Avete acceso la TV oggi? E la radio? Probabilmente avete usato un'applicazione sul vostro smartphone. Forse avete comprato gli ingredienti per la cena al negozio o avete acquistato un nuovo flacone di shampoo online.
Tutte queste attività sono semplici azioni quotidiane. Ma nel vasto mondo di oggi, interconnesso e spesso digitale, sono anche punti di dati preziosi.
È importante notare che possono aiutare i marchi e gli operatori di marketing a comprendere le esigenze dei consumatori, a prendere decisioni migliori per soddisfare tali esigenze e, in ultima analisi, a far crescere le loro aziende. Ma prima i marchi e gli operatori di marketing devono dare un senso a tutti i dati.
Le dimensioni e la portata dei dati che tutti noi generiamo nell'odierna era digitale possono essere sbalorditive e Nielsen ne misura molti. Si consideri questo dato: Nielsen raccoglie 1,7 miliardi di registrazioni televisive al mese, 6,7 miliardi di transazioni commerciali al mese e 1,6 trilioni di impressioni online all'anno! Prendere gli enormi e talvolta disordinati cumuli di dati generati dalle nostre azioni quotidiane e organizzarli in informazioni utilizzabili, pratiche e significative, pur essendo gestori responsabili dei dati e garantendo la privacy delle persone, richiede conoscenze e competenze specifiche.
Fortunatamente, le tecnologie e le piattaforme in continua espansione che forniscono nuove fonti di dati ai marchi e agli operatori di marketing consentono anche di disporre di nuovi strumenti e mezzi per misurare e trarre informazioni da tali dati. Il ruolo dei team di data science è quello di ricercare nuove fonti di dati e strumenti analitici che possano aiutare a analizzare (e quindi a dare un senso) ai Big Data creati dai consumatori. Utilizzando metodi, processi, algoritmi e sistemi scientifici, gli scienziati dei dati stanno scoprendo intuizioni preziose all'interno di queste valanghe di dati.
In Nielsen, circa 1.100 data scientist hanno il compito di trovare metodi validi e ripetibili per "unire i punti" per i nostri clienti e raccontare le esigenze dei loro consumatori. Sebbene i "punti" in questa analogia rappresentino i punti di dati apparentemente illimitati a disposizione dei nostri clienti nel tentativo di comprendere i loro consumatori, sono le connessioni che i nostri data scientist sono in grado di generare a costituire l'input numero uno per il processo decisionale dei nostri clienti e il carburante per la loro crescita.
In qualità di membro del team di data scientist di Nielsen, lavoro per sviluppare soluzioni personalizzate per integrare i dati e creare connessioni chiave per i nostri clienti. Queste soluzioni includono fusioni di dati, segmentazioni personalizzate del pubblico, analisi del ROI e metodologie completamente nuove per integrare le fonti di dati e rispondere a domande aziendali specifiche sui consumatori.
Non c'è dubbio che le nuove tecnologie e i Big Data stiano rivoluzionando il modo in cui misuriamo il consumo dei media e dei prodotti che acquistiamo. Ma è importante ricordare che hanno anche dei limiti.
In genere le tecnologie non vengono create pensando alla misurazione. Di conseguenza, i Big Data possono essere falsati in molti modi. Pensate ad esempio al telecomando che usate per cambiare canale alla TV. Premendo un pulsante si invia un segnale a una scatola, che genera dati. Ma questi dati sono limitati in quanto a informazioni su di voi. Per esempio, non sa se siete stati voi a premere il pulsante o se lo ha fatto un altro membro della famiglia. I dati distorti possono portare a intuizioni errate sui consumatori e a decisioni sbagliate da parte degli addetti al marketing.
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.
E con l'aumento esponenziale della potenza offerta dall'intelligenza artificiale (AI), non è mai stato così importante garantire che i dati immessi siano puliti, affidabili e rappresentativi. L'incapacità di soddisfare questi criteri significa semplicemente che si stanno producendo volumi più elevati (grazie all'IA) di risultati scadenti. È importante ricordare che i dati sono "garbage in, garbage out". I cosiddetti dati "sufficientemente buoni" non sono sufficienti nel mondo dell'IA.
Anche gli stessi data scientist svolgono un ruolo fondamentale nel ridurre le distorsioni nelle misurazioni. Sebbene i nostri team di data science includano effettivamente alcuni statistici di grande talento, molti potrebbero essere sorpresi di sapere quanto siano diversi i nostri team. I team di Nielsen che si occupano di scienza dei dati comprendono collaboratori con background diversi, come matematica, scienze comportamentali, ingegneria chimica, fisica, insegnamento, economia e ingegneria informatica, oltre a molti altri. Queste diverse prospettive ci aiutano a garantire che le nostre misurazioni tengano conto di diversi punti di vista.
In definitiva, nell'attuale mondo dei Big Data, un numero sempre maggiore di discipline aziendali - che si tratti di finanza, servizio clienti, risorse umane, analisi dei media, ecc. La possibilità di fornire a un maggior numero di persone con background diversi le conoscenze di base dei metodi statistici, della programmazione e delle capacità analitiche apre le porte a un migliore processo decisionale in diverse aree aziendali.
Credo che questo sia di buon auspicio per il futuro della scienza dei dati, a patto che questi nuovi operatori comprendano le distorsioni e le considerazioni necessarie per trarre informazioni di qualità dai nostri dati quotidiani.
