a Brexit, mind Trump sikerét sikerült elérnie / támogatnia. Mielőtt azonban beleásunk a mélyére, érdemes átnézni, hogy honnan indult és hogyan alakult át az egész terület.

A modern politikai közvéleménykutatás születése

George Gallup 1935-ben publikálta az első mintavételes eljáráson alapuló közvéleménykutatását. Ezzel pedig forradalmasította az iparágat. Módszere pedig megjelent a politikában is, nagyjából ebben az egy kérdésben összpontosulva:

„Ha ma lennének a választások, Ön kire szavazna?”

Módszerének áttörése 1936-ban történt meg, amikor az akkor esedékes elnökválasztáson a Literary Digest kutatása a republikánus Alfred Landon, míg Gallup a végül tényleg győztes demokrata Franklin Delano Roosevelt (FDR) sikerét jelezte előre.

A Literary Digest az akkoriban megszokott  módszert alkalmazta: tízmillió „szavazólapot” küldött szét az országban. Ezekből kétmillió érkezett vissza. Gallup viszont reprezentatív mintával dolgozott: lényegesen kevesebb embert kérdezett meg, de arányosan férfiakat és nőket, figyelembe vette az iskolai végzettséget és az anyagi körülményeket is.

Gyakorlatilag ez lett a politikai közvélemény-kutatások modern módszereinek alapja. És ebben 1936 óta, az elmúlt több mint 90 évben nem történt érdemi áttörés. Egészen eddig.

Ahogy egyre több adat érhető el minden egyes választóról, ráadásul a statikus, leíró jellemzők (életkor, nem, élőhely, jövedelem, gyereke száma stb) mellett mérhető módon megjelentek az aktív tulajdonságok is (gondolkodásmód, személyiség, kötődés, értékek, integritás stb). Így pedig egyre jobb és jobb modelleket lehet kialakítani a várható viselkedés (itt épp szavazási preferencia) előrejelzésére. Míg Gallup csak statikus elemeket tudott felhasználni a modell kialakításakor, mára viselkedés alapú információk is rendelkezésre állnak egy ilyen rendszer elkészítéséhez.

Bizonyos technológiák fejlődésével és főleg az internet megjelenésével itt pedig már nemcsak közvéleménykutatásról hanem akár közvéleménybefolyásolásról is szó lehet.

A leíró statisztika mellett a választást befolyásoló modellek 3 nagy módszertani és területi alappillérrel bővültek ki:

  • Behavioural Science (Viselkedéstudomány / pszichológia)
  • Data Analytics (Adatelemzés)
  • Addressable Ad Tech (Targetált hirdetések)

trump-gyoztes-modell

Hogy mit is jelentenek ezek nagyvonalakban? Itt van néhány példa.

Melyik a hatásosabb az emberek távoltartására:

Magánterület vs A Kutya harap

viselkedes-tenyek

A célunk ugyanaz: kerítésen kívül tartsuk az illetékteleneket. Ha pusztán tényt közlünk (magánterület), annak sokkal kisebb a hatása, mintha a viselkedésre, attitűdre próbálunk hatni. Jellemzően jobb eredményeket lehet elérni, hogyha a belső, mély érzelmekre, viselkedésre és félelemre próbálunk meg nyomást gyakorolni.

Ennek ellenére érdekes azt látni, hogy a legtöbb kommunikációs megoldás (akár vállalati, akár politikai) még a mai napig is demográfia, földrajzi elhelyezkedés, médiafogyasztás és vásárlási szokások alapján szokott szegmentálni. Ezzel pedig lépéshátrányba kerülnek a viselkedés alapú szegmentálást alkalmazókkal szemben.

Miért kellene ugyanazt az üzenetet sugározni minden 30 és 45 közötti nőnek egy kampány során? Vagy minden 18-25 közötti fiatalnak? Vagy azoknak, akik ugyanazt a hírportált olvassák vagy épp iPhone tulajdonosok?

