Czy włączyłeś dziś telewizor? A co z radiem? Prawdopodobnie korzystałeś z aplikacji na smartfonie. Może kupiłeś składniki na obiad w sklepie lub nową butelkę szamponu online.
Wszystkie te działania są prostymi, codziennymi czynnościami. Ale w dzisiejszym rozległym, wzajemnie połączonym i często cyfrowym świecie są one również cennymi punktami danych.
Co ważne, mogą one pomóc markom i marketerom zrozumieć potrzeby konsumentów, podejmować lepsze decyzje w celu zaspokojenia tych potrzeb i ostatecznie napędzać wzrost ich firm. Ale najpierw marki i marketerzy muszą zrozumieć wszystkie dane.
Rozmiar i zakres danych, które wszyscy generujemy w dzisiejszej erze cyfrowej, może być oszałamiający, a Nielsen mierzy wiele z nich. Rozważmy to: Nielsen gromadzi 1,7 miliarda rekordów oglądalności telewizji każdego miesiąca, 6,7 miliarda transakcji sklepowych każdego miesiąca i 1,6 biliona wyświetleń online każdego roku! Zbieranie ogromnych, czasem nieuporządkowanych stosów danych generowanych przez nasze codzienne działania i organizowanie ich w użyteczne, praktyczne i znaczące informacje - przy jednoczesnym odpowiedzialnym zarządzaniu danymi i zapewnianiu prywatności ludzi - wymaga określonej wiedzy i umiejętności.
Na szczęście rozwijające się technologie i platformy, które zapewniają nowe źródła danych dla marek i marketerów, umożliwiają również nowe narzędzia i środki do pomiaru i wyciągania wniosków z tych danych. Rolą zespołów data science jest poszukiwanie nowych źródeł danych i narzędzi analitycznych, które mogą pomóc w analizie (a tym samym nadaniu sensu) Big Data tworzonych przez konsumentów. Korzystając z metod naukowych, procesów, algorytmów i systemów, naukowcy zajmujący się danymi odkrywają cenne spostrzeżenia w tych zestawach punktów danych.
W Nielsen około 1100 naukowców zajmujących się danymi ma za zadanie znaleźć solidne, powtarzalne metody "łączenia kropek" dla naszych klientów i opowiadania historii o potrzebach ich konsumentów. Podczas gdy "kropki" w tej analogii reprezentują pozornie nieograniczone punkty danych dostępne dla naszych klientów, którzy starają się zrozumieć swoich konsumentów, to połączenia, które nasi analitycy danych są w stanie wygenerować, są numerem 1 w podejmowaniu decyzji przez naszych klientów i napędzają ich rozwój.
Jako członek zespołu analityków danych firmy Nielsen pracuję nad opracowywaniem niestandardowych rozwiązań w celu integracji danych i tworzenia kluczowych połączeń dla naszych klientów. Rozwiązania te obejmują fuzje danych, niestandardowe segmentacje odbiorców, analizy ROI i zupełnie nowe metodologie integracji źródeł danych w celu uzyskania odpowiedzi na konkretne pytania biznesowe dotyczące konsumentów.
Nie ma wątpliwości, że nowe technologie i Big Data rewolucjonizują sposób, w jaki mierzymy konsumpcję mediów i produktów, które kupujemy. Należy jednak pamiętać, że mają one również swoje ograniczenia.
Technologie nie są zazwyczaj tworzone z myślą o pomiarach. W rezultacie Big Data może być stronnicza na wiele sposobów. Pomyśl na przykład o pilocie używanym do zmiany kanału w telewizorze. Naciśnięcie przycisku wysyła sygnał do skrzynki, a ten sygnał generuje dane. Dane te są jednak ograniczone pod względem tego, co mogą o tobie powiedzieć. Na przykład nie wie, czy to ty nacisnąłeś przycisk, czy zrobił to inny członek rodziny. Stronnicze dane mogą prowadzić do błędnych spostrzeżeń na temat konsumentów i złych decyzji podejmowanych przez marketerów.
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.
A wraz z wykładniczo rosnącą mocą oferowaną, gdy wykorzystujemy sztuczną inteligencję (AI) do pracy, nigdy nie było bardziej krytyczne, aby zapewnić, że dane wejściowe są czyste, zaufane i reprezentatywne. Niespełnienie tych kryteriów oznacza po prostu generowanie większej ilości słabych wyników (dzięki sztucznej inteligencji). Ważne jest, aby pamiętać, że to śmieci na wejściu, śmieci na wyjściu. Tak zwane "wystarczająco dobre" dane po prostu nie są wystarczająco dobre w świecie sztucznej inteligencji.
Sami naukowcy zajmujący się danymi również odgrywają kluczową rolę w zmniejszaniu stronniczości w pomiarach. Podczas gdy nasze zespoły data science rzeczywiście obejmują bardzo utalentowanych statystyków, wielu może być zaskoczonych, gdy dowiedzą się, jak różnorodne są nasze zespoły. Zespoły data science Nielsena obejmują pracowników z różnych środowisk, takich jak matematyka, nauki behawioralne, inżynieria chemiczna, fizyka, nauczanie, ekonomia i inżynieria komputerowa, a także wiele innych. Te zróżnicowane perspektywy pomagają nam zapewnić, że w naszych pomiarach uwzględniamy różne punkty widzenia.
Ostatecznie, w dzisiejszym świecie Big Data, coraz więcej dyscyplin biznesowych - czy to finanse, obsługa klienta, zasoby ludzkie, analityka medialna itp. - ewoluuje w kierunku włączenia nauki o danych do swoich praktyk. Wzmocnienie pozycji większej liczby osób z różnych środowisk dzięki podstawowej wiedzy z zakresu metod statystycznych, programowania i umiejętności analitycznych otwiera drzwi do lepszego podejmowania decyzji w różnych obszarach dzisiejszego biznesu.
Uważam, że dobrze wróży to przyszłości nauki o danych, pod warunkiem, że ci nowi uczestnicy tej dziedziny zrozumieją uprzedzenia i względy niezbędne do zebrania wysokiej jakości spostrzeżeń z naszych codziennych punktów danych.
