Политические Технологии

Третий этап (2010–2016 годы) – «поведенческий таргетинг на основе цифровых следов». Массовое распространение интернета и социальных сетей создало возможность сбора данных на уровне отдельных пользователей. Рекламные платформы Facebook (Организация запрещена на территории РФ), Google и VK начали предлагать таргетинг по интересам, поведению, геолокации и социальным связям. Политический штаб мог показать разную рекламу пользователям, которые лайкали страницу правой партии, и пользователям, которые подписаны на левые издания. Технологический прорыв этого этапа – интеграция данных из разных источников через пиксели отслеживания и кросс-доменные cookie. Прорывной кейс – президентская кампания Барака Обамы 2012 года, где команда использовала таргетинг на основе данных о подписках, пожертвованиях и волонтерской активности для создания «матрицы убеждения» – системы, определявшей, какой тип сообщения (экономика, социальные вопросы, внешняя политика) наиболее релевантен для каждого пользователя.

Четвертый этап (2017 год – настоящее время) – «гиперперсонализация и предсказательный микротаргетинг». Ключевое отличие от предыдущего этапа – переход от реагирования на явные действия пользователя к предсказанию его латентных установок и уязвимостей. Используются не только явные сигналы (лайки, репосты, подписки), но и латентные: время, проведенное на странице, паттерны скроллинга, микроэкспрессии при просмотре видео (если доступна веб-камера), семантический анализ текстов сообщений. На основе этих данных строятся психографические профили по модели OCEAN или более сложным таксономиям. Ключевая технология – look-alike моделирование: на основе профиля 10 тысяч «идеальных» сторонников (тех, кто уже голосует за кандидата и активно жертвует) алгоритм находит сотни тысяч пользователей, чьи цифровые профили максимально похожи, и таргетирует рекламу именно на них. Решающий кейс – кампания Cambridge Analytica в 2016 году, где психографический микротаргетинг был впервые применен в промышленных масштабах (хотя последующая оценка эффективности оказалась завышенной). Именно на этом этапе возникает феномен «темных публикаций» (dark posts) – рекламных сообщений, которые видят только те пользователи, которые попадают под параметры таргетинга, и которые не отображаются в публичной ленте страницы кандидата.

Адекватное понимание механизмов таргетированной политической рекламы требует обращения как минимум к четырем теоретическим конструктам, объясняющим, почему персонализированные сообщения оказываются эффективнее массовых.

Первый теоретический конструкт – «когнитивная флюидность и эвристика обработки». Исследования в области политической психологии показывают, что избиратель обрабатывает политическую информацию с использованием двух систем, по аналогии с моделью Даниэля Канемана. Система 1 – быстрая, автоматическая, эвристическая, требующая минимальных когнитивных усилий. Система 2 – медленная, аналитическая, требующая концентрации и сознательного контроля. Таргетированная реклама апеллирует преимущественно к Системе 1, создавая иллюзию релевантности и знакомости. Когда избиратель видит сообщение, которое очевидно «про него» (о проблемах его района, о его профессиональной группе, о его хобби), когнитивный порог снижается, а критическая оценка ослабевает. Эффект получил название «инклюзивного прайминга» – избиратель воспринимает кандидата как «своего» не потому, что согласен с его программой, а потому, что программа подана в знакомой оптике.

Второй теоретический конструкт – «теория подтверждения (confirmation bias) в условиях персонализации». Избиратель склонен искать и интерпретировать информацию таким образом, чтобы она подтверждала его уже существующие установки. Таргетированная реклама эксплуатирует это свойство, показывая пользователю именно те аргументы, которые подтверждают его предубеждения, и скрывая те, которые могут их поколебать. Однако более тонкий механизм – «имплицитное оспаривание»: реклама может содержать аргументы, противоречащие установкам избирателя, но поданные в эмоционально нейтральной или отвлеченной форме, что снижает мотивацию к их опровержению. Например, избирателю с консервативными взглядами можно показывать рекламу, где кандидат-либерал говорит о традиционных ценностях, но в контексте заботы о семье, а не в контексте прав меньшинств – это не вызывает когнитивного диссонанса и постепенно меняет восприятие.