A döntéseink jó részét ugyanis nem ezek a tényezők befolyálják. Ezek csak a felszínen jelentkeznek:

viselkedesminta

A mélyben több olyan elem található, amelynek nagyobb a hatása a választási döntésünkre, mint az életkorunk, társadalmi helyzetünk, hogy milyen újságot olvasunk vagy épp a lakóhelyünk.

A viselkedés modellezésére viszont rengeteg adatra van szükség és ezt össze is kell tudni vetni valódi emberekkel.

Itt kapcsolódik vissza a történethez az OCEAN modell és Kosinski kutatása. A Big Five:

  1. Openness (nyitottság)
  2. Conscientiousness (lelkiismeretesség)
  3. Extroversion (extrovertáltság)
  4. Agreeableness (egyetértés) és
  5. Neuroticism (neuroticizmus, érzelmi stabilitás)

ugyanis ezek képesek jobban leképezni az emberek viselkedését, mint a Gallup-féle modell. Nézzünk egy példát.

Van két identikusnak tűnő ember. Mind a ketten férfiak, 40-45 évesek. Mindketten házasok, van gyerekük, ugyanannál a banknál vannak, ugyanazt az újságot olvassák.

Viszont a különböző üzenetekre másként reagálnak.

ocean-modell-ket-ferfi

A bal oldali felhasználó OCEAN modellje azt mondja, hogy ő lelkiismeretes és magas az egyetértési valószínűsége, cserébe nem extrovertált. Racionális, a társadalmi érdeket a sajátja elé is képes helyezni, figyel a részletekre ezért érdemes adatokat mutatni neki. Rá egy elektromos autóval kapcsolatos hirdetés sokkal erősebben hat majd.

oceal-modell-racionalista

Ezzel ellentétben egy extrovertált ember számára a figyelemfelkeltés sokkal fontosabb, számára egy érzelmekkel teli üzenetet kell közvetíteni. Egy igazi muscle car, egy erős, exhibicionista üzenettel tökéletesen passzol is hozzá.

oceal-modell-extrovertált

Mind a két férfinak egy-egy Ford-ot mutatunk. De teljesen más szemszögből, ráadásul pont azt, ami a személyiségükhöz és viselkedésükhöz is jobban illik. Demográfia alapján ők nagyon hasonlóak, viselkedés alapján azonban mégis különbözőek.

Ha tehát elég viselkedés alapú adatot tudunk gyűjteni felhasználókról, akkor jobban lehet profilozni is őket.

A kérdés csak az, hogy lehet ilyen adatokhoz hozzáférni?

Itt jön képbe a big data és az adatelemzés.

Adatgyűjtés és adatvásárlás

Kosinski eredeti modellje két forrásból táplálkozott:

  • Kérdőívekből, amiket a felhasználók töltöttek ki
  • Facebook like adatokból

Utóbbit a Facebook priváttá tette, tehát más megoldás után kellett nézni. Mivel az emberek ritkán töltenek ki direkt módon személyiséggel kapcsolatos kérdőíveket így alternatív megoldásokhoz kellett fordulni.

Egyrészről vicces személyiségtesztekbe bújtatták a korábbi kérdőíveket (hasonlókkal a magyar Facebook-on is találkozhatunk bőven), illetve nagyon komoly mennyiségű adatot vásárolt a Cambridge Analyitca.

Nem csak tényszerű (factual) demográfiai és földrajzi adatokat, hanem hozzáálláshoz (pszichográfia) és személyiséghez (viselkedés) kapcsolatos adatokat is. Itt a fő források a nagy adatbrókerek voltak, mint az Acxiom vagy Experian, de vásároltak adatot más cégektől is (Nielsen, Infogroup, Datatrust, L2), majd ezeket vetették össze a Facebook adatokkal.

Ezeket az adatokat pedig egy nagy modellben aggregálták.

