Manfaat dari kemajuan teknologi tampaknya tidak ada habisnya. Kita dapat memeriksa keamanan rumah kita dari ponsel kita, menerima pengiriman barang belanjaan dengan drone-bahkan mengemudikan mobil yang dapat memarkir secara paralel untuk kita. TV kita juga semakin canggih, menawarkan pilihan konten yang tampaknya tak ada habisnya di berbagai platform dan saluran yang terus berkembang. Namun, terlepas dari banyaknya pintu yang akan dibuka oleh TV pintar di tahun-tahun mendatang, mereka tidak akan - dengan sendirinya - dapat memberikan pandangan akurat kepada industri media tentang siapa yang menggunakannya.
Smart TV telah mengambil alih lorong TV di toko-toko besar setempat. Anda akan kesulitan menemukan TV di toko saat ini yang tidak memiliki koneksi internet. Dan seperti halnya semua perangkat yang terhubung, TV pintar menambah jumlah data yang dihasilkan pengguna: Data pengenalan konten otomatis (ACR) adalah teknologi yang digunakan OEM untuk menangkap penyetelan pada TV pintar. Ketika digabungkan dengan informasi yang merinci perilaku yang representatif, perilaku tingkat orang, kumpulan data ini secara signifikan memajukan ilmu pengetahuan tentang pengukuran pemirsa.
Given the wide adoption of smart TVs and the data they produce, it’s not surprising that an array of companies are looking to ACR data as a way to measure audiences. From a sheer scale perspective, the opportunity is very appealing. Yet as lucrative a data source as ACR is, it isn’t sufficient by itself to measure audiences, simply because it lacks the most important aspect there is in audience measurement: people. In addition to not being representative—or even aware if someone is actually watching what’s on the screen—ACR data has a critical validation flaw: It requires the device manufacturer to match the image on the screen with a reference image in order to determine what content is being displayed. So, the best way to unlock the true potential of ACR data is to calibrate it with data that reflects true person-level viewing behavior.
Ketika bekerja sesuai rancangan, teknologi ACR memantau gambar yang diproyeksikan pada kaca TV, dan menggunakan gambar tersebut untuk menyimpulkan konten apa yang sedang ditampilkan. Gambar yang disajikan ACR bertindak dalam banyak hal seperti sidik jari konten. Namun setelah mengumpulkan "sidik jari", teknologi ini perlu menentukan jaringan atau platform mana yang menampilkan gambar tersebut, serta kapan gambar itu muncul. Untuk menentukan hal tersebut, teknologi perlu mencocokkan gambar di layar dengan gambar yang terdapat dalam pustaka referensi yang dikelola oleh produsen.
Ada tiga hasil yang mungkin terjadi ketika teknologi mencoba membuat kecocokan itu:
- Gambar cocok dengan satu entri dalam pustaka referensi
- Gambar cocok dengan beberapa entri dalam pustaka referensi
- Gambar yang cocok tidak ada dalam pustaka referensi
Bagi semua pihak yang terlibat, hasil pertama adalah skenario yang ideal. Skenario kedua kurang ideal, dan memiliki beberapa tingkat risiko salah kredit, hanya karena berbagai alasan untuk beberapa pertandingan (misalnya, penayangan di seluruh jaringan, pengulangan penayangan, siaran ulang). Pada skenario ketiga, tidak ada yang mendapatkan kredit, yang jelas merupakan skenario yang paling tidak diinginkan. Alasan paling umum untuk hasil ini adalah karena konten ditayangkan di jaringan yang tidak dipantau oleh OEM.
Bahkan jika pencocokan gambar adalah solusi pengukuran yang berdiri sendiri, kemampuan untuk memanfaatkannya tidak akan pernah bisa dilakukan. Seperti yang bisa Anda bayangkan, biaya untuk memelihara perpustakaan setiap frame dari setiap acara di televisi bukanlah tugas yang kecil. Ini juga merupakan tugas yang akan terus bertambah secara eksponensial. Juga tidak ada periode penyimpanan standar untuk gambar.
Jadi, bagaimana kita tahu bahwa teknologi ACR akan menjadi pasangan yang tepat? Tanpa mekanisme yang dapat mengisi kekosongan, kami tidak akan tahu. Itulah mengapa Nielsen telah berinvestasi dalam tanda air, yang jauh lebih deterministik daripada tanda tangan, serta cadangan tanda tangan untuk setiap umpan yang diukur. Hal ini memberikan representasi dari semua konten-mengisi kesenjangan yang terkait dengan big data dengan sendirinya. Dengan terisinya kesenjangan ini, data besar yang berasal dari sumber seperti ACR memberikan manfaat skala dalam lanskap media yang semakin tersegmentasi. Dan ketika kita menggunakan kontrol pembobotan untuk mengkalibrasi data besar dengan data penayangan tingkat orang, kita dapat melihat titik perbandingan yang seharusnya kosong.
In a recent study, Nielsen looked to understand the degree to which these reference library gaps affect ACR tuning logs—the basis for ACR-based measurement. In a September 2021 common homes analysis, we analyzed data from our two ACR provider partners to understand where reference library gaps might factor into measurement. In our study, we looked at both the concentration of viewing sources and the viewed minutes from the available sources.
Di seluruh sumber penayangan, kami menemukan bahwa mitra penyedia ACR kami hanya memantau 31% stasiun yang tersedia. Itu berarti mereka tidak menyimpan data di perpustakaan referensi mereka untuk 69% stasiun. Ketika kami melihat menit yang dilihat, kami menemukan bahwa 23% menit berasal dari stasiun yang tidak dipantau. Ini berarti perusahaan yang memanfaatkan data ACR saja untuk pengukuran akan mengurangi tayangan tingkat rumah tangga sebesar 23%.
Terlepas dari keterbatasan data ACR itu sendiri, kami memahami peluang skala dan jangkauan yang disediakannya sebagai sumber cakupan tambahan - mirip dengan data jalur balik (RPD) dari dekoder, yang juga dikalibrasi oleh strategi data besar kami dengan data panel untuk mengatasi keterbatasan yang sebanding. Dengan mengintegrasikan kumpulan data besar dengan data penayangan kami, yang memberikan pengukuran yang representatif untuk total AS, kami dapat meningkatkan ukuran sampel kami secara signifikan sembari menerapkan metodologi ilmu data yang ketat untuk mengisi kesenjangan dan memastikan representasi yang adil dari total pemirsa AS di semua jaringan dan platform.
A version of this article originally appeared on AdExchanger.
