Hvorfor næringsliv og politikk må bryte avhengigheten av den tradisjonelle annonseringsmodellen

Valgteknikk: Hvordan politiske kampanjer bruker data, og AI Chris Wilson, administrerende direktør WPA Intelligence og tidligere sjef for analytics for Ted Cruz-kampanjen, forklarer hvordan modellering av valgdata fungerer.

Chris Wilson, administrerende direktør i WPA Intelligence snakket med Dan Patterson fra TechRepublic om hvorfor den tradisjonelle annonseringsmodellen ikke fungerer lenger. Her er samtalen deres:

Patterson: Vi møttes mens du var analytikksjef for Ted Cruz for President-kampanjen, og vi snakker om den digitale transformasjonen av politikk. Ikke egentlig politikk, men vi snakker slags kampanjer og taktikker, og hva virksomheter kan lære av å se hvordan disse hyperfokuserte kampanjene opererer i et slags binært gevinst eller tap-scenario gjennom dette valget.

Mer om cybersecurity

  • Cybersikkerhet i 2020: Åtte skremmende spådommer
  • De ti viktigste cyberangrepene i tiåret
  • Slik blir du en cybersecurity-proff: Et jukseark
  • Famous con man Frank Abagnale: Kriminalitet er 4000 ganger enklere i dag

Så, Chris, takk igjen for tiden din i dag. Jeg lurer på om vi på en måte kunne stoppe eller starte med den virkelige digitale transformasjonen på høyt nivå, og hvordan politiske kampanjer har utviklet seg de siste, til og med siden direktemeldingens dager, som virkelig var teknologi på 70-, 80- og 80-tallet. 90-tallet, til, nå har vi automatisering av maskinell maskin, prediktiv analyse og kunstig intelligens.

Wilson: Rett. Vel, tilbake til, og det er virkelig begynnelsen på å føre lister som i dag driver revolusjonen vi lever i som direktemelding. Det er antagelig det eneste området med tingene vi snakker om, som republikanere tok ledelsen, tilbake på begynnelsen av 80-tallet, under Ronald Reagan, og folk som Jesse Helms-maskinen, i Nord-Carolina, hvor de begynte å montere disse enorme lister, med det formål å bare gå ut. Det var på samme måte som versjonen, 1980-tallsversjonen av spam, der de bare sendte et brev til alle som noen gang hadde svart på noe, som fikk disse menneskene til å tro at de var konservative. Jeg sa, " tenk, " fordi det var som folk lærte, i stedet for maskinlæring. Så nå som vi har flyttet fra dagene til de listene som kan ha hatt noen forskjellige meninger om, eller fordi de abonnerte på Reader's Digest, at det var en antakelse om at de kunne lære seg konservative. Eller så fikk de Paul Harvey-nyhetsbrevet, for å virkelig gå på en gammel skole her, for at de kan være konservative.

De legger dem videre til en utsendelse til Ronald Reagan, eller National Conservative, NCPAC, var noen av lederne i dette. Eller jeg har allerede sagt, Jesse Helms 'konservative caucus, nede i North Carolina, og muligheten til å begynne å sette sammen disse listene. Men du tar listene, som kan ha hatt to eller tre navn på dem, og Juni og jeg diskuterte, da vi ble sammen i Cleveland, utviklingen av filene som gjør det mulig for oss å bruke maskinlæring for å knuse data, og flytte til den moderne dagen, og implikasjonene av 2018.

Den har vokst eksponentielt, til der, til og med så sent som i 2010, en godt vedlagt valgfil ville ha, kanskje 200 stykker data fra første-, andre- og tredjepart om den. Og så, i '14, vokste den til omtrent 400, og i '16 vokste den til rundt 800, og deretter, 2016, når jeg spilte rollen, som du har nevnt for Ted Cruz, som direktør for analyse, vi hadde nesten 5000 stykker data fra første-, andre- og tredjepart om det meste av vår velgerfil.

Og jeg sier, det meste, det ville være en republikansk fil. Vi gjorde det ikke ut av primærene, dessverre. Jeg går fremdeles gjennom rådgivning for det, men jeg kommer over det snart. I løpet av 2018, når noen viktige avgjørelser er tatt av Google, som lar oss samsvare med velgerfilen, av flere andre enheter som har tillatt oss å utvide filene våre ved spredning av quiz-apper. Det er som om alle kommer til å bruke tid på å svare på trivia og gjøre quizer, og alt det der.