Big Datából Okos Data

Egészen addig amíg csak sok millió adatponttal rendelkezünk, addig a big data nem sokat ér. Viszont amikor elkezdünk értelmet pakolni mögé, akkor a Big Datából gyorsan Smart Datat lehet csinálni.

A Cambridge Analytica is ezt tette. A modellezés során kialakították mindenkire vonatkozóan az OCEAN modellt, amit a Facebook-al integrálva egy szuperjól targetálható hirdetési és kampányfelületet kaptak.

trump-modell

Valamint ennél lényegesen többet. Ugyanis nem csak targetálni tudtak, de azt is látták, hogy van-e komoly eltérés a klasszikus közvéleménykutatási eredmények és az ő viselekdés alapú modelljük között. Ez kulcsfontosságú lesz ugyanis a későbbiekben.

Ami kifejezetten fontos volt a digitális Trump kampány számára, hogy ne csak a saját támogatókról legyen elérhető adatuk, hanem azokról is, akik:

  • nem fognak szavazni,
  • bizonytalanok vagy
  • inkább Clintont támogatják majd.

Ennek a klaszterezésnek később óriási szerepe lesz, ugyanis a választás előtti utolsó pár napig kívülről láthatatlan volt, hogy ezt miként fogják felhasználni. Utána viszont egyértelművé vált: itt egy nagyon tudatosan megtervezett kampányról volt szó, aminek csak a töredéke zajlott a felszínen.

Saját médiaeszközök szerepe

Ha szélesítjük a digitális marketing csatornák és advertising tech eszközök körét, akkor a fenti modellt még tovább lehet bővíteni. Ugyanis a kampány során egyéb adatforrások is rendelkezésre álltak, amiket valós időben is be lehetett építeni a fő modellbe. Itt third-party sütikre (cookie data) kell gondolni, email marketing kampányok megnyitási és kattintási adataira, saját weboldalakhoz és médiasite-okhoz kapcsolódó retargeting és Google Search-höz kapcsolódó remarketing (RLSA) listákra.

data-management-platform

Ezt pedig ki lehet egészíteni valódi, fizikai világból érkező adatokkal is (ki az aki elment egy eseményre, ki az aki biztosan pozitív szavazó, ki az aki bizonytalan, stb).

Ez elsőre elég bonyolultnak hangzik, mert valójában az is. De nézzük egy konkrét példát, ami segít megérteni a fenti modellt.

Választást akarok nyerni Wisconsin államban. Pénzért adatot vásárolok olyan szavazóképes emberekről, akik Wisconsinban élnek (bankoktól, biztosítóktól, piackutató és közvélemyénkutató cégektől, stb). Ez alapján létrehozok róluk egy kezdeti OCEAN modellt, amiben próbálom előre jelezni a viselkedésüket. Majd elkezdek saját oldalról is adatot gyűjteni róluk. A kampány során akár online, akár valamilyen offline eseményen feliratkoztatom a szimpatizánsokat egy hírlevélre. Az email címüket feltöltöm Facebookra és a saját adatmodellembe, és megpróbálom matchelni az adatokat. Ha ugyanaz az email címe mint amit Facebook-on használ (iparági adatok alapján 50-60%-ban egyezni szokott), akkor máris társítani tudtam konkrét embereket konkrét profilokhoz. Vagyis tudom, hogy ki az én szimpatizánsom, akinek hirdetni tudok Facebook-on. Legyen ez mondjuk 500 ezer ember.

De itt még nem állok meg. Kik azok akik bizonytalanok? Kik azok, akik fanatikusok?

Elkezdek kiküldeni kampány üzeneteket. Az 500 ezer emberből kik nyitják meg? Kik kattintanak a linkre? Kik adományoznak? Újabb adatpontokat nyertem.

