Sudahkah Anda menyalakan TV hari ini? Bagaimana dengan radio? Anda mungkin telah menggunakan aplikasi di ponsel pintar Anda. Mungkin Anda membeli bahan makanan untuk makan malam di toko atau membeli sebotol sampo baru secara online.
Semua aktivitas ini adalah tindakan sederhana sehari-hari. Namun, di dunia yang sangat luas, saling terhubung, dan sering kali, dunia digital, semua itu juga merupakan titik data yang berharga.
Yang terpenting, data ini dapat membantu merek dan pemasar memahami kebutuhan konsumen mereka, membuat keputusan yang lebih baik untuk memenuhi kebutuhan tersebut, dan pada akhirnya mendorong pertumbuhan bisnis mereka. Namun pertama-tama, merek dan pemasar perlu memahami semua data.
Ukuran dan cakupan data yang kita semua hasilkan di era digital saat ini bisa sangat mengejutkan, dan Nielsen mengukur banyak sekali data tersebut. Pertimbangkan ini: Nielsen mengumpulkan 1,7 miliar rekaman menonton TV setiap bulan, 6,7 miliar transaksi di toko setiap bulan, dan 1,6 triliun tayangan online setiap tahun! Mengambil tumpukan data yang sangat besar dan terkadang berantakan yang dihasilkan dari tindakan kita sehari-hari dan mengaturnya menjadi informasi yang dapat digunakan, praktis, dan bermakna-sekaligus menjadi pengelola data yang bertanggung jawab dan memastikan privasi orang-orang-memerlukan pengetahuan dan keterampilan khusus.
Untungnya, teknologi dan platform yang berkembang yang menyediakan sumber data baru untuk merek dan pemasar juga memungkinkan alat dan cara baru untuk mengukur dan menarik wawasan dari data tersebut. Ini adalah peran tim sains data untuk mencari sumber data baru dan alat analisis yang dapat membantu mengurai (dan dengan demikian memahami) Big Data yang diciptakan konsumen. Dengan menggunakan metode, proses, algoritme, dan sistem ilmiah, para ilmuwan data menemukan wawasan berharga dalam kumpulan titik data yang seperti bola salju ini.
Di Nielsen, sekitar 1.100 ilmuwan data ditugaskan untuk menemukan metode yang baik dan dapat diulang untuk "menghubungkan titik-titik" untuk klien kami dan menceritakan sebuah kisah tentang kebutuhan konsumen mereka. Meskipun "titik-titik" dalam analogi ini mewakili titik-titik data yang tampaknya tak terbatas yang tersedia bagi klien kami ketika mereka berusaha memahami konsumen mereka, koneksi yang dapat dihasilkan oleh para ilmuwan data kami yang merupakan masukan No. 1 bagi pengambilan keputusan klien kami dan bahan bakar untuk pertumbuhan mereka.
Sebagai anggota tim ilmuwan data Nielsen, saya bekerja untuk mengembangkan solusi khusus untuk mengintegrasikan data dan menciptakan koneksi utama bagi klien kami. Solusi ini mencakup penggabungan data, segmentasi audiens khusus, analisis ROI, dan metodologi yang benar-benar baru untuk mengintegrasikan sumber data guna menjawab pertanyaan bisnis yang spesifik mengenai konsumen.
Tidak diragukan lagi bahwa teknologi baru dan Big Data merevolusi cara kita mengukur konsumsi media dan produk yang kita beli. Namun, penting juga untuk diingat bahwa teknologi ini juga memiliki keterbatasan.
Teknologi biasanya tidak diciptakan dengan mempertimbangkan pengukuran. Dan akibatnya, Big Data dapat menjadi bias dalam banyak hal. Pikirkan tentang remote yang Anda gunakan untuk mengganti saluran di TV, misalnya. Menekan sebuah tombol akan mengirimkan sinyal ke sebuah kotak, dan sinyal tersebut akan menghasilkan data. Tetapi data tersebut terbatas dalam hal apa yang dapat diceritakannya tentang Anda. Misalnya, ia tidak tahu apakah Anda yang menekan tombol atau anggota keluarga lain yang melakukannya. Data yang bias dapat menyebabkan wawasan yang salah tentang konsumen dan keputusan yang buruk oleh pemasar.
Hereโs 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 doesnโt 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 countryโs populationโby 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, weโre able to discover whoโs 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.
Dan dengan meningkatnya tenaga kuda yang ditawarkan secara eksponensial ketika kita menggunakan kecerdasan buatan (AI), tidak pernah ada yang lebih penting daripada memastikan input data bersih, tepercaya, dan representatif. Kegagalan dalam memenuhi kriteria ini berarti Anda menghasilkan volume yang lebih tinggi (berkat AI) dengan hasil yang buruk. Penting untuk diingat bahwa ini adalah sampah yang masuk, sampah yang keluar. Apa yang disebut sebagai data yang "cukup baik" tidaklah cukup baik dalam dunia AI.
Ilmuwan data sendiri juga memainkan peran kunci dalam mengurangi bias dalam pengukuran. Meskipun tim data science kami memang terdiri dari beberapa ahli statistik yang sangat berbakat, banyak yang mungkin terkejut mengetahui betapa beragamnya tim kami. Tim data science Nielsen terdiri dari rekan-rekan yang berasal dari berbagai latar belakang, seperti matematika, ilmu perilaku, teknik kimia, fisika, pengajaran, ekonomi, dan teknik komputer, serta masih banyak lagi. Beragam perspektif ini membantu memastikan bahwa kami mempertimbangkan sudut pandang yang berbeda dalam pengukuran kami.
Pada akhirnya, di dunia Big Data saat ini, semakin banyak disiplin bisnis - baik itu keuangan, layanan klien, sumber daya manusia, analisis media, dll. - yang berevolusi untuk menggabungkan ilmu data dalam praktik mereka masing-masing. Memberdayakan lebih banyak orang dengan latar belakang yang beragam dengan pengetahuan inti tentang metode statistik, pemrograman, dan keterampilan analitis membuka pintu untuk pengambilan keputusan yang lebih baik di berbagai bidang bisnis saat ini.
Saya yakin ini menjadi pertanda baik bagi masa depan ilmu data, asalkan para pendatang baru di bidang ini memahami bias dan pertimbangan yang diperlukan untuk mendapatkan wawasan berkualitas dari titik data harian kita.
