"The use of behavioral targeting practices provides ad networks with the opportunity to tailor ads to the individual characteristics of users. As privacy concerns over behavioral targeting have been growing lately, an increasing number of ad networks offer ad preferences managers (APMs) that show collected and/or inferred information about users. The focus of our study is to investigate the accuracy and completeness of the information contained in such APMs. On the basis of our experimental results, we propose a structured methodology for APM validation. We also assess how third parties render ads based on users’ browsing behavior. Our findings reveal cases in which even sensitive information is leaked as part of an HTTP header and is used to serve ads on multiple sites. The third parties examined in this study include an intent-focused data exchange (BlueKai) and a social network (Facebook) along with the ad networks owned by AOL, Google, and Yahoo!."

Redes de Anúncios (Ad Networks) são redes que promovem a distribuição de anúncios pela internet, de forma a maximizar o lucro total gerado pela exibição dos anúncios nos websites. Estas redes tipicamente operam através do modelo de negócios chamado CPC (Custo por Clique), em que o anunciante paga um determinado valor somente se algum usuário clicar em seu anúncio. A escolha de como o intermediador planeja a distribuição dos anúncios aos websites é de extrema importância, já que a taxa de cliques nos anúncios é extremamente baixa. Atualmente a alocação dos anúncios tem sido feita através de uma solução aproximada baseada na alocação ótima definida com dados de um período anterior, a qual é calculada através de programação linear aliada à utilização de heurísticas. Entretanto, este sistema claramente é um processo de decisão sequencial em que diversas restrições são aplicáveis, como por exemplo: o orçamento dos anunciantes, limites mínimos do número de exibições de cada anúncio, categorias dos anúncios, entre outras. Neste trabalho argumenta-se que MDPs (Markov Decision Processes) fornecem uma melhor modelagem para o problema, já que conseguem levar em conta a dinâmica do sistema, considerando, por exemplo, que um anúncio que tem poucas chances de ser clicado consiga ser alocado de forma eficiente em relação ao retorno de longo prazo, mesmo quando outros anúncios proveriam um lucro maior a curto prazo. No entanto, devido ao grande número de estados, utilizar uma solução ótima através de MDPs é impraticável. Portanto analisa-se o desempenho relativo entre o estado da arte e a modelagem ótima, obtendo garantias de que a solução aproximada baseada em programação linear não está longe da solução ótima, e que em problemas grandes (similares aos encontrados na prática) essa diferença pode ser ignorada. Por fim, propõe-se uma modelagem baseada em aprendizado por reforço para a solução deste problema, utilizando duas abordagens, uma desconsiderando informações de contexto e outra considerando informações de contexto. Aqui argumenta-se que o uso de aprendizado por reforço é mais apropriado para a solução do problema de alocação de anúncios, já que ele é capaz de adaptar sua política de alocação em função das mudanças que ocorrem como, por exemplo, no perfil do usuário. / Ad Networks promote the distribution of ads in the internet, so as to maximize the revenue generated by their display of ads in websites. These networks typically operate using the CPC (Cost per Click) business model, where the advertiser pays a monetary value when a user clicks in its advertisement. The choice of how the Ad Network distributes ads to websites is of utmost importance, since the rate of clicks on ads is extremely low. The allocation of ads has been done by an approximate solution based on data from an early period of time, which is calculated using linear programming combined with heuristics. However, this problem is clearly a sequential decision process in which multiple sequential restrictions apply, such as: the budget of the advertisers, minimum limits on the number of views for each campaign, categories of advertisements. In this dissertation we argue that MDPs (Markov Decision Processes) provide a better model for the problem, since they can automatically take into account the dynamics of the system, considering, for example, an ad with little chance of being clicked can be allocated in an efficient way, even when other ads would provide a higher profit in the short term. However, due to the large number of states, an optimal solution through MDPs is impractical; therefore we analyze here the relative performance between the linear programming and the MDP approaches, deriving guarantees that the approximate solution based on linear programming is not far from the MDP optimal solution, and in large problems (similar to those found in practice) this difference can be disregarded. Finally, we propose a model based on reinforcement learning using two different approaches, one disregarding the contextual information, and the other using contextual information. We argue that the use of reinforcement learning is more suitable for solving the problem of allocation of ads, since it is able to adapt its allocation policy to reflect changes that occur, e.g., in the user profile.