Megyek tovább. Vannak saját weboldalaim, hozzám kapcsolódó hírportálok, ahol fut a Facebook retargeting pixel. Felmegy valaki a Breitbart oldalára mondjuk, akkor őket a Facebook eltárolja süti alapon. Nem kell mást tenni, mint összevetem a saját email alapú Facebook Custom Audience adatbázisomat azokkal, akik a Breitbart oldalán jártak az elmúlt időszakban. Ha nagy az ún. Audience overlap, akkor az azt jelenti, hogy az 500 ezer email címhez tartozó emberek nagy része olvassa az én szélsőjobbos agendámat erősítő oldalt. Akkor ez egy jó hely arra, hogy kampányüzeneteket juttassak át rajta.

Itt egy példa erre. Az egyik audiencemben 30 millióan vannak, a másikban 14 millióan. Vagyis 40%-os az átfedés köztük.

facebook-audience-overlap-tool-3

Tehát Facebook pixel adatok alapján a két közönség 40%-a egyezik meg. Ez olyan mintha azt mondanánk, hogy 40% az átfedés azok között akik mondjuk az index-et és a HVG-t egyaránt olvassák.

De meg is lehet fordítani a szituációt. Ki az, aki olvassa a Breitbart-ot, de nem tudtam még email cím alapján profilozni? Akkor nekik Facebook hirdetésen keresztül például lehet direkt módon kommunikálni.

Itt egy leegyszerűsített ábra egy három elemű modellről, ahol ott a kampányweboldal, egy ideológiában hozzá köthető híroldal és egy email cím gyűjtés.

digitalis-csatornak-talalkozasa

Ha megnézzük ezek kombinációját, akkor kampányidőszakban több célt is ki tudunk tűzni. Néhány példa:

digitalis-csatornak-talalkozasa-hirdetes

Bármelyik oldalról közelítjük a rendszert, mindenhol van teendő.

De mi van, ha százával vannak ilyen oldalaink? Akkor bár a modell kicsit bonyolultabbá válik, de ezeket mind össze lehet vetni, és szépen el lehet kezdeni építeni a saját szavazóbázist és a profiljukat.

A Trump kampány során több száz weboldalt hoztak létre, amelyeknek főleg az volt a célja, hogy adatot gyűjtsenek a felhasználókról és ez alapján klaszterezni és profilozni tudják őket. Több olyan fake news és kamuhír oldalt hoztak létre, amivel viszonylag jól tudták szegmentálni a velük szimpatizáló felhasználókat.

Prediktív téma-modellek

Ezeken az oldalakon keresztül pedig fel tudták azt is mérni, hogy a szavazókat milyen témák érdeklik és melyek nem. Így több hónapon keresztül monitorozták az alábbi témákat:

  • Fegyverviselés
  • Egészségügy
  • Oktatás
  • Kereskedelem
  • Államadósság
  • Bevándorlás
  • Jogbiztonság
  • Állambiztonság
  • Gyermekgondozás

Ezeket pedig párosították a megfelelő OCEAN modellel így születtek meg a prediktív téma modellek, amik az utolsó pár hétben nagyon komoly szerepet kaptak az aktivizálás során.

A rendszer működésének a háttere itt a lényeg.

A különböző forrásból érkező digitális nyomokból könnyen azonosítható egy felhasználó, akinek később célzott üzeneteket tudunk eljuttatni.

Digitális Kampánystratégia és micromessaging

A fenti módszer azonban nem csak arra volt jó, hogy a társadalom sokaságából kiszűrjék a szimpatizánsokat, hanem arra is, hogy azonosítsák az erőviszonyokat bizonyos területeken, megyékben, államokban.

Így jutott el oda a Trump kampánystáb, hogy több olyan államra is felfigyeltek, ami historikusan demokrata állam volt, ezért a Clinton kampány nem is koncentrált rá, mert bíztak a győzelemben. Viszont a háttérben az adatok azt mutatták, hogy nagyon magas a bizonytalan szavazók aránya és egy kis részvételű választás esetén akár át is billenthető a mérleg nyelve az ő oldalukra.

