I detta avsnitt diskuteras utifrån Adoveos perspektiv vilken affärsnytta som skulle ges av att man inkorporerar en teknik för att detektera bottar i sin tjänst. Analysen görs utifrån tre olika perspektiv; konsumenterna som tittar på reklamen och deltar i tävlingarna, annonsörerna som ställer ut själva reklamen och konkurrenter till Adoveo.
5.7.1 Affärsnytta gentemot konsumenter
För konsumenterna är en motverkning av bottar viktigt för att integriteten hos täv-lingarna ska säkerställas. Om det blir allmänt känt att bottar utnyttjar systemet för att vinna alla de större priserna kommer intresset för att delta snabbt att sjun-ka, vilket är starkt negativt för Adoveos värdeerbjudande. På samma sätt skulle ett säkrare system för att hindra fuskare istället kunna öka deltagandet eftersom konsumenter då kommer veta att de har en större möjlighet att vinna värdefulla priser. Detta skulle även kunna uppmuntra ärliga tävlingsförsök där man faktiskt försöker svara på frågorna, istället för att konsumenter tänker att de måste anta ett botliknande beteende för att ha en chans att vinna. Ifall Adoveo skulle göra tillägg i sin tjänst för att motverka bottar är det samtidigt viktigt att det görs på ett icke påträngande sätt för att undvika att de riktiga konsumenterna upplever dessa mo-ment som störande. Annars riskerar man att åtgärdernas negativa konsekvenser för användarupplevelsen överväger nyttan och att konsumenter därmed istället skräms bort trots att man har tävlingar som är säkra mot bottar. Det är viktigt att ha i åtanke att man i slutändan fortfarande bedriver marknadsföringskampanjer och att själva marknadsföringseffekten bör prioriteras framför att ha helt botsäkrade tävlingar.
KAPITEL 5. DISKUSSION OCH SLUTSATSER 25
5.7.2 Affärsnytta gentemot annonsörer
Annonsörerna är givetvis intresserade av att deras reklam ska nå så många som möj-ligt. Eftersom en ökad affärsnytta gentemot konsumenter innebär att fler kommer vilja delta i reklamtävlingarna så kan detta därför även ses som en ökad affärsnytta gentemot annonsörer. Genom botsäkra tävlingar kan annonsörer dessutom vara säk-ra på att desäk-ras priser kommer gå till riktiga konsumenter och därigenom sannolikt också kommer spridas ut till ett större antal personer istället för att koncentreras till ett fåtal botanvändare. Följaktligen skulle den virala marknadsföringseffekten styrkas eftersom det då finns fler vinnande konsumenter som kommer bidra till en ”word of mouth” spridning (Lovett et al., 2013). För Adoveo skulle dessa fördelar i förlängningen leda till att man kan ta en ökad premie vid försäljningen av sin tjänst på grund av mervärdet av botsäkrade tävlingar samt den ökade differentieringen som det ger. Lönsamheten för deras verksamhet skulle alltså kunna öka.
5.7.3 Affärsnytta gentemot konkurrenter
Det finns tre huvudsakliga konkurrensstrategier; kostnadsledarskap, differentiering och fokusering (Porter, 2008). Adoveos konkurrenskraft härstammar från den andra av dessa, nämligen differentiering. De säljer en unik och innovativ tjänst som är i teknologisk framkant, som ingen annan på marknaden tillhandahåller. Konkurren-ter finns därmed främst i form av substitut, vilket exempelvis kan vara all annan slags reklam, men även i form av nya aktörer som försöker bryta sig in på Adoveos marknadssegment.
Affärsnyttan av botsäkrade tävlingar gentemot substitutprodukter kommer från att man gör sin produkt ännu unikare och utökar mervärdet som redan finns. För-säljningspitchen mot annonsörer blir därmed starkare eftersom man kan visa upp en större originalitet och samtidigt som man eliminerar en av sina svagheter så om-vandlar man det till något som istället är en styrka. Detta är också en svaghet som många av substituttjänsterna har, eftersom bottar är något som påverkar all slags digital marknadsföring och riskerar att dränera annonsörers reklamkassor genom att ge upphov till falska klick. Det speciella med Adoveos tävlingselement är att det ger tillgång till fler parametrar, vilket gör att man enklare kan detektera och förkasta bottarnas klick.
Affärsnyttan gentemot nya aktörer som aspirerar att bli verksamma inom samma nisch som Adoveo ges framför allt i form av ökade inträdesbarriärer. Att skapa botsäkra tävlingar kommer kräva en hel del resurser och kommer i synnerhet om denna nisch växer allt snabbare bli en nödvändighet. Detta eftersom ifall det finns så pass många av dessa kampanjer med tävlingselement att botskapare dagligen kan vinna priser för tiotusentals kronor, så kommer incitamentet vara så pass stort att tävlingarna i allt större utsträckning skulle börja domineras av bottar. Nya aktörer kommer därmed behöva spendera tid och pengar på det innan de i detta
KAPITEL 5. DISKUSSION OCH SLUTSATSER 26
avseende kan börja ses som en likvärdig konkurrent. Ifall konkurrenters tävlingar inte är botsäkrade kommer Adoveo kunna fortsätta konkurrera med differentiering även inom sin nisch, vilket möjliggör ökade priser samt gör att de uppfattas som det självklara valet. Oavsett hur nya aktörer väljer att hantera detta så kommer Adoveo ha cementerat sitt ”first mover advantage” (Lieberman and Montgomery, 1988) och produktledarskap genom att botsäkra sina tävlingar redan nu i ett tidigt skede.
