Kebenaran dalam pengukuran tidak pernah lebih penting daripada saat ini. Oleh karena itu, kebenaran adalah satu-satunya agenda kami. Namun, untuk mencapai kebenaran tersebut tidak pernah semudah ini. Meskipun banyak yang melihat big data sebagai obat mujarab untuk pengukuran di dunia yang kaya akan digital, kami tahu bahwa hal ini tidak sesederhana itu.
Nielsen’s panels have been the foundation of persons-level measurement for decades, and they remain so today. The growth of big data, however, can’t be ignored as a source of valuable information. But big data alone isn’t suitable for representative measurement. Think about when you change the channel on your TV. That change becomes part of big data, but there is no record of who made the change or who witnessed it.
To highlight the shortcomings of big data from a measurement perspective, we conducted an analysis in the U.S. earlier this year that compared set-top box data with set-top box data that we calibrated with Nielsen panel data. The analysis found that the uncalibrated data is inherently biased and underrepresents minority audiences.
Namun, bukan berarti big data tidak memiliki nilai. Justru sebaliknya. Namun, data ini perlu didasarkan pada kebenaran yang mendasar. Di situlah panel dan kecerdasan buatan (AI) kami berperan. Data panel kami-kunci untuk pengukuran tingkat orang-adalah kumpulan kebenaran yang sempurna untuk melatih data besar.
Melalui penerapan AI, kami menggunakan data besar untuk memperluas kemampuan pengukuran kami secara dramatis sekaligus menjaga kualitas dan keterwakilan. Saat ini, AI merupakan bagian integral dalam metodologi pengukuran kami. Sebagai contoh, AI memainkan peran penting dalam pengembangan kemampuan pengukuran kami yang lebih baik untuk pasar TV lokal, yang menggabungkan skala data besar (data jalur balik {RPD} dari perangkat TV) dengan data panel pasar yang sepenuhnya representatif.
Ketika kami berusaha mengintegrasikan RPD ke dalam pengukuran lokal kami, kami mengidentifikasi empat penggunaan utama AI.
Mengenali Pola Data
Ketika kami mencari cara untuk mengintegrasikan RPD ke dalam pengukuran kami, kami mengidentifikasi keterbatasan yang terkait dengan RPD melalui apa yang kami sebut sebagai "analisis rumah umum." Untuk analisis ini, yang masih berlanjut hingga saat ini, kami membandingkan data penyetelan dari meter Nielsen dengan data penyetelan RPD. Analisis ini mencakup lebih dari 5.000 rumah (12.000 TV) setiap bulannya dan menemukan bahwa RPD melewatkan beberapa penyetelan.
Untuk mengatasi kekurangan ini, kami mengembangkan teknik yang masih menunggu paten yang menggunakan pengklasifikasi untuk mengenali pola yang terkait dengan penyetelan yang hilang di rumah RPD. Dari sana, algoritme AI menghapus rumah-rumah ini dari penggunaan dalam pengukuran.
Mengetahui Kapan Set-Top Box Aktif dan Pesawat TV Mati
Analisis rumah umum Nielsen menganalisis lebih dari 77 juta menit penyetelan dalam satu bulan, yang memberikan wawasan yang kuat. Namun, penyetelan tersebut tidak selalu akurat. Sebagai contoh, orang tidak selalu mematikan dekoder saat mematikan pesawat TV. RPD menampilkan situasi ini sebagai menonton TV meskipun tidak ada yang menonton.
Kita dapat mengatasi keterbatasan ini dengan menggunakan pengklasifikasi pembelajaran mendalam untuk mengidentifikasi situasi di mana dekoder menyala saat TV mati. Algoritme ini kemudian menghapus penyetelan yang tidak valid dari RPD.
Mengidentifikasi Karakteristik Rumah Tangga dan Informasi Demografis dari RPD
RPD tidak memiliki nama dan wajah, dan tidak dapat memberikan informasi demografis. Informasi demografis sangat penting untuk merepresentasikan semua segmen populasi dengan benar. Selain itu, pengukuran yang akurat berarti mampu mengukur orang, bukan hanya rumah tangga.
Jadi untuk membuka informasi yang kuat di dalam rumah RPD, kami mengkalibrasi RPD dengan karakteristik, demografi, dan informasi penyetelan yang telah diketahui dari lebih dari 45.000 rumah yang diukur oleh Nielsen serta karakteristik dan demografi yang diberikan oleh pihak ketiga. Kami kemudian menambahkan input ini ke dalam jaringan saraf tiruan yang telah dipatenkan dan teknik pemrograman bilangan bulat campuran yang secara akurat mengidentifikasi karakteristik dan demografi rumah RPD. Algoritme AI ini memungkinkan kami untuk secara akurat melaporkan karakteristik demografis orang dan rumah tangga.
Menentukan Lokasi Ruang Set-Top-Box
Informasi panel Nielsen menyediakan informasi pemirsa dan lokasi menonton. RPD tidak menyediakan keduanya. Namun, kami dapat memperoleh informasi tersebut dari RPD melalui AI. Kami menggunakan metodologi yang telah terbukti secara ilmiah untuk mengidentifikasi anggota rumah tangga mana yang menonton dan di mana menonton terjadi di dalam rumah.
Penelitian telah menemukan bahwa lokasi ruangan merupakan salah satu prediktor utama untuk menentukan anggota rumah tangga yang menjadi penonton. Jadi kami menggunakan pengklasifikasi untuk mengidentifikasi lokasi ruangan dekoder tempat penyetelan terjadi di rumah RPD. Dengan begitu, kami dapat menggunakan variabel ini dalam proses penugasan pemirsa.
Dengan begitu banyak informasi yang tersedia saat ini, sangat menggoda untuk melihat big data melalui kacamata berwarna merah jambu. Namun, tanpa hubungan dengan manusia, big data masih jauh dari akurat. Kami menemukan AI sebagai cara yang ampuh untuk mengatasi bias dalam big data dan dengan senang hati kami menghadirkan inovasi ini kepada para klien. Inovasi ini mendapat manfaat dari kekayaan informasi yang disediakan oleh sumber data besar dan kumpulan kebenaran yang memastikan bahwa mereka dapat merencanakan, mengaktifkan, dan mengukur berdasarkan data yang representatif dan akurat.
This article first appeared on Medium.
