วิทยาศาสตร์ในการสร้างความหมายของข้อมูลขนาดใหญ่

วันนี้คุณเปิดทีวีแล้วหรือยัง แล้ววิทยุล่ะ คุณคงเคยใช้แอปบนสมาร์ทโฟนของคุณ บางทีคุณอาจซื้อวัตถุดิบสำหรับมื้อเย็นจากร้านค้าหรือซื้อแชมพูขวดใหม่ทางออนไลน์

กิจกรรมทั้งหมดเหล่านี้เป็นการกระทำง่ายๆ ที่เกิดขึ้นทุกวัน แต่ในโลกปัจจุบันที่เชื่อมโยงถึงกันอย่างกว้างขวางและมักเป็นดิจิทัล กิจกรรมเหล่านี้ถือเป็นจุดข้อมูลที่มีค่าเช่นกัน

ที่สำคัญ พวกเขาสามารถช่วยให้แบรนด์และนักการตลาดเข้าใจความต้องการของผู้บริโภค ตัดสินใจได้ดีขึ้นเพื่อตอบสนองความต้องการเหล่านั้น และขับเคลื่อนการเติบโตให้กับธุรกิจในที่สุด แต่ก่อนอื่น แบรนด์และนักการตลาดต้องทำความเข้าใจข้อมูลทั้งหมดเสียก่อน

ขนาดและขอบเขตของข้อมูลที่เราทุกคนสร้างขึ้นในยุคดิจิทัลปัจจุบันนั้นอาจมหาศาล และ Nielsen ก็วัดข้อมูลนั้นได้มากทีเดียว ลองพิจารณาดู Nielsen รวบรวมข้อมูลการดูทีวี 1.7 พันล้านรายการต่อเดือน ธุรกรรมในร้านค้า 6.7 พันล้านรายการต่อเดือน และการเข้าชมออนไลน์ 1.6 ล้านล้านครั้งต่อปี! การนำข้อมูลจำนวนมหาศาลที่บางครั้งดูยุ่งเหยิงซึ่งเกิดจากการกระทำในแต่ละวันของเรามาจัดระบบให้เป็นข้อมูลที่ใช้งานได้ มีประโยชน์ และมีความหมาย ขณะเดียวกันก็ต้องเป็นผู้ดูแลข้อมูลอย่างมีความรับผิดชอบและรับรองความเป็นส่วนตัวของผู้คนด้วย จำเป็นต้องมีความรู้และทักษะเฉพาะ

โชคดีที่เทคโนโลยีและแพลตฟอร์มที่กำลังเติบโตซึ่งจัดหาแหล่งข้อมูลใหม่ๆ ให้กับแบรนด์และนักการตลาดยังช่วยให้เกิดเครื่องมือและวิธีการใหม่ๆ ในการวัดและดึงข้อมูลเชิงลึกจากข้อมูลดังกล่าวอีกด้วย หน้าที่ของทีมวิทยาศาสตร์ข้อมูลคือการแสวงหาแหล่งข้อมูลใหม่ๆ และเครื่องมือวิเคราะห์ที่สามารถช่วยวิเคราะห์ (และทำให้เข้าใจ) ข้อมูลขนาดใหญ่ที่ผู้บริโภคสร้างขึ้นได้ โดยใช้กระบวนการ อัลกอริทึม และระบบทางวิทยาศาสตร์ นักวิทยาศาสตร์ข้อมูลกำลังค้นพบข้อมูลเชิงลึกที่มีค่าภายในชุดข้อมูลแบบก้อนหิมะเหล่านี้

ที่ Nielsen นักวิทยาศาสตร์ข้อมูลประมาณ 1,100 คนได้รับมอบหมายให้ค้นหาวิธีการ "เชื่อมโยงจุดต่างๆ" ที่เหมาะสมและทำซ้ำได้สำหรับลูกค้าของเราและบอกเล่าเรื่องราวเกี่ยวกับความต้องการของผู้บริโภค แม้ว่า "จุดต่างๆ" ในคำเปรียบเทียบนี้จะแสดงถึงจุดข้อมูลที่ดูเหมือนไม่มีที่สิ้นสุดซึ่งลูกค้าของเราสามารถเข้าถึงได้ในขณะที่พวกเขาพยายามทำความเข้าใจผู้บริโภค แต่การเชื่อมต่อที่นักวิทยาศาสตร์ข้อมูลของเราสามารถสร้างได้นั้นเป็นข้อมูลสำคัญอันดับหนึ่งในการตัดสินใจของลูกค้าของเราและเป็นแรงผลักดันสำหรับการเติบโตของพวกเขา

ในฐานะสมาชิกทีมนักวิทยาศาสตร์ข้อมูลของ Nielsen ฉันทำงานเพื่อพัฒนาโซลูชันแบบกำหนดเองเพื่อบูรณาการข้อมูลและสร้างการเชื่อมต่อที่สำคัญสำหรับลูกค้าของเรา โซลูชันเหล่านี้รวมถึงการผสานรวมข้อมูล การแบ่งกลุ่มผู้ชมแบบกำหนดเอง การวิเคราะห์ ROI และวิธีการใหม่ทั้งหมดเพื่อบูรณาการแหล่งข้อมูลเพื่อตอบคำถามทางธุรกิจเฉพาะเกี่ยวกับผู้บริโภค