Eller, ikke alt det, men mye av det kommer tilbake, og evnen til oss til å bruke alle dataene som er nå, i noen tilfeller. Jeg mener, vi har noen filer som overstiger titusenvis, og til og med i stater der vi vil gjøre mye arbeid, bygger vi modeller på toppen av modeller, hundretusenvis av biter av underliggende data, og bruker maskinlæring, for Hensikten med å finne trendene, og se etter sammenhenger, og ikke lenger bry seg om årsakssammenhenger som lar oss virkelig gå inn på neste nivå, er, det er en slags spennende ting.

Jeg hadde faktisk en samtale med en annen journalist i morges om dette. Jeg mener, muligheten til å komme med spådommer i 2018 er god for en innrammingskampanje, selv ned til det statlige rep-nivået. Dette pleide å bare gjøres på presidentnivå, og nå gjør vi det for statlige rep-kampanjer. 6. mars er den republikanske primæren, eller de primære i Texas. Jeg jobber for mange statlige representantkandidater som virkelig bruker nivåer av maskinlæring og prediktiv analyse som ikke ble brukt av Romney-kampanjen i 2012, bare på grunn av Moore's Law, og enorme datamengder er avsluttet.

Patterson: Ja, det er når du zoomer ut litt, det er lett å slags følge kampanje-til-kampanje, og se de iterative fremskrittene gjøre store skritt. Jeg lurer på om vi kunne åpne opp en velgerfil et sekund. Jeg mener at du ikke overdriver når du snakker om titusenvis av data som er lagt til på en person.

Selv når jeg bruker et verktøy som L2, som lar meg se ganske mye informasjon, hva kan kampanjer lære om en velger, og hvordan konverterer de informasjonen til handling? Jeg er sikker på at seeren på en måte kan forstå. Vel, hvis du driver en bedrift og reklamerer for egen markedsføring, vil du slags ha samme type data og konvertere publikum til en slags handling.

Wilson: Det er vanskelig for meg å tenke utenfor mål, fordi kundene mine her for å nå et spesifikt mål.

Patterson: Visst.

Wilson: I 2016 var det for å få Ted Cruz valgt. Vi vant den republikanske primæren. Vi gjorde det bra, vi kom på andreplass, men vi vant ikke. Så antar jeg at jeg mislyktes med det, men når vi går inn i 2018, ansetter kundene mine meg for å enten bli valgt eller bli gjenvalgt. Og så, mitt mål i 2018, og jeg skal snakke om dette fra en bedriftsvinkel, hver for seg.

Målet mitt i 2018, på republikansk side, er å finne de velgerne som viste seg i 2010, og 2014 og 2016, som stemte for Donald Trump. Det er mange nye velgere som avgir stemmesedler i stater som Ohio og Pennsylvania, Iowa og Wisconsin og Florida, for Donald Trump, som hadde stemt for Barack Obama, eller ikke har stemt i det hele tatt i forkant av presidentvalget.

Så det er mitt mål å finne disse. For å gi deg et eksempel på hvor lite oppmerksomheten vår er mot det, som du vet, gjør jeg mye arbeid i Texas. Jobber fortsatt for Ted Cruz, jobber for Greg Abbott. Jeg kan si deg, i delstaten Texas, det er 2.068.746 velgere som for øyeblikket ikke planlegger å stemme i 2018. Som, hvis de stemmer, vil stemme på Ted Cruz, Greg Abbott, Will Hurd, John Culberson, Pete Session.

Dette er tre seter som Hillary Clinton vant, som republikanere som er sittende, må gjenvelges i. Det er nivået på minuttdetaljer som vi kommer til. Filen og de underliggende dataene som ligger bak er det som gjør at vi kan gjøre disse spådommene. Forskjellen mellom å gjøre disse spådommene i 2018, og det er dette som er viktig for kundene mine, tror jeg, i 2016, er nøyaktigheten og kornulariteten i prediksjonen.

Nå er det langt mer som går inn på det. Hvordan motiverer vi dem? Hva sier vi til dem? Hva er det vi vet om dem? Hvordan når vi dem? Noe av det vi bare ikke kan, det ville være kriminelt å ikke snakke om, på en podcast, sendt som din, er å snakke om utviklingen til hvordan folk mottar informasjon.

I 2020, ved neste presidentvalg, vil 54% av amerikanerne være det som er kjent som ledningsskjærere. Det betyr at de mottar TV-en fra Sling TV, DIRECTV NU, PlayStation, Hulu, ting som YouTube TV.

