Haben Sie heute schon den Fernseher eingeschaltet? Was ist mit dem Radio? Wahrscheinlich haben Sie eine App auf Ihrem Smartphone benutzt. Vielleicht haben Sie Zutaten für das Abendessen im Laden gekauft oder eine neue Flasche Shampoo online erworben.
All diese Aktivitäten sind einfache, alltägliche Handlungen. Aber in der heutigen riesigen, vernetzten und häufig digitalen Welt sind sie auch wertvolle Datenpunkte.
Vor allem aber können sie Marken und Vermarktern helfen, die Bedürfnisse ihrer Kunden zu verstehen, bessere Entscheidungen zu treffen, um diese Bedürfnisse zu befriedigen und letztlich das Wachstum ihres Unternehmens zu fördern. Doch zunächst müssen Marken und Vermarkter all diese Daten sinnvoll nutzen.
Die Größe und der Umfang der Daten, die wir alle im heutigen digitalen Zeitalter generieren, können atemberaubend sein, und Nielsen misst eine Menge davon. Bedenken Sie dies: Nielsen erfasst jeden Monat 1,7 Milliarden TV-Sehdaten, jeden Monat 6,7 Milliarden Ladentransaktionen und jedes Jahr 1,6 Billionen Online-Eindrücke! Um die riesigen, manchmal unübersichtlichen Datenmengen, die durch unser tägliches Handeln entstehen, in verwertbare, praktische und aussagekräftige Informationen umzuwandeln und dabei gleichzeitig verantwortungsvoll mit den Daten umzugehen und den Schutz der Privatsphäre zu gewährleisten, bedarf es besonderer Kenntnisse und Fähigkeiten.
Glücklicherweise ermöglichen die aufkeimenden Technologien und Plattformen, die neue Datenquellen für Marken und Vermarkter bereitstellen, auch neue Tools und Mittel, um diese Daten zu messen und Erkenntnisse daraus zu ziehen. Es ist die Aufgabe von Data-Science-Teams, neue Datenquellen und Analysewerkzeuge zu erschließen, die dabei helfen können, die von den Verbrauchern erzeugten Big Data zu analysieren (und damit sinnvoll zu nutzen). Mithilfe von wissenschaftlichen Methoden, Prozessen, Algorithmen und Systemen decken Datenwissenschaftler wertvolle Erkenntnisse in diesen Schneeballsystemen von Datenpunkten auf.
Bei Nielsen haben rund 1.100 Datenwissenschaftler die Aufgabe, solide, wiederholbare Methoden zu finden, um für unsere Kunden die "Punkte zu verbinden" und eine Geschichte über die Bedürfnisse ihrer Kunden zu erzählen. Während die "Punkte" in dieser Analogie für die scheinbar unbegrenzten Datenpunkte stehen, die unseren Kunden zur Verfügung stehen, wenn sie sich bemühen, ihre Verbraucher zu verstehen, sind es die Verbindungen, die unsere Datenwissenschaftler herstellen können, die der wichtigste Input für die Entscheidungsfindung unserer Kunden und der Treibstoff für ihr Wachstum sind.
Als Mitglied des Nielsen-Teams von Data Scientists arbeite ich an der Entwicklung kundenspezifischer Lösungen zur Integration von Daten und zur Schaffung wichtiger Verbindungen für unsere Kunden. Zu diesen Lösungen gehören Datenfusionen, benutzerdefinierte Zielgruppensegmentierungen, ROI-Analysen und völlig neue Methoden zur Integration von Datenquellen, um spezifische geschäftliche Fragen zu den Verbrauchern zu beantworten.
Es besteht kein Zweifel, dass neue Technologien und Big Data die Art und Weise, wie wir den Medienkonsum und die von uns gekauften Produkte messen, revolutionieren. Aber man darf auch nicht vergessen, dass sie auch ihre Grenzen haben.