ไม่ต้องสงสัยเลยว่าเทคโนโลยีใหม่และบิ๊กดาต้ากำลังปฏิวัติวิธีการวัดการบริโภคสื่อและผลิตภัณฑ์ที่เราซื้อ แต่สิ่งสำคัญคือต้องจำไว้ว่าสิ่งเหล่านี้ก็มีข้อจำกัดเช่นกัน

โดยทั่วไปแล้ว เทคโนโลยีไม่ได้ถูกสร้างขึ้นมาโดยคำนึงถึงการวัดผล ดังนั้นข้อมูลขนาดใหญ่จึงอาจเกิดความลำเอียงได้ในหลาย ๆ ด้าน ลองนึกถึงรีโมทที่คุณใช้เปลี่ยนช่องทีวีของคุณ การกดปุ่มจะส่งสัญญาณไปยังกล่อง และสัญญาณนั้นจะสร้างข้อมูลขึ้นมา แต่ข้อมูลดังกล่าวมีข้อจำกัดในสิ่งที่สามารถบอกเกี่ยวกับตัวคุณได้ เช่น กล่องจะไม่ทราบว่าคุณกดปุ่มนั้นหรือไม่ หรือสมาชิกในครอบครัวคนอื่นกดปุ่มนั้นหรือไม่ ข้อมูลที่ลำเอียงอาจนำไปสู่ข้อมูลเชิงลึกที่ผิดพลาดเกี่ยวกับผู้บริโภคและการตัดสินใจที่ไม่ดีของนักการตลาด

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.

ด้วยกำลังที่เพิ่มขึ้นอย่างทวีคูณเมื่อเราใช้ปัญญาประดิษฐ์ (AI) การตรวจสอบให้แน่ใจว่าข้อมูลที่ป้อนนั้นสะอาด น่าเชื่อถือ และเป็นตัวแทนจึงมีความสำคัญมากขึ้นกว่าที่เคย หากไม่เป็นไปตามเกณฑ์นี้ ก็หมายความว่าคุณกำลังสร้างผลลัพธ์ที่ไม่ดีในปริมาณมากขึ้น (ต้องขอบคุณ AI) สิ่งสำคัญคือต้องจำไว้ว่าข้อมูลเหล่านี้เป็นขยะเข้าขยะออก ข้อมูลที่เรียกว่า "ดีเพียงพอ" นั้นไม่ดีเพียงพอในโลกของ AI

นักวิทยาศาสตร์ข้อมูลเองก็มีบทบาทสำคัญในการลดอคติในการวัดผล แม้ว่าทีมนักวิทยาศาสตร์ข้อมูลของเราจะมีนักสถิติที่มีความสามารถมากมาย แต่หลายคนอาจประหลาดใจเมื่อรู้ว่าทีมของเรามีความหลากหลายเพียงใด ทีมนักวิทยาศาสตร์ข้อมูลของ Nielsen ประกอบด้วยบุคลากรจากภูมิหลังที่หลากหลาย เช่น คณิตศาสตร์ วิทยาศาสตร์พฤติกรรม วิศวกรรมเคมี ฟิสิกส์ การสอน เศรษฐศาสตร์ และวิศวกรรมคอมพิวเตอร์ รวมถึงสาขาอื่นๆ อีกมากมาย มุมมองที่หลากหลายเหล่านี้ช่วยให้แน่ใจว่าเราพิจารณามุมมองที่แตกต่างกันในการวัดผลของเรา

ในโลกแห่งข้อมูลขนาดใหญ่ในปัจจุบัน สาขาวิชาธุรกิจต่างๆ มากมาย ไม่ว่าจะเป็นด้านการเงิน การบริการลูกค้า ทรัพยากรบุคคล การวิเคราะห์สื่อ ฯลฯ ต่างก็พัฒนาไปพร้อมกับการนำวิทยาศาสตร์ข้อมูลมาใช้ในการปฏิบัติงานของตนเอง การส่งเสริมให้ผู้คนที่มีภูมิหลังที่หลากหลายมีความรู้พื้นฐานเกี่ยวกับวิธีการทางสถิติ การเขียนโปรแกรม และทักษะการวิเคราะห์มากขึ้น จะช่วยเปิดประตูสู่การตัดสินใจที่ดีขึ้นในด้านต่างๆ ของธุรกิจในปัจจุบัน

ฉันเชื่อว่านี่เป็นลางดีสำหรับอนาคตของวิทยาศาสตร์ข้อมูล โดยจะต้องให้ผู้เข้าใหม่ในสาขานี้เข้าใจอคติและข้อควรพิจารณาที่จำเป็นในการรวบรวมข้อมูลเชิงลึกที่มีคุณภาพจากภายในจุดข้อมูลรายวันของเรา