Et sted mellem 40.000 til 50.000.
Så mange reklamevarianter på Facebook kørte Donald Trumps præsidentkampagne hver eneste dag. Det fortalte Gary Coby, chefen for advertising hos Republican National Committee, i en artikel i magasinet Wired i november 2016. Med Cambridge Analyticas personprofilering samt Facebooks egen Custom Audiences og Lookalike Audiences blev annoncerne rettet mod specifikke personkategorier, såkaldt 'micro-targeting'.
Det foregik i et konstant feedback-loop, hvor der blev testet, hvilke varianter der virkede bedst og skabte mest engagement. Ifølge Gary Coby kørte kampagnen hele 175.000 reklamevarianter én enkelt dag i forbindelse med den tredje præsidentkandidat-debat, der fandt sted i oktober 2016.
Hvordan det foregik i praksis, har hidtil været en hemmelighed, men takket være et ubeskyttet kode-repository, som sikkerhedsforskeren Chris Vickery fra sikkerhedsfirmaet Upguard fandt frem til, kender vi lidt mere til nogle af de værktøjer, som Cambridge Analytica og valgkampagnerne havde til rådighed.
Som mange ting i forbindelse med Cambridge Analytica er historien lidt kompliceret.
Det canadiske datafirma Aggregate IQ (AIQ) udviklede software til håndtering af vælgerdata og online-annoncer for data science-virksomheden Cambridge Analytica. AIQ solgte softwaren og konsulentassistance - i form af dataanalytikere og digitale kampagnemedarbejdere - videre til eksempelvis den amerikanske senator Ted Cruz, som var med i opløbet om at blive Republikanernes præsidentkandidat. Da Donald Trump blev valgt til Republikanernes præsidentkandidat, begyndte Cambridge Analytica at arbejde for ham.
Ripon
Blandt værktøjerne, som AIQ udviklede til Cambridge Analytica, var en kampagneplatform kaldet Ripon (navngivet efter byen Ripon i Wisconsin, hvor Det Republikanske Parti blev grundlagt) til brug i de republikanske præsidentkandidaters kampagner.
Chris Vickery beskriver indholdet af kode-repository'et som værende en samling af ”applikationer, data management-programmer, reklametrackers og informationsdatabaser, som samlet kunne anvendes til at ramme og påvirke individer via en række metoder, inklusive automatiske telefonopkald, e-mails, politiske websites, og Facebook-annoncer.”
På Ripon-platformen er der blandt andet mulighed for at søge efter folk baseret på deres psykologiske profil. Cambridge Analytica anvendte de 87 millioner Facebook-brugeres data til at opbygge en model baseret på den såkaldte OCEAN-model (se boks), hvor folks psykologiske profil bestemmes ud fra deres digitale fodaftryk som eksempelvis deres likes på bestemte Facebook-sider. Har du de samme side-likes som en åben, ekstrovert, følelsesmæssigt stabil og samvittighedsfuld person, så har du med en vis sandsynlighed samme psykologiske profil. De underliggende data til Ripon var ikke i kode-repository'et, men Chris Vickery kunne se, at Ripon var bygget til blandt andet at lave søgninger på forskellige kombinationer af psykologiske karakteristika fra OCEAN-modellen.
Persontyper identificeres
Ifølge Chris Vickery og hans teams gennemgang af koden består Ripon af tre hovedmoduler: Monarch, Saga og Duke. Det overordnede formål er at have mulighed for at tracke enkeltpersoners præferencer og adfærd på Facebook og andre websites.
Saga-modulet indeholder blandt andet Python-scripts, som automatiserer oprettelse, analyse og målretning af annoncer. Ved hjælp af de scripts er det muligt for en lille håndfuld folk at håndtere en lang række Facebook-annoncekonti, hvor hver enkelt konto kan have sit eget kreative indhold og veldefinerede målgruppe. Målgruppen kan være en bestemt persontype med bestemte psykologiske karaktertræk baseret på OCEAN-modellen. Folk i den målgruppe kan så rammes med Facebook-annoncer, og ved hjælp af Facebooks egen Lookalike Audiences kan tilsvarende personer, som Cambridge Analytica ikke havde data på, også rammes. Ved hjælp af geo-targeting er det muligt at målrette annoncerne til specifikke områder og adresser.
