I vantaggi del progresso tecnologico sono apparentemente infiniti. Possiamo controllare la sicurezza delle nostre case dai nostri telefoni, ricevere consegne di generi alimentari da parte di droni e persino guidare auto che possono parcheggiare in parallelo per noi. I nostri televisori stanno diventando altrettanto avanzati, offrendo una scelta di contenuti apparentemente infinita attraverso un panorama di piattaforme e canali in continua crescita. Tuttavia, nonostante le numerose porte che le smart TV apriranno nei prossimi anni, non saranno in grado da sole di fornire al settore dei media una visione accurata di chi le utilizza.
I televisori intelligenti hanno conquistato la corsia dei televisori della grande distribuzione locale. Oggi è difficile trovare in un negozio un televisore che non sia connesso a Internet. E come tutti i dispositivi connessi, le smart TV contribuiscono alla crescente proliferazione di dati generati dagli utenti: I dati del riconoscimento automatico dei contenuti (ACR) sono la tecnologia che gli OEM utilizzano per acquisire la sintonizzazione sulle smart TV. Se combinati con informazioni che dettagliano il comportamento rappresentativo a livello personale, questi set di dati fanno progredire in modo significativo la scienza della misurazione dell'audience.
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.
Quando funziona come previsto, la tecnologia ACR monitora le immagini proiettate sul vetro del televisore e le utilizza per dedurre il contenuto visualizzato. Le immagini servite dall'ACR agiscono per molti versi come un'impronta digitale del contenuto. Ma dopo aver raccolto le "impronte digitali", la tecnologia deve determinare su quale rete o piattaforma è apparsa l'immagine e quando è apparsa. Per fare questa determinazione, la tecnologia deve confrontare l'immagine sullo schermo con un'immagine contenuta in una libreria di riferimento gestita dal produttore.
Ci sono tre possibili risultati quando la tecnologia tenta di fare questa corrispondenza:
- L'immagine corrisponde a una singola voce della libreria di riferimento
- L'immagine corrisponde a più voci della libreria di riferimento
- Un'immagine corrispondente non è presente nella libreria di riferimento
Per tutte le parti coinvolte, il primo risultato è lo scenario ideale. Il secondo scenario è meno ideale e comporta un certo livello di rischio di errore di accreditamento, semplicemente a causa delle varie ragioni per cui si verificano le partite multiple (ad esempio, trasmissioni su più reti, ripetizioni, simulcast). Nel terzo scenario, nessuno ottiene il credito, che è ovviamente lo scenario meno auspicabile. La ragione più comune di questo risultato è che il contenuto è andato in onda su una rete che l'OEM non controlla.
Anche se la corrispondenza delle immagini fosse una soluzione di misurazione autonoma, la capacità di sfruttarla come tale non sarebbe mai realizzabile. Come si può immaginare, il costo per mantenere una libreria di ogni singolo fotogramma di ogni evento televisivo non è un compito da poco. Ed è anche un compito che crescerà in modo esponenziale in perpetuo. Inoltre, non esistono periodi di conservazione standard per le immagini.
Come facciamo a sapere che la tecnologia ACR farà l'abbinamento giusto? Senza un meccanismo in grado di riempire gli spazi vuoti, non lo sappiamo. Ecco perché Nielsen ha investito nei watermark, che sono molto più deterministici delle firme, e nei backup delle firme per ogni feed misurato. In questo modo si ottiene una rappresentazione di tutti i contenuti, colmando le lacune associate ai big data di per sé. Una volta colmate queste lacune, i big data provenienti da fonti come ACR offrono il vantaggio della scala in un panorama mediatico sempre più segmentato. E quando utilizziamo i controlli di ponderazione per calibrare i big data con i dati di visualizzazione a livello di persona, siamo in grado di vedere punti di confronto che altrimenti sarebbero vuoti.
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.
Tra tutte le fonti di visualizzazione, abbiamo scoperto che i nostri partner fornitori di ACR monitorano solo il 31% delle stazioni disponibili. Ciò significa che non mantengono i dati nelle loro biblioteche di riferimento per il 69% delle stazioni. Quando abbiamo esaminato i minuti visualizzati, abbiamo scoperto che il 23% dei minuti proveniva da stazioni non monitorate. Ciò significa che le aziende che si basano solo sui dati ACR per la misurazione, sottovalutano le impressioni a livello domestico del 23%.
Nonostante i limiti dei dati ACR da soli, comprendiamo l'opportunità di scala e di portata che essi offrono come fonte aggiuntiva di copertura, simile a quella dei dati sul percorso di ritorno (RPD) dai set-top box, che la nostra strategia di big data calibra anche con i dati dei panel per affrontare limitazioni comparabili. Integrando i set di big data con i nostri dati di ascolto, che forniscono una misurazione rappresentativa del totale degli Stati Uniti, siamo in grado di aumentare in modo significativo le dimensioni dei nostri campioni, applicando al contempo rigorose metodologie di data science per colmare le lacune e garantire un'equa rappresentazione dell'audience totale degli Stati Uniti attraverso tutte le reti e le piattaforme.
A version of this article originally appeared on AdExchanger.