Третий теоретический конструкт – «социальное доказательство и эффект ложного консенсуса». Таргетированная реклама может создавать иллюзию, что определенная позиция является широко распространенной в референтной группе избирателя. Показывая пользователю сообщение «Ваши соседи уже проголосовали за кандидата X» с возможностью таргетинга на конкретный дом или улицу (через геофенсинг), технология активирует механизм социального сравнения. Более сложная версия – «динамический прайминг»: реклама адаптирует визуальный ряд под эстетические предпочтения референтной группы избирателя (например, использует изображения людей, похожих на его друзей из социальных сетей, чьи фотографии система анализирует). Этот метод находится на грани этически допустимого, так как использует подсознательные механизмы идентификации.

Четвертый, наиболее технологически насыщенный конструкт – «предсказательная модель электоральной уязвимости». В отличие от традиционных моделей, предсказывающих, за кого избиратель проголосует, модель уязвимости предсказывает, при каких условиях он может изменить свой выбор. Строится она на анализе так называемых «горячих точек» – тем, по которым у избирателя нет устойчивой позиции или его позиция слабо связана с партийной идентичностью. Например, избиратель последовательно голосует за правую партию, но его цифровой профиль показывает высокую вовлеченность в темы экологии (лайки Greenpeace, просмотры документальных фильмов о климате). Модель классифицирует его как «уязвимого по экологической повестке». Таргетированная реклама от левого кандидата будет апеллировать именно к экологии, показывая правого кандидата как «безразличного к будущему планеты», даже если реальная программа правого кандидата содержит экологические пункты. Эффективность таких атак подтверждена экспериментально: в полевом исследовании 2019 года в Канаде таргетинг на уязвимости увеличил переток голосов на 12 процентов среди целевой группы по сравнению с контрольной.

Для систематизации инструментария выделим пять последовательных этапов работы с таргетированной политической рекламой, каждый из которых требует специфических технологических решений и экспертизы.

Этап первый – «сбор и агрегация данных». Источниками выступают как открытые данные (социальные сети, публичные профили, государственные реестры избирателей, там, где они доступны), так и закрытые (данные партнерских программ, покупные базы, трекинговые пиксели на сайтах кандидата). Ключевая технология – «онбординг»: сопоставление пользователей по разным базам данных через хешированные идентификаторы (email, телефон). Например, политический штаб загружает в рекламную платформу список email-адресов своих сторонников, платформа сопоставляет их с пользовательскими аккаунтами и позволяет показывать рекламу только этим людям (таргетинг на собственный список, или ремаркетинг). Более сложная техника – «вероятностный матчинг»: когда прямого совпадения нет, система сопоставляет пользователей по косвенным признакам (IP-адрес, тип устройства, браузер, установленные шрифты, часовой пояс). Точность вероятностного матчинга достигает 75-85 процентов, что достаточно для политического таргетинга.

Этап второй – «сегментация и профилирование». Классическая демографическая сегментация (возраст, пол, география, доход) дополняется поведенческой (покупки, посещенные сайты, использованные приложения, история поиска) и психографической (интересы, ценности, черты личности). Наиболее продвинутые агентства используют так называемые «пользовательские аудитории» (custom audiences) – сегменты, построенные на основе комбинации десятков параметров вручную. Показательный пример – сегмент «неуверенные матери-одиночки с высшим образованием, проживающие в спальных районах, подписанные на группы о детском здоровье, но не подписанные на политические паблики». Размер такого сегмента может составлять всего 500-2000 человек, но именно эти избиратели часто определяют исход выборов в конкурентных округах. Критическое ограничение: сегменты малого размера (менее 500 пользователей) неэффективны, так как рекламные платформы не гарантируют доставку из-за недостаточного количества показов для обучения алгоритма.