Pontosan emiatt a Trump kampány 5-ször is megjelent Wisconsinban, míg a Clinton kampány egyszer sem. Wisconsint Trump mindössze 50 ezer szavazattal nyerte meg. Ha nincs a háttéradat és a prediktiv analitika, akkor Clinton nyeri Wisconsint (és hasonlóan más ilyen államokat is), és Trump nem nyeri meg végül a választásokat.

Ezeknek a prediktív analitikai modelleknek is komoly matematikai és statisztikai háttere volt. Ennek köszönhetően tudatosan, államonként lebontva tudták előre jelezni, hogy ki kivel szimpatizál.

Preferencia alapján voltak akik:

  • Clinton-ra szavaznak
  • El lehet őket tántorítani hogy Clintonra szavaznak
  • Nem szavaznak soha Clintonra (de Trumpra se)

Másik oldalon:

  • Akik biztos Trumra szavaznak
  • GOTV (Go Out To Vote), akik Trump szimpatizánsok, de meg kell őket győzni hogy elmenjenek szavazni (aktivizálás)
  • Nem szavaznak soha Trumpra (de Clintonra sem)

Középen pedig, akik meggyőzhetőek és akik senkire nem fognak soha szavazni.

szavazati-preferencia

A képlet egyszerű volt. Növelni azok arányát, akik Trump szimpatizánsok, de nem biztos hogy elmennek szavazni. Náluk fontos volt, hogy a megfelelő témák a megfelelő célcsoporthoz jussanak el. Itt jött elő még ismét az OCEAN modell és a korábbi profilozás.

jelolt-preferencia-aktivizalas

Emellett növelni kellett a Clintonnal szimpatizánsoknál azt az arányt, akik ne menjenek el mégse szavazni. Őket kellett “meggyőzni”, hogy “ne menjenek el szavazni”.

Előbbi egy pozitív visszacsatolási folyamat, utóbbi egy negatív célú cselekmény. Utóbbira érdemes pár mondatot áldozni még.

Voter supression

Itt a Trump stáb egy lejárató kampányt indított Hillary Clinton ellen és egy korábbi nyilatkozatát forgatták ki, aminek így az lett az üzenete, hogy:

“Hillary Thinks African Americans are Super Predators”. Ezt egy South Park típusú animációs filmbe csomagolták és kizárólag azokat a célozták, akik Clintont támogatták volna, méghozzá azokban az államokban, ahol várhatóan szoros verseny ígérkezett. Ezt pedig dark Facebook postként hirdették, vagyis ezeket az üzeneteket kizárólag azok a választók látták, akiknek a stáb meg akarta mutatni (elsősorban afro amerikai nők voltak a célcsoport). Azoknak, akiket a meghatározott államban (pl Wisconsin) el akartak tántorítani attól, hogy Clintonra szavazzanak. Miért fontos ez? Mert ezzel elérték, hogy alacsony legyen a Clintonra eső szavazatok száma és így esélyük nyíljon megnyerni egy klasszikusan demokratának számító államot.

A voter supression nem más, mint a választók elnyomása és a választástól való távoltartás módszere. A gyakorlatban ez azt jelenti, hogy nem aktivizálni akarja egy párt a mellette szavazókat, hanem el akarja bizonytalanítani az ellenféllel szimpatizáló szavazókat. A végcél pedig az, hogy az ellenfél támogatói ne menjenek el szavazni, és alacsony részvételi arány alakuljon ki. Itt pedig a biztos szavazóbázisok harcában már ő kerüljön ki győztesen. Ez a módszer főleg akkor működik hatékonyan, ha nagyon szoros a verseny és néhány ezer vagy tízezer szavazaton múlik egy-egy választókerületben az eredmény. Az USA-ban pedig pont ez volt az eset nagyon sok államban.