Monarken og bønderne
Mens Saga er et værktøj, der holder øje med, hvornår en bruger fra målgruppen klikker på en Facebook-annonce, så er Monarch beregnet til at holde øje med, hvad der sker derefter. Det giver mulighed for et mere komplet billede af brugerens adfærd. Monarch-modulet består af flere del-projekter, hvor de mest interessante er “Jewel,” “Peon,” and “Peasant”.
Jewel er, hvad Chris Vickery kalder en ukompliceret pixel tracking-applikation. Den består af en enkel webserver, der sender en 1x1 pixel .png-fil. Når den praktisk taget usynlige .png-fil indlejres på en webside, og siden loades af en besøgendes browser, så sendes en lille datapakke til Amazon Web Services SQS (Simple Queue Service), så eventen registreres. De events bliver løbende behandlet af Peon, der er en lille samling af værktøjer til at importere og analysere indsamlede data.
Der er en muncher, som tager de Jewel-genererede events fra SQS og lægger dem ind i en Mongo-database. Andre scripts er designet til at lokalisere og sammenkæde individuelle personer til de tracking-events, som opsamles via SQS. Synergy er designet til at synkronisere tracking-data med Saga-annonceplatformen.
Det skaber et perfekt feedback-loop: Ved hjælp af tracking af brugernes adfærd på forskellige websites kan Facebooks målrettede annoncer potentielt raffineres på baggrund af viden om de specifikke brugeres adfærd på websites med Jewel-trackere.
Peasant er en mere sofistikeret tracking-applikation end Jewel. Den giver mulighed for mere specifik tracking af brugerens adfærd og genererede events på websites, som har tracker-pixelen.
I kode-repository'et fandt Chris Vickery test-cases, der aftester, at events på websites som formularindsendelse, videoafspilning, scrolling til bunden af en side, som indikerer, at brugeren har læst siden, og bekræftelse på donationer, kan registreres ved hjælp af Peasant.
Dystre overtoner
Så værktøjerne kan bruges til at finde ud af, om brugeren læste en eller flere sider på et site, donerede penge til en kandidat, så en video, hvor lang tid en bruger tilbragte på et site og så videre. Kombineret med en database med detaljerede personprofiler kan annoncer rettes til en bestemt målgruppe, effekten af annoncen måles, hvorpå annoncen tilrettes, og derefter måles annoncens effektivitet igen – et feedback-loop, hvor annoncens udformning løbende fintunes for optimal effekt.
Det lyder som det perfekte system-setup, hvis du er politiker under en valgkampagne.
Du har detaljerede profiler for alle registrerede vælgere, så du kan udforme annoncer, der tilpasses deres præferencer – og sårbarheder. Systemet giver dig også automatisk feedback på, hvor effektive annoncerne er over for en given målgruppe, så du kan tilrette annoncerne, så de virker endnu bedre. Her holder automatikken dog op.
Der er ingen automatisk udformning eller tilretning af annoncer til en bestemt målgruppe. Det skal ske manuelt. Men som softwaren fra Aggregate IQ viser, kan en lille håndfuld folk oprette en lang række Facebook-annoncekonti, som hver især har annoncemateriale, der er tilpasset en målgruppe som Family Matter Most eller Status Seeking Singles, der begge er målgrupper fra Experians Mosaic-kundesegmentering. På basis af målinger af annoncens effektivitet kan annoncerne for hver målgruppe justeres, eksempelvis med ændring af farvetone, ordlyd eller andet.
For folk med kendskab til digitale annoncekampagner er det ikke en stor overraskelse, at den slags værktøjer findes og benyttes i stor stil, men når det gælder politisk annoncering i et miljø, hvor misinformation og fake news anses som midler til at opnå politiske mål, får det mere dystre overtoner.