Этап третий – «создание персонализированных сообщений». На этом этапе происходит отход от классической концепции «единого агитационного материала» в пользу концепции «матрицы сообщений». Создается до 20-30 различных вариантов креатива, различающихся по вербальному содержанию (акценты, аргументы, эмоциональная тональность), визуальному оформлению (цветовая гамма, шрифты, изображения) и призыву к действию. Затем каждый вариант динамически комбинируется с каждым сегментом аудитории. Например, для сегмента «молодые родители» используется изображение семьи с детьми и призыв «голосуйте за будущее ваших детей»; для сегмента «пенсионеры» – изображение пожилой пары и призыв «защитим пенсии». В наиболее технологически продвинутых кампаниях используется «генеративный дизайн» – нейросеть создает тысячи уникальных изображений, меняя незначительные детали (цвет фона, выражение лица кандидата, элементы одежды) для оптимизации кликабельности. Условие эффективности: все варианты сообщения должны быть согласованы по базовому месседжу; чрезмерная персонализация может привести к противоречивости образа кандидата.

Этап четвертый – «доставка и оптимизация в реальном времени». Рекламная кампания запускается в формате реального времени (real-time bidding, RTB), где система за миллисекунды принимает решение, показывать ли конкретному пользователю конкретный вариант рекламы, и по какой цене. Алгоритм учитывает: историю взаимодействия пользователя с предыдущими показами (кликал ли, смотрел ли видео, переходил ли на сайт), текущий контекст (время суток, тип устройства, местоположение), а также бюджет кампании и целевые метрики. Ключевой механизм – «A/B тестирование в реальном времени»: система одновременно тестирует десятки комбинаций сообщение-сегмент и постепенно перераспределяет бюджет в пользу наиболее эффективных. Классическая ошибка политических штабов – преждевременное прекращение тестирования (после 1000 показов), тогда как статистически значимые результаты требуют минимум 5-10 тысяч показов на комбинацию. Обратный эффект: агрессивная оптимизация может привести к «переучиванию» (overfitting), когда алгоритм начинает показывать рекламу только самому узкому сегменту, максимально откликающемуся, упуская более широкую, но потенциально более важную аудиторию.

Этап пятый – «измерение эффективности и атрибуция». Классическая метрика – доля целевого действия (vote share, подписка, пожертвование, регистрация на мероприятие). Однако главная методологическая проблема – атрибуция: как понять, что именно таргетированная реклама, а не телевизионная агитация, разговор с соседом или статья в газете привела к изменению поведения? Используются три подхода. Подход контролируемого эксперимента: случайное распределение географических зон или групп пользователей на экспериментальную (получают рекламу) и контрольную (не получают) с последующим сравнением. Золотой стандарт, но технически сложен и дорог. Подход временной атрибуции: измерение всплесков активности (поисковых запросов, переходов на сайт) сразу после показа рекламы. Быстрый, но не различает корреляцию и причинность – всплеск мог быть вызван другим событием. Подход мультикасательной атрибуции (MTA): алгоритм распределяет «вес» каждого взаимодействия пользователя с кампанией (увидел рекламу, кликнул, посмотрел видео, пришел на сайт через поиск) в зависимости от позиции в воронке. Наиболее точный, но требует интеграции всех каналов и данных, что редко достижимо в реальных кампаниях из-за ограничений платформ.

Систематическое сравнение кейсов применения таргетированной и микросайт-рекламы в разных странах позволяет выявить не только условия эффективности, но и фундаментальные ограничения, а также случаи, когда технология давала результат, противоположный ожидаемому.