Technologien werden in der Regel nicht im Hinblick auf Messungen entwickelt. Daher können Big Data in vielerlei Hinsicht verzerrt sein. Denken Sie zum Beispiel an die Fernbedienung, mit der Sie den Sender an Ihrem Fernseher wechseln. Wenn Sie eine Taste drücken, wird ein Signal an eine Box gesendet, und dieses Signal erzeugt Daten. Aber diese Daten können nur begrenzt etwas über Sie aussagen. Sie wissen zum Beispiel nicht, ob Sie die Taste gedrückt haben oder ein anderes Familienmitglied. Voreingenommene Daten können zu falschen Erkenntnissen über die Verbraucher und zu schlechten Entscheidungen der Vermarkter führen.
Here’s another example: TV-connected devices and subscription video-on-demand services allow consumers to choose what they want, when they want. But only about 60% of Americans own these devices. As a result, the data from these devices doesn’t represent the entire U.S. population. In addition, these data need to be made comparable to linear TV metrics in order to provide a holistic view of the TV landscape.
At Nielsen, we use panels alongside Big Data to match up data points with real people. A well-constructed panel can eliminate many of the biases inherent in Big Data. For example, we use our U.S. TV panels to statistically represent the country’s population—by age, ethnicity and income level. By combining the insights from these panels with Big Data Nielsen receives from cable boxes thanks to collaborations with cable-provider companies, we’re able to discover who’s behind the remote. Thus, a hybrid measurement approach involving panels and Big Data can provide the granularity and detail of Big Data and offer the bias reduction and representativeness of a panel.
Und mit der exponentiell steigenden Leistung, die uns der Einsatz von künstlicher Intelligenz (KI) bietet, war es noch nie so wichtig wie heute, sicherzustellen, dass die eingegebenen Daten sauber, vertrauenswürdig und repräsentativ sind. Wenn Sie diese Kriterien nicht erfüllen, bedeutet das einfach, dass Sie (dank KI) eine größere Menge schlechter Ergebnisse produzieren. Es ist wichtig, sich daran zu erinnern, dass Müll rein und Müll raus kommt. Sogenannte "gute Daten" sind in einer KI-Welt einfach nicht gut genug.
Auch die Datenwissenschaftler selbst spielen eine wichtige Rolle bei der Verringerung von Verzerrungen bei Messungen. Unsere Data-Science-Teams umfassen in der Tat einige sehr talentierte Statistiker, aber viele sind vielleicht überrascht, wie vielfältig unsere Teams wirklich sind. Zu den Data-Science-Teams von Nielsen gehören Mitarbeiter mit unterschiedlichem Hintergrund, z. B. aus den Bereichen Mathematik, Verhaltenswissenschaften, Chemieingenieurwesen, Physik, Pädagogik, Wirtschaft und Computertechnik sowie vielen anderen. Diese unterschiedlichen Perspektiven tragen dazu bei, dass wir bei unseren Messungen verschiedene Gesichtspunkte berücksichtigen.
In der heutigen Big-Data-Welt entwickeln sich immer mehr Geschäftsbereiche - seien es Finanzen, Kundendienst, Personalwesen, Medienanalyse usw. - dahin, die Datenwissenschaft in ihre jeweiligen Praktiken einzubeziehen. Die Befähigung von mehr Menschen mit unterschiedlichem Hintergrund mit dem Kernwissen über statistische Methoden, Programmierung und analytische Fähigkeiten öffnet die Tür für eine bessere Entscheidungsfindung in den verschiedenen Geschäftsbereichen von heute.
Ich glaube, dass dies ein gutes Zeichen für die Zukunft der Datenwissenschaft ist, vorausgesetzt, dass diese Neueinsteiger in diesem Bereich die Verzerrungen und Überlegungen verstehen, die notwendig sind, um aus unseren täglichen Datenpunkten hochwertige Erkenntnisse zu gewinnen.