Litteraturförteckning
M. Amer and M. Goldstein. Nearest-neighbor and clustering based anomaly de-tection algorithms for rapidminer. In Proc. of the 3rd RapidMiner Community
Meeting and Conference (RCOMM 2012), pages 1–12, 2012.
P. Berkhin. Grouping multidimensional data. Recent Advances in Clustering, pages 25–71, 2006.
N. Bostrom and E. Yudkowsky. The ethics of artificial intelligence. The Cambridge
Handbook of Artificial Intelligence, pages 316–334, 2014.
M. M.-T. Chiang and B. Mirkin. Intelligent choice of the number of clusters in k-means clustering: an experimental study with different cluster spreads. Journal
of classification, 27(1):3–40, 2010.
N. Daswani, C. Mysen, V. Rao, S. Weis, K. Gharachorloo, and S. Ghosemajumder. Online advertising fraud. Crimeware: understanding new attacks and defenses, 40(2):1–28, 2008.
E. Flood and J. Karlsson. Browser fingerprinting. 2012.
M. Hasanlou and F. Samadzadegan. Comparative study of intrinsic dimensionality estimation and dimension reduction techniques on hyperspectral images using k-nn classifier. IEEE Geoscience and Remote Sensing Letters, 9(6):1046–1050, 2012.
IRM. Marketing Investment Sweden 2015. http://www.irm-media.se/ in-english/marketing-investment-sweden-2015, 2015. Hämtad 20/2-2017. M. B. Lieberman and D. B. Montgomery. First-mover advantages. Strategic
mana-gement journal, 9(S1):41–58, 1988.
Lotteriinspektionen. Skillnaden mellan lotteri och tävling. https://www. lotteriinspektionen.se/globalassets/dokument/informationsdokument/ skillnaden-mellan-lotteri-och-tavling.pdf, 2016. Hämtad 10/4-2017. M. J. Lovett, R. Peres, and R. Shachar. On brands and word of mouth. Journal of
Marketing Research, 50(4):427–444, 2013.
LITTERATURFÖRTECKNING 28
I. G. Maglogiannis. Emerging artificial intelligence applications in computer
engi-neering: real word AI systems with applications in eHealth, HCI, information retrieval and pervasive technologies, volume 160. Ios Press, 2007.
G. W. Milligan and M. C. Cooper. A study of standardization of variables in cluster analysis. Journal of classification, 5(2):181–204, 1988.
T. Mitchell. Machine Learning. McGraw Hill, 1997.
I. B. Mohamad and D. Usman. Standardization and its effects on k-means clustering algorithm. Research Journal of Applied Sciences, Engineering and Technology, 6 (17):3299–3303, 2013.
A. Neal, S. Kouwenhoven, and O. SA. Quantifying online advertising fraud: Ad-click bots vs humans. Technical report, tech. rep., Oxford Bio Chronometrics, 2015. R. J. Oentaryo, E.-P. Lim, M. Finegold, D. Lo, F. Zhu, C. Phua, E.-Y. Cheu, G.-E.
Yap, K. Sim, M. N. Nguyen, et al. Detecting click fraud in online advertising: a data mining approach. Journal of Machine Learning Research, 15(1):99–140, 2014.
F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, et al. Scikit-learn: Machine learning in python. Journal of Machine Learning Research, 12(Oct):2825–2830, 2011.
M. E. Porter. Competitive strategy: Techniques for analyzing industries and
compe-titors. Simon and Schuster, 2008.
A. D. Pozzolo. Adaptive machine learning for credit card fraud detection. PhD thesis, Université libre de Bruxelles Computer Science Department, 2015. PWC. IAB internet advertising revenue report: 2015 full year
re-sults. http://www.iab.com/wp-content/uploads/2016/04/IAB_Internet_ Advertising_Revenue_Report_FY_2015-final.pdf, 2015. Hämtad 20/2-2017. F. E. Ritter and L. J. Schooler. The learning curve. International encyclopedia of
the social and behavioral sciences, 13:8602–8605, 2001.
P. J. Rousseeuw. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of computational and applied mathematics, 20:53–65, 1987.
A. L. Samuel. Some studies in machine learning using the game of checkers. IBM
Journal of research and development, 3(3):210–229, 1959.
Scikit-Learn. Gaussian mixture models. http://scikit-learn.org/stable/ modules/mixture.html., 2016. Hämtad 2017-02-28.