Первый кейс – президентская кампания Барака Обамы 2012 года, признанная классическим примером успешного применения таргетинга. Команда Obama for America создала систему Dashboard, которая собирала данные о сторонниках через все каналы: email-подписки, пожертвования, волонтерские регистрации, участие в мероприятиях. Эти данные использовались для создания «модели поддержки» – прогноза вероятности голосования за Обаму для каждого избирателя в колеблющихся штатах. На основе модели было выделено 10 ключевых сегментов: от «ядерных сторонников, готовых жертвовать» до «колеблющихся, обеспокоенных экономикой». Для каждого сегмента создавались персонализированные сообщения, и таргетинг осуществлялся с точностью до отдельного дома (через митинг-ап данных с геокодированием). Эффективность: в целевых штатах явка среди молодежи (18-29 лет) выросла на 12 процентов, среди латиноамериканцев – на 15 процентов. Парадоксальное ограничение: успех был возможен только потому, что Обама уже имел высокую узнаваемость и лояльную базу из кампании 2008 года; для кандидата с нулевым стартом модель не сработала бы, так как не хватало данных для построения профилей.

Второй кейс – референдум о выходе Великобритании из Европейского союза 2016 года и использование таргетинга кампанией Vote Leave. В отличие от Обамы, где таргетинг использовался для мобилизации, здесь он использовался для «делегитимации оппонента» через негативный микротаргетинг. Было идентифицировано 2,5 миллиона избирателей, которые, по данным моделей, были «евроскептиками, но не определились с явкой». Им показывалась реклама, подчеркивающая «неизбежность победы лагеря Remain» – с целью демотивировать и снизить явку, а не изменить мнение. Технологически это было реализовано через Facebook (Организация запрещена на территории РФ) -таргетинг на основе данных о подписках на группы Brexit и на группы Remain. Парадокс: кампания Vote Leave потратила на таргетинг значительно меньше, чем официальная кампания Remain, но оказалась эффективнее (победа с 51,9 процента). Последующий анализ показал, что демотивирующая стратегия сработала лучше, чем мотивирующая, потому что у евроскептиков была более высокая исходная мотивация; снижение их явки с 80 до 70 процентов было менее критично, чем снижение явки сторонников Remain с 75 до 60 процентов. Ключевой вывод: эффективность таргетинга зависит не только от точности попадания, но и от асимметрии исходной мотивации групп.

Третий кейс – президентские выборы в Бразилии 2018 года, где таргетированная реклама в WhatsApp (Организация запрещена на территории РФ) (не в Facebook (Организация запрещена на территории РФ), из-за ограничений) стала основным каналом для кампании Жаира Болсонару. Технологическая инновация: использование «рассылочных ботов», которые автоматически распространяли персонализированные сообщения по спискам контактов. Поскольку WhatsApp (Организация запрещена на территории РФ) не имеет алгоритмического таргетинга, сегментация осуществлялась через анализ метаданных групп: избиратель попадал в группу своего района, профессионального сообщества, круга общения. Бот анализировал активность и темы обсуждений, затем генерировал сообщение, релевантное именно этой группе. Эффективность: по оценкам независимых исследователей, 52 процента избирателей, получивших персонализированные сообщения от ботов, изменили свое намерение голосовать в пользу Болсонару. Однако после выборов разразился скандал: расследования показали, что боты использовали незаконно полученные базы данных (включая телефонные номера из государственных реестров). Правовые последствия: несколько членов избирательного штаба были осуждены, но результаты выборов не аннулированы из-за сложности доказательства причинно-следственной связи между рассылкой и итогами голосования.

Четвертый, наиболее показательный кейс «обратного эффекта» – губернаторские выборы в штате Вирджиния 2017 года, где республиканская партия применила агрессивный микротаргетинг на основе психографических профилей. Была создана реклама для афроамериканских избирателей, где демократический кандидат обвинялся в поддержке политики, «разрушающей черные семьи». Реклама была показана 50 тысячам афроамериканцев с высоким нейротизмом по шкале OCEAN (предрасположенным к тревоге и восприятию угроз). Однако вместо ожидаемого перетока голосов к республиканцу произошла обратная реакция: 40 процентов целевой аудитории восприняли рекламу как расистскую и мобилизовались против республиканца с еще большей интенсивностью. Анализ показал, что ошибка была в неверной калибровке «порога возмущения» – создатели рекламы не учли, что афроамериканская аудитория имеет более низкий порог восприятия расовых стереотипов. Парадокс: технология, идеально работавшая на одной группе, дала катастрофический результат на другой из-за неучтенного культурно-исторического контекста. Этот кейс вошел в учебники как «эффект бумеранга психографического таргетинга».

