今日はテレビをつけましたか？ニールセンについて ラジオは？スマートフォンのアプリを使ったかもしれない。もしかしたら、お店で夕食の材料を買ったり、新しいシャンプーのボトルをネットで購入したかもしれない。
これらの行動はすべて、シンプルで日常的な行動である。しかし、今日の広大で相互接続された、そして頻繁にデジタル化された世界では、これらは貴重なデータポイントでもある。
重要なことは、ブランドやマーケターが消費者のニーズを理解し、そのニーズを満たすためにより良い決断を下し、最終的にビジネスの成長を促進するのに役立つということだ。しかしその前に、ブランドとマーケターはすべてのデータを理解する必要がある。
今日のデジタル時代において、私たち全員が生み出すデータの規模と範囲は驚異的であり、ニールセンはその多くを測定している。ニールセンは多くのデータを測定している：ニールセンは毎月17億件のテレビ視聴記録、毎月67億件の店舗取引、毎年1兆6000億件のオンライン・インプレッションを収集している！私たちの日々の行動から生み出される膨大で、時に厄介なデータの山を、使いやすく、実用的で、意味のある情報に整理し、同時にデータの責任者として、人々のプライバシーを確保するためには、特別な知識とスキルが必要です。
幸いなことに、ブランドやマーケターに新しいデータソースを提供するテクノロジーやプラットフォームが急成長しているため、そのデータを測定し、そこから洞察を引き出すための新しいツールや手段も登場している。消費者が作成するビッグデータを解析する（つまり意味を理解する）のに役立つ新しいデータソースと分析ツールを追求するのは、データサイエンスチームの役割だ。科学的手法、プロセス、アルゴリズム、システムを駆使して、データ・サイエンティストは、雪だるま式に増えるデータ・ポイントの中から貴重なインサイトを発見している。
ニールセンでは、約1,100名のデータサイエンティストが、クライアントのために「点と点をつなぐ」確実で再現可能な方法を見つけ、ニールセンについて 、消費者のニーズを伝えることを使命としています。この例えの「点」は、クライアントが消費者を理解しようとする際に利用可能な、一見無限に見えるデータポイントを表していますが、データサイエンティストが生み出すことができる「つながり」こそが、クライアントの意思決定へのNo.1インプットであり、クライアントの成長の原動力なのです。
ニールセンのデータサイエンティストチームの一員として、データを統合し、クライアントのために重要なつながりを生み出すカスタムソリューションの開発に取り組んでいます。これらのソリューションには、データフュージョン、カスタムオーディエンスセグメンテーション、ROI分析、特定のビジネスクエスチョンに答えるためにデータソースを統合するための全く新しい方法論などが含まれますニールセンについて 消費者。
新しいテクノロジーやビッグデータが、メディアや商品の消費量を測定する方法に革命をもたらしていることは間違いない。しかし、これらにも限界があることも忘れてはならない。
テクノロジーは通常、計測を念頭に置いて作られるものではない。その結果、ビッグデータには様々な偏りが生じる可能性がある。ニールセンについて 例えば、テレビのチャンネルを変えるのに使うリモコンを考えてみよう。ボタンを押すとボックスに信号が送られ、その信号によってデータが生成される。しかし、そのデータはニールセンについて 、あなたに伝えることができることは限られている。例えば、あなたがボタンを押したのか、他の家族が押したのかはわからない。偏ったデータは、誤った洞察（ニールセンについて ）を消費者にもたらし、マーケティング担当者の判断を誤らせる可能性がある。
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.
そして、人工知能（AI）を働かせることで飛躍的に向上する馬力に伴い、データ入力がクリーンで信頼できる代表的なものであることを保証することが、かつてないほど重要になっている。この基準を満たさなければ、（AIのおかげで）質の低い結果を大量に生み出すことになる。ガベージ・イン、ガベージ・アウトであることを忘れてはならない。いわゆる「十分な」データは、AIの世界では十分なものではないのだ。
データサイエンティスト自身もまた、測定におけるバイアスを減らす上で重要な役割を果たしている。ニールセンのデータサイエンスチームには非常に優秀な統計学者もいますが、その多様性に驚かれる方も多いでしょう。ニールセンのデータサイエンスチームには、数学、行動科学、化学工学、物理学、教育学、経済学、コンピュータ工学など、様々なバックグラウンドを持つアソシエイトが所属しています。このような多様な視点は、私たちが測定において異なる視点を考慮することを保証するのに役立っています。
結局のところ、今日のビッグデータの世界では、財務、顧客サービス、人事、メディア分析など、より多くのビジネス分野が、それぞれの業務にデータサイエンスを取り入れるように進化している。統計的手法、プログラミング、分析スキルの中核となる知識を持つ、多様なバックグラウンドを持つより多くの人々に力を与えることは、今日のビジネスのさまざまな分野にわたって、より良い意思決定への扉を開くことになる。
データ・サイエンスの未来にとって、このことは良い兆しだと私は信じている。この分野への新規参入者たちが、日々のデータ・ポイントから質の高い洞察を得るために必要なバイアスや考慮事項を理解しているのであれば。