Redes de Anúncios (Ad Networks) são redes que promovem a distribuição de anúncios pela internet, de forma a maximizar o lucro total gerado pela exibição dos anúncios nos websites. Estas redes tipicamente operam através do modelo de negócios chamado CPC (Custo por Clique), em que o anunciante paga um determinado valor somente se algum usuário clicar em seu anúncio. A escolha de como o intermediador planeja a distribuição dos anúncios aos websites é de extrema importância, já que a taxa de cliques nos anúncios é extremamente baixa. Atualmente a alocação dos anúncios tem sido feita através de uma solução aproximada baseada na alocação ótima definida com dados de um período anterior, a qual é calculada através de programação linear aliada à utilização de heurísticas. Entretanto, este sistema claramente é um processo de decisão sequencial em que diversas restrições são aplicáveis, como por exemplo: o orçamento dos anunciantes, limites mínimos do número de exibições de cada anúncio, categorias dos anúncios, entre outras. Neste trabalho argumenta-se que MDPs (Markov Decision Processes) fornecem uma melhor modelagem para o problema, já que conseguem levar em conta a dinâmica do sistema, considerando, por exemplo, que um anúncio que tem poucas chances de ser clicado consiga ser alocado de forma eficiente em relação ao retorno de longo prazo, mesmo quando outros anúncios proveriam um lucro maior a curto prazo. No entanto, devido ao grande número de estados, utilizar uma solução ótima através de MDPs é impraticável. Portanto analisa-se o desempenho relativo entre o estado da arte e a modelagem ótima, obtendo garantias de que a solução aproximada baseada em programação linear não está longe da solução ótima, e que em problemas grandes (similares aos encontrados na prática) essa diferença pode ser ignorada. Por fim, propõe-se uma modelagem baseada em aprendizado por reforço para a solução deste problema, utilizando duas abordagens, uma desconsiderando informações de contexto e outra considerando informações de contexto. Aqui argumenta-se que o uso de aprendizado por reforço é mais apropriado para a solução do problema de alocação de anúncios, já que ele é capaz de adaptar sua política de alocação em função das mudanças que ocorrem como, por exemplo, no perfil do usuário. / Ad Networks promote the distribution of ads in the internet, so as to maximize the revenue generated by their display of ads in websites. These networks typically operate using the CPC (Cost per Click) business model, where the advertiser pays a monetary value when a user clicks in its advertisement. The choice of how the Ad Network distributes ads to websites is of utmost importance, since the rate of clicks on ads is extremely low. The allocation of ads has been done by an approximate solution based on data from an early period of time, which is calculated using linear programming combined with heuristics. However, this problem is clearly a sequential decision process in which multiple sequential restrictions apply, such as: the budget of the advertisers, minimum limits on the number of views for each campaign, categories of advertisements. In this dissertation we argue that MDPs (Markov Decision Processes) provide a better model for the problem, since they can automatically take into account the dynamics of the system, considering, for example, an ad with little chance of being clicked can be allocated in an efficient way, even when other ads would provide a higher profit in the short term. However, due to the large number of states, an optimal solution through MDPs is impractical; therefore we analyze here the relative performance between the linear programming and the MDP approaches, deriving guarantees that the approximate solution based on linear programming is not far from the MDP optimal solution, and in large problems (similar to those found in practice) this difference can be disregarded. Finally, we propose a model based on reinforcement learning using two different approaches, one disregarding the contextual information, and the other using contextual information. We argue that the use of reinforcement learning is more suitable for solving the problem of allocation of ads, since it is able to adapt its allocation policy to reflect changes that occur, e.g., in the user profile.