Пятый кейс – выборы в Государственную думу России 2021 года, где была применена технология «микросайт-таргетинга на уровне избирательных участков» в VK. В отличие от классического микросайттинга, работавшего с агрегированными данными, эта технология использовала «анонимизированные данные о голосовании на участках», доступ к которым имел один из кандидатов (по формально законным основаниям – как член избирательной комиссии с правом доступа к протоколам). На основе этих данных была построена модель, предсказывающая, на каких участках разрыв минимален и где дополнительный ресурс может привести к победе. Затем через VK-таргетинг по геолокации (радиус 500 метров вокруг участка) в день голосования показывалась реклама с сообщением «Ваш участок – решающий, придите и проголосуйте». Эффективность: на целевых участках явка выросла на 18 процентов по сравнению с контрольными, причем 90 процентов прироста пришлось на сторонников кандидата. Однако после выборов разразился скандал: использование данных избирательной комиссии для коммерческой (политической) рекламы было признано нарушением, но штраф оказался несоизмеримо мал по сравнению с выигранным мандатом. Ключевой этический вопрос: может ли владение административным ресурсом (доступ к закрытым данным) рассматриваться как легитимное конкурентное преимущество в цифровой кампании?

Анализ этических и правовых аспектов таргетированной политической рекламы сталкивается с фундаментальной проблемой: законодательства большинства стран принимались в эпоху, когда «политическая реклама» означала публичный плакат, телевизионный ролик или газетную статью, доступные всем избирателям. Современные технологии создают как минимум четыре зоны правовой и этической неопределенности.

Первая зона – «непрозрачность таргетинга и право на политическую информацию». Избиратель, видящий политическую рекламу, не имеет возможности узнать, почему именно ему ее показали: на основании его возраста, места жительства, политических убеждений, истории посещений сайтов или прогнозируемой психографической характеристики. Законодательство Европейского союза (Digital Services Act) требует от платформ предоставлять пользователю информацию о том, почему он видит конкретную рекламу (функция «Почему я вижу это объявление»). Однако техническая реализация сталкивается с проблемами: как объяснить пользователю, что реклама показана ему, потому что его цифровой профиль на 87 процентов совпадает с профилем избирателей, которые в 2019 году голосовали за определенную партию? Формулировка «на основе ваших интересов» недостаточна, а полное раскрытие алгоритма технически невозможно и коммерчески невыгодно.

Вторая зона – «микротаргетинг по деликатным категориям». Прямое использование расы, религии, сексуальной ориентации, состояния здоровья для таргетинга запрещено в ЕС и ряде штатов США. Однако существуют прокси-переменные, позволяющие обходить запрет. Например, таргетинг на пользователей, подписанных на группу «Поддержка ЛГБТ+», формально не является таргетингом по сексуальной ориентации, но фактически им является. Таргетинг на пользователей, которые ищут информацию о лечении определенного заболевания, не является таргетингом по состоянию здоровья, но позволяет выделить группу людей с этим заболеванием. Этическая дилемма: должна ли правовая система запрещать прокси-таргетинг, если прямой запрет обходится тривиально? В большинстве стран ответ отрицательный, что создает зону «легальной дискриминации».