Så har du 37% som abonnerer på tradisjonell og streaming, og da, 9% som aldri har, det har aldri vært en ledning, som aldri har hatt kabel eller satellitt i det hele tatt. Så du har snorer, du har ledningsnevere, og du har de som er i ferd med å gjøre evolusjonen. Du legger dem sammen, som ikke etterlater mange mennesker du bare kunne nå gjennom tradisjonell reklame. Jeg tror den tradisjonelle annonseringsmodellen er i ferd med å bryte, og alle som ikke tilpasser seg seg det, enten det er politisk eller selskapelig, kommer til å finne seg selv igjen, og vi bruker mye penger på å nå ut til mange mennesker.

60 måter å få mest mulig ut av big data-initiativene dine (gratis PDF) (TechRepublic)

Patterson: Ja, og noen av disse teknologiene, som OTT, er koblet med målrettingsverktøy. Den ene er bygget av Zach Moffitt, og andre som har en stamtavle i politisk teknologi, og som på en slags måte har overbrukt gapet til privat sektor. Chris, jeg lurer på om du kan la oss få litt innsikt i teknologien, de faktiske teknologiske verktøyene som blir brukt ved årets valgperiode, og hva slags teknologier vi kan forvente, når velgerne tar beslutninger, og når de drar i spaken i november?

Wilson: Vel, jeg vil fortelle deg hva som vil fungere i det hele tatt. For dessverre inviterer ikke alle vennene mine på BlueLab og Synthesis Analytics, som er versjonene av oss til venstre, meg inn på kontoret deres for å se på de nye verktøyene deres. Men jeg vet at de sannsynligvis gjør det samme, om ikke mer, der borte, fordi de har en tendens til å ha litt større budsjetter enn vi gjør, tro det eller ei.

Noen av tingene vi jobber med er, målet vårt er å være en slags miljø Netflix eller Amazon for republikanske kampanjer. Det jeg mener med det er, på samme måte som Amazon kan forutsi når du er i ferd med å gå tom for sjampo, eller Netflix spår hva du vil se neste på TV, de blir ganske flinke til det.

Det er det vi prøver å gjøre, og bygger kunstig intelligens inn i databasen vår, som vi kaller Archimedes: " Gi meg en spak, så kan jeg bevege verden ." Vi bygger, og vi har, bygger APIer, med all rett for sentrum av teknologiprogrammer. Du nevnte Zach Moffitt.

Hos Targeted Victory, Michael Beach, hans tidligere partner på Cross Screen, som har en annen type verktøy, er det dypt rotingsmålretting, alle de tingene vi kan bygge og deretter, gestisere det til, og bestille, sende data ut igjen, og kunne komme med spådommer om velgere på sanntidsbasis. Fordi, og på samme måte som produktbehov eller TV-ønske om endringer raskt endres, så gjør hvilke stillinger, hvilke spørsmål, som vil motivere deg til å slå ut og stemme og stemme på en bestemt kandidat.

Så det er målet vårt, å kunne bygge den samme typen prediktive analyser, den samme typen prediktive teknologier, den samme typen kunstige læringsteknologier i verden vi har, slik at vi kan jobbe tilbake med kampanjer, innta alle dataene sine veldig raskt, for å kunne snu og gi dem en kjærlighet til prediksjon ned til det eneste, omvendte velgernivået, som vil tillate dem å ta beslutninger om hvem de snakker med, og hva de sier til den velgeren.

Jeg føler at hvis vi kan gjøre det, så vil vi ha gått en god vei mot å bygge bro mellom gapet, mellom hvor vi er i dag, og hvor vi trenger å være, inn i 2020.

Cybersecurity Insider Nyhetsbrev

Styrke organisasjonens IT-sikkerhetsforsvar ved å holde deg oppdatert om de siste nettbaserte sikkerhetsnyhetene, løsningene og beste praksis. Leveres tirsdager og torsdager

Registrer deg i dag

Se også:

  • Google: Russiske grupper brukte annonsene våre og YouTube for å påvirke valget i 2016 (ZDNet)
  • Facebook: Cambridge Analytica tok mye mer data enn først antatt (ZDNet)
  • Facebook, Twitter tar sikte på å smette unna regulatorer ved å regulere seg selv (CNET)
  • Google: Russiske grupper brukte annonsene våre og YouTube for å påvirke valget i 2016
  • Facebook, Google, Twitter kjører for å vitne under Russland-høringer (ZDNet)
  • Cambridge Analyticas Facebook-spill i politikk var bare begynnelsen, bedriften var den neste (TechRepublic)
  • Brøt Russlands valg hacking internasjonal lov? Til og med ekspertene er ikke sikre (ZDNet)
  • Trump støtter seg fra 'ugjennomtrengelig cyber-enhet' med Russland (ZDNet)
  • Mistenkt om hvitvasking av Bitcoin fanget i USA, Russland utleveringsspett (ZDNet)

© Copyright 2020 | mobilegn.com