Submitted by LEONEL DA FONTOURA MATTOSO NEGREIROS FARIA (leonelfaria@hotmail.com) on 2018-07-15T15:53:43Z No. of bitstreams: 1 EVIDÊNCIAS DE AJUSTES NO LANCE MÉDIO DE ADVERTISERS EM UMA AD EXCHANGE DADO A PERCEPÇÂO DE FRAUDE.pdf: 927107 bytes, checksum: fbf14b67a7c420c60157bbeed1c4cc49 (MD5) / Rejected by Thais Oliveira (thais.oliveira@fgv.br), reason: Boa tarde, Leonel, Para que possamos aprovar seu trabalho, serão necessárias as seguintes alterações: ´- O nome GETULIO, da capa, não tem acendo; - A Lista de Figuras, Tabelas e Sumário devem estar em páginas separadas; - Adicionar o número na página da Introdução. Por gentileza, alterar e submeter novamente. Para qualquer dúvida, entre em contato. Thais Oliveira - SRA mestradoprofissional@fgv.br - 3799-7764 on 2018-07-18T17:30:17Z (GMT) / Submitted by LEONEL DA FONTOURA MATTOSO NEGREIROS FARIA (leonelfaria@hotmail.com) on 2018-07-18T22:55:50Z No. of bitstreams: 1 EVIDÊNCIAS DE AJUSTES NO LANCE MÉDIO DE ADVERTISERS EM UMA AD EXCHANGE DADO A PERCEPÇÂO DE FRAUDE.pdf: 932254 bytes, checksum: d4565924757aebfd1ccca3560e3eccea (MD5) / Rejected by Thais Oliveira (thais.oliveira@fgv.br), reason: Boa tarde, Leonel, Conforme conversado, a Data da Aprovação deve estar em branco para que possamos aprovar. Por gentileza, alterar e submeter novamente. Obrigada! on 2018-07-19T16:35:52Z (GMT) / Submitted by LEONEL DA FONTOURA MATTOSO NEGREIROS FARIA (leonelfaria@hotmail.com) on 2018-07-20T00:45:37Z No. of bitstreams: 1 EVIDÊNCIAS DE AJUSTES NO LANCE MÉDIO DE ADVERTISERS EM UMA AD EXCHANGE DADO A PERCEPÇÂO DE FRAUDE.pdf: 930936 bytes, checksum: d20eac773c3509c258654a88ab69baf5 (MD5) / Approved for entry into archive by Thais Oliveira (thais.oliveira@fgv.br) on 2018-07-20T16:47:53Z (GMT) No. of bitstreams: 1 EVIDÊNCIAS DE AJUSTES NO LANCE MÉDIO DE ADVERTISERS EM UMA AD EXCHANGE DADO A PERCEPÇÂO DE FRAUDE.pdf: 930936 bytes, checksum: d20eac773c3509c258654a88ab69baf5 (MD5) / Approved for entry into archive by Suzane Guimarães (suzane.guimaraes@fgv.br) on 2018-07-20T17:12:16Z (GMT) No. of bitstreams: 1 EVIDÊNCIAS DE AJUSTES NO LANCE MÉDIO DE ADVERTISERS EM UMA AD EXCHANGE DADO A PERCEPÇÂO DE FRAUDE.pdf: 930936 bytes, checksum: d20eac773c3509c258654a88ab69baf5 (MD5) / Made available in DSpace on 2018-07-20T17:12:16Z (GMT). No. of bitstreams: 1 EVIDÊNCIAS DE AJUSTES NO LANCE MÉDIO DE ADVERTISERS EM UMA AD EXCHANGE DADO A PERCEPÇÂO DE FRAUDE.pdf: 930936 bytes, checksum: d20eac773c3509c258654a88ab69baf5 (MD5) Previous issue date: 2018-06-27 / Este trabalho tem como objetivo identificar se lances médios de anunciantes sofrem algum impacto dado a um aumento na popularidade de termos de busca no Google referentes a fraude na indústria ou devido a notícias de casos de fraude. Para isto, são analisados dados mensais de Janeiro de 2014 a Janeiro de 2018 de lances médios de uma Ad Exchange, (construído a partir do valor faturado e volume de instalações do aplicativo fim), popularidade mensal de termos de busca no Google (Ad Fraud, Mobile Ad Fraud e Mobile Advertising) bem como datas de notícias sobre fraudes para encontrar evidências de que um aumento na popularidade do termo 'Ad Fraud' impacta negativamente no lance médio, um aumento no termo 'Mobile Advertising' impacta positivamente no lance médio, e uma notícia de fraude de 2016 também têm efeito negativo sobre o lance médio dos Advertisers. / This work checks for empirical evidence that Advertisers’ bids are impacted by fraud related search terms popularity in Google regarding the mobile advertising industry and by fraud related news. For this to be accomplished, monthly data from January 2014 to January 2018 from an Ad Exchange regarding Advertisers’ monthly bid (calculated based on spend and app installs) is gathered and compared with 'Ad fraud', 'Mobile Ad Fraud' and 'Mobile Advertising' search terms popularity in Google as well as fraud volume related news dates, to find evidence that an increase in 'Ad Fraud' term popularity has a negative impact in the average bid, an increase in 'Mobile Advertising' term popularity has a positive impact in the average bid and a 2016 fraud related news also has a negative impact in Advertisers average bid.