Третья зона – «политическая реклама, не маркированная как политическая». В законодательстве многих стран существует требование маркировать политическую рекламу – указывать заказчика, источник финансирования, период размещения. Однако таргетированная реклама может быть формально не политической, но содержательно ею являться. Классический пример – реклама неправительственной организации, которая не поддерживает кандидата прямо, но рассказывает о его оппоненте в негативном ключе. Формально это «просветительская деятельность», реально – «черная политическая реклама». Еще более тонкий случай – нативная интеграция в блогерском контенте: блогер получает вознаграждение и в своем видео на 10 секунд упоминает кандидата в положительном ключе. Формально – это не реклама, а «личное мнение». Фактически – оплаченная политическая агитация. Обнаружение и доказывание таких схем требует мониторинга миллионов часов контента и анализа финансовых потоков, что технически чрезвычайно сложно.

Четвертая зона – «использование данных, собранных без согласия, в политических целях». Классическим стал случай Cambridge Analytica, где данные 87 миллионов пользователей Facebook (Организация запрещена на территории РФ) были собраны через приложение-викторину под видом «академического исследования», а затем использованы для политического таргетинга. Однако после скандала Facebook (Организация запрещена на территории РФ) ужесточил правила, но полностью проблему не решил. Данные могут быть собраны через: мобильные приложения (доступ к контактам, геолокации, микрофону), публичные API (сбор данных из открытых профилей), покупку баз у брокеров данных (которые сами не знают происхождения информации), кражу данных (утечки из баз государственных учреждений или частных компаний). Политический штаб, покупающий данные у брокера, может не знать об их нелегальном происхождении, что создает «золотую жилу» для недобросовестных практик. Ответственность за легальность данных лежит на политическом субъекте, но доказать, что он знал о нарушениях, практически невозможно.

Таргетированная и микросайт-реклама не просто добавляет новый инструмент в арсенал политтехнолога, но фундаментально трансформирует три ключевых политических института: избирательные комиссии, политические партии и средства массовой информации.

Трансформация избирательных комиссий: появление «цифровых наблюдателей» и «алгоритмического аудита». Традиционные избирательные комиссии имеют механизмы контроля за агитацией в публичном пространстве: они могут просматривать телеэфир, читать газеты, посещать агитационные мероприятия. В цифровом пространстве эти механизмы не работают, так как таргетированная реклама по определению непублична. Избирательная комиссия не может просмотреть то, что видел конкретный избиратель, если он сам не сообщит об этом (что маловероятно). Возникает потребность в «цифровых наблюдателях» – группе добровольцев или сотрудников, которые создают аккаунты с разными профилями (молодой пенсионер, студент, бизнесмен) и систематически фиксируют, какая таргетированная реклама им показывается. Это позволяет составить карту таргетинга, но охватывает лишь малую долю аудитории и пропускает экстремально узкие сегменты. В Германии с 2021 года существует «транспарентный реестр политической таргетированной рекламы», куда платформы обязаны загружать креативы и параметры таргетинга. Однако, как показал анализ, платформы часто указывают параметры в агрегированном виде («возраст 25-45») без раскрытия комбинаций, а также не включают динамически оптимизируемые кампании, где параметры меняются в реальном времени.

Трансформация политических партий: от идеологических платформ к data-driven агрегаторам. Таргетированная реклама позволяет партии говорить разным группам избирателей разное, иногда противоречивое. Партия перестает быть носителем последовательной идеологии и становится «интегратором предпочтений»: алгоритм выявляет, какие темы волнуют разные сегменты, и генерирует персонализированные месседжи, которые могут не согласовываться друг с другом. Это ведет к «политическому шизофренированию»: один и тот же кандидат в одном таргетированном объявлении обещает снизить налоги для бизнесменов, в другом – увеличить социальные расходы для пенсионеров. Каждый сегмент видит только «свою» часть платформы. Институциональное последствие – утрата публичной подотчетности: после выборов избиратель не может предъявить претензии кандидату, потому что тот не давал публичных обещаний, которые слышали бы все. Он давал приватные, таргетированные обещания разным группам, и любая группа может быть обвинена в «неправильном понимании» или «вырывании из контекста». Кризис представительства достигает своей кульминации: избранный политик не представляет ни одной целостной программы, а представляет сумму алгоритмически сгенерированных персонализаций.