Para o setor de mídia, o período entre março e maio é o momento certo. Entre os vários eventos iniciais que abrangem o cenário de mídia, que não estão mais vinculados a plataformas e tecnologias individuais, o mercado de conteúdo em expansão apresenta uma riqueza de oportunidades e uma extensão de informações para os compradores e vendedores de anúncios navegarem, especialmente em meio às crescentes conversas sobre big data para medição.
For advertisers, numbers are critical this time of year. And as TV consumption fragments amid rising digital engagement, they take on even greater importance. How important? An Ampere Analysis study found that total spend on content in 2021 totaled about $220 billion, led by streaming powerhouse Netflix. And advertisers, knowing that Americans streamed almost 15 million years’ worth of video last year, are rallying, as worldwide digital ad spend surged more than 29% in 2021 to eclipse $491 billion.
What’s more, consumers have no plans of changing the trajectory of the streaming industry, as 93% of streaming subscribers say they plan to increase their usage over the next year. That doesn’t mean, however, that traditional TV content is out of the picture. Quite the opposite, as the average adult spends more than twice as much time per day with live TV than they do with connected TV (CTV) content.
A abundância cada vez maior de conteúdo apresenta uma riqueza crescente de opções para os consumidores, mas a miríade de plataformas, dispositivos e serviços pode apresentar desafios de medição para os anunciantes. Além disso, a explosão de opções não criou mais tempo para se envolver com o conteúdo, nem criou mais pessoas. Mas o big data, incluindo o que vem das smart TVs (ACR) e dos decodificadores de TV a cabo (RPD), tem uma maneira de sugerir o contrário. Os dados dos decodificadores de TV a cabo e das smart TVs também fornecem poucas informações sobre a atividade de streaming: Os decodificadores de TV a cabo, por definição, fornecem dados de TV tradicional, e o ACR geralmente é desligado quando o público usa aplicativos nativos, incluindo o Netflix.
Além de nunca ter sido planejado para ser usado para medição, o big data não reflete as pessoas reais. Não há dúvidas sobre o valor do RPD e do ACR, pois eles fornecem escala para a medição, mas o big data reflete os dispositivos, não as pessoas reais. Os dados por si só não podem dizer quem está assistindo e quem não está, o que é uma necessidade fundamental para os anunciantes. E quando as pessoas são removidas da equação, os números simplesmente não batem.
Veja os dados ACR, por exemplo, que identificam as imagens nas telas das smart TVs. Esses dados podem ser muito úteis na medição de audiência, mas, por si só, não fazem nada mais do que identificar o que está em uma tela. Os dados de RPD são semelhantes, mas não têm a capacidade de verificar se um aparelho de TV está ligado. É por isso que um quarto de todas as impressões de set-top-box vem de TVs que nem sequer estão ligadas.
Além de não saber quem está usando um dispositivo ou uma tela, o big data é inerentemente tendencioso, e essa tendência depende do tipo de dados. Para que o big data represente realmente a população dos EUA, todas as residências com TV precisariam ter exatamente o mesmo aparelho de TV e acessar a programação por meio do mesmo fluxo de dados. É por isso que todos os conjuntos de Big Data precisam ser nivelados - calibrados - com painéis baseados em pessoas que reflitam a diversidade da população dos EUA.
Importantly, the World Federation of Advertisers, the Association of National Advertisers and the comparable organizations in over 30 other nations have unanimously stated that the future audience measurement system for screen media must be a combination of quality panel and big data.
Sem dados de painel, a medição não capta a diversidade. Não só sabemos que todas as residências com TV nunca acessarão o mesmo conteúdo nos mesmos dispositivos, como também sabemos que a composição das residências é tão variada quanto o tecido do país que contém as residências com TV. É nesse ponto que a medição baseada em big data erra o alvo - de forma significativa.
Por exemplo, os hispânicos representam pouco menos de 20% da população dos EUA, mas o big data subestima significativamente esse público, além de muitos outros. No entanto, quando a medição se baseia apenas no RPD, as análises da Nielsen descobriram que ele sub-representa os lares hispânicos em 30%. Para colocar isso em perspectiva, considere o seguinte: O Censo dos EUA de 2020 determinou que a população hispânica era de pouco mais de 62 milhões. Se metade dessa população estiver assistindo à TV em um determinado momento e os anunciantes utilizarem os dados de RPD para medição, eles poderão atingir 9 milhões de pessoas a mais do que imaginam.
É importante ressaltar que a sub-representação de 30% é uma média. Em nível de programa, o big data pode sub-representar ou super-representar por margens muito maiores - tanto para a população em geral quanto para públicos diversos. Por exemplo, um estudo da Nielsen sobre as variações entre a medição de big data e sua medição padrão de ouro baseada em painel constatou que a medição de RPD superestimou em 69% o total de impressões nos EUA para um programa de horário nobre. Comparativamente, a medição ACR subestimou o total em 12%. Para um evento esportivo, a medição da RPD subestimou o público hispânico em 47%, enquanto os dados da ACR superestimaram o mesmo público em 12%.
Para os anunciantes, essas variações de medição podem custar caro. A crescente oferta de novas fontes de dados, no entanto, aumenta a complexidade da medição, especialmente quando ela pode não estar conectada a pessoas reais. Os editores e anunciantes sempre desejarão o maior alcance possível, mas certamente não sem o rigor analítico necessário para validá-lo.
À medida que o linear e o digital convergem, as fontes de big data são insumos essenciais para a medição. Mas elas não são confiáveis como fontes de medição por si só. À medida que os consumidores se envolvem com mais dispositivos e mais canais, será fácil apontar para dados que afirmam um envolvimento potencialmente superestimado. Os anunciantes certamente gostariam de receber os tamanhos de público que muitos públicos alternativos sugerem, mas se colocarem suas compras de anúncios em relação a esses números, acabarão pagando por números que não refletem as pessoas reais.
