A verdade na medição nunca foi tão importante quanto hoje. Portanto, a verdade é nossa única agenda. Mas chegar a essa verdade nunca foi tão complicado. Embora muitos vejam o big data como uma panaceia para a medição em um mundo digitalmente rico, sabemos que não é tão simples assim.
Nielsen’s panels have been the foundation of persons-level measurement for decades, and they remain so today. The growth of big data, however, can’t be ignored as a source of valuable information. But big data alone isn’t suitable for representative measurement. Think about when you change the channel on your TV. That change becomes part of big data, but there is no record of who made the change or who witnessed it.
To highlight the shortcomings of big data from a measurement perspective, we conducted an analysis in the U.S. earlier this year that compared set-top box data with set-top box data that we calibrated with Nielsen panel data. The analysis found that the uncalibrated data is inherently biased and underrepresents minority audiences.
Isso não quer dizer, entretanto, que o big data não tenha valor. Muito pelo contrário. Mas ele precisa ser baseado em um conjunto de verdades fundamentais. É aí que entram em cena nossos painéis e a inteligência artificial (IA). Nossos dados de painel - a chave para a medição em nível de pessoas - são o conjunto de verdade perfeito para o treinamento de big data.
Por meio da aplicação de IA, usamos big data para ampliar drasticamente nossos recursos de medição, preservando a qualidade e a representatividade. Atualmente, a IA é parte integrante de nossas metodologias de medição. Por exemplo, ela desempenhou um papel fundamental no desenvolvimento de nossos recursos de medição aprimorados para mercados de TV locais, que combinam a escala de big data (dados de caminho de retorno {RPD} de aparelhos de TV) com dados de painel totalmente representativos no mercado.
Ao procurarmos integrar o RPD em nossa medição local, identificamos quatro usos principais da IA.
Reconhecimento de padrões de dados
Ao pesquisarmos maneiras de integrar o RPD em nossa medição, identificamos limitações associadas ao RPD por meio do que chamamos de "análises de lares comuns". Para essas análises, que continuam até hoje, comparamos os dados de sintonia dos medidores da Nielsen com os dados de sintonia do RPD. Essas análises abrangem mais de 5.000 residências (12.000 TVs) todos os meses e descobriram que o RPD deixa passar algumas sintonias.
Para resolver essa deficiência, desenvolvemos uma técnica com patente pendente que usa classificadores para reconhecer os padrões associados à falta de sintonia nas residências RPD. A partir daí, os algoritmos de IA removem essas residências do uso na medição.
Como saber quando os decodificadores estão ligados e os aparelhos de TV estão desligados
As análises domésticas comuns da Nielsen analisam mais de 77 milhões de minutos de sintonia em um determinado mês, o que proporciona percepções poderosas. Essa sintonia, entretanto, nem sempre é precisa. Por exemplo, as pessoas nem sempre desligam seus decodificadores quando desligam seus aparelhos de TV. O RPD apresenta essas situações como visualização de TV, mesmo que ninguém esteja assistindo.
Podemos superar essa limitação empregando classificadores de aprendizagem profunda para identificar situações em que o decodificador está ligado enquanto a TV está desligada. Em seguida, o algoritmo remove o ajuste inválido do RPD.
Identificação de características do domicílio e informações demográficas do RPD
O RPD não tem nome nem rosto e não pode fornecer informações demográficas. As informações demográficas são essenciais para representar corretamente todos os segmentos de uma população. Além disso, a medição precisa significa ser capaz de medir pessoas, não apenas residências.
Assim, para desvendar as poderosas informações contidas nos lares RPD, calibramos o RPD com as características conhecidas, dados demográficos e informações de sintonia de mais de 45.000 lares medidos pela Nielsen e características e dados demográficos atribuídos por terceiros. Em seguida, adicionamos esses dados a uma rede neural recorrente com patente pendente e a uma técnica de programação de inteiros mistos que identifica com precisão as características e os dados demográficos dos lares com RPD. Esse algoritmo de IA nos permite informar com precisão as características demográficas das pessoas e das residências.
Determinação da localização da sala do Set-Top-Box
As informações do painel da Nielsen fornecem informações sobre o espectador e o local de exibição. A RPD não fornece nenhum desses dados. No entanto, podemos obter essas informações da RPD por meio de IA. Usamos uma metodologia cientificamente comprovada para identificar qual membro da família está assistindo e onde a visualização está ocorrendo dentro da residência.
Pesquisas descobriram que a localização da sala é um dos principais indicadores de quais membros da família fazem parte de uma audiência. Portanto, usamos um classificador para identificar a localização da sala do decodificador em que a sintonia está ocorrendo nas residências dos RPDs. Dessa forma, podemos usar essa variável no processo de atribuição de espectadores.
Com tantas informações disponíveis atualmente, é tentador ver o big data com óculos cor-de-rosa. No entanto, sem uma conexão com as pessoas, o big data está longe de ser preciso. Descobrimos que a IA é uma maneira poderosa de lidar com o viés no big data e ficamos muito satisfeitos em levar a inovação aos clientes. Essa inovação se beneficia tanto da riqueza de informações que as fontes de big data fornecem quanto de um conjunto de verdade que garante que eles possam planejar, ativar e medir com base em dados representativos e precisos.
This article first appeared on Medium.
