作为广告主，在会员与您的广告互动后，我们会提供报告来衡量您的广告效果，包括受众的人口统计特征。我们通常会衡量每个对您的广告执行操作的 LinkedIn 会员的人口统计维度。但是，为了保护会员隐私，并且由于广告行业的隐私变化，我们并不总是在个人会员级别衡量展示量或互动量。
为了捕获尽可能多的会员人口统计维度，我们有时会使用预测模型来补充个人层面的归因，这些模型将 LinkedIn 平台上的会员行为与各种技术（如群组身份、机器学习和设备端转化跟踪）相结合。
使用这些预测模型识别成员可能会影响您的人口统计报表。
Group Identity 如何与人口统计报告配合使用
例如，在个人会员级别无法识别受众时，我们会使用群组标识来识别受众。
通过 Group Identity，我们将隐私增强方法应用于群组成员的第一方数据。身份组基于共同的专业特征，例如成员的职称、公司、行业等。群组利用领英第一方定向属性来确保群组成员相似。
由于“群组身份”是基于成员群组而非单个成员的，因此报告中的受众特征维度也可能基于这些群组。身份组基于共享属性，因此它们不会捕获给定成员的每个人口统计维度。这意味着我们报告的属性可能是原始成员属性总数的子集。
重要事项
属于少数成员的属性受影响最大。例如，已知员工数量较少的公司可能代表性不足。
了解更多