Egyéb digitális megoldások

2016 júliusától egy mobilalkalmazás (Groundgame) is segítette a Trump stábot amit kiegészítettek térinformatikai vizualizációs megoldásokkal.

groundgame-alkalmazas

Ebben az alkalmazásban gyakorlatilag minden információt összegyűjtöttek a választókról, akiket akár utca szinten is azonosítani tudtak. Így pontosan tudták, hogy hol élnek és laknak azok, akik nyitottak a republikánus jelölt kampányának üzenetére és aktivizálhatóak a választás napján. Valamint az adatokat valós időben vissza is tudták küldeni a már korábban megismert modellbe. (Hasonló alkalmazása egyébként volt a Clinton stábnak is, de arról nincs információ, hogy ők is gyűjtöttek volna viselkedési információkat benne.

A fenti elemek és folyamatok persze nem pontszerűen jelentkeztek, hanem egy tudatosan felépített digitális kampány részei voltak. A választást megelőző 5 hónapot (2016 júliustól novemberig) szánta a kampánystáb, hogy kidolgozzon és megvalósítson mindent. A kampány során 26.5 millió dollárt pénzt és 950 ezer email címet gyűjtöttek, több mint 100 eseményt szerveztek, 1.4 milliárd hirdetést jelenítettek meg, hogy meggyőzzék a választókat (vagy épp bizonytalanná tegyék őket) és meg nem erősített források szerint csak az utolsó napokban 150 millió dollárnál is többet költöttek csak targetált Facebook hirdetésekre.

Implikáció más országokra

Pontosan ugyanebben a formában ez a rendszer vélhetően nem tud működni, de sok elemét biztosan fel fogják használni. Az egyik fő ok, hogy míg az Egyesült Államokban az adatkezelés terén ún „opt-out” módszer működik, addig az EU-ban és a világ számos egyéb részén „opt-in” módszerrel történik az adatgyűjtés. Ez főként a GDPR (General Data Protection Regulation), az Európai Unió egységes adatvédelmi rendelete életbe lépését követően lesz különösen fontos.

Ez a gyakorlatban azt jelenti, hogy az USA-ban viszonylag széles körben lehet adatot gyűjteni és azt el is lehet adni. Ha pedig szeretnél egy ilyen adatbázisból kikerülni, akkor neked kell azt „kérvényezni” (opt-out). Érdekesség még a modellben, hogy vannak olyan adatbázisok, ahol konkrétan fizetned kell érte, hogy kikerülj belőle.

Ezzel szemben az adatkezelési törvények Európában például sokkal szigorúbbak, tehát nem lehet csak úgy valakit berakni egy adatbázisba, hogyha ő kifejezetten nem járult ehhez hozzá (opt-in). És a GDPR óta a lehetőséget is meg kell adni, hogy onnan törölhesse vagy töröltethesse a felhasználó az adatait.

Viszont a modell többi része más országokban is működhet, sőt, néhol még akár hatékonyabban is mint itt.

Mit csinált rosszul Hillary Clinton?

Joggal merülhet fel bennünk a kérdés, hogyha Trumpnak lehetősége volt ilyen erőforrásokhoz hozzájutni, akkor miért nem tette meg ugyanezt Clinton is. A válasz az, hogy megtette. Ő is dolgozott egy big data céggel, a BlueLabs volt a partnere, emellett segített neki a Google és a Dreamworks is. Trump csapata egyszerűen csak hatékonyabban végezte a munkáját és jobban építette fel a stratégiát az utolsó napokra, hetekre.

Ezzel pedig megnyerte a 2016-os USA választásokat.

Források

Az anyag elkészítése során felhasználtam a Das Magazin cikkét, Michal Kosinksi előadását, a Vice elemző cikkét, Joel Winston cikkét, Alexander Nix előadását és számos egyéb online cikket, publikációt.

Emellett pedig köszönöm Papp Gábornak, aki segített megmutatni és megérteni a rendszer mögötti online megoldások (Facebook hirdetések, retargeting, audience insights) működését és kapcsolatát.


Hozzászólások

Moderáld magad – vagy mi fogunk. :)
Na jó, nem fogunk, szóval csak ésszel!