ข้อมูลขนาดใหญ่จากสมาร์ททีวีไม่เพียงพอที่จะวัดกลุ่มเป้าหมาย

ประโยชน์ของเทคโนโลยีที่ก้าวหน้านั้นดูเหมือนจะไม่มีที่สิ้นสุด เราสามารถตรวจสอบความปลอดภัยของบ้านของเราได้จากโทรศัพท์ รับสินค้าชำที่ส่งถึงที่ด้วยโดรน หรือแม้แต่ขับรถยนต์ที่สามารถจอดขนานกับเราได้ ทีวีของเราก็ได้รับการพัฒนาอย่างก้าวหน้าไม่แพ้กัน โดยมีตัวเลือกเนื้อหาที่ดูเหมือนจะไม่มีที่สิ้นสุดในภูมิทัศน์ของแพลตฟอร์มและช่องทางที่เติบโตอย่างต่อเนื่อง แม้ว่าสมาร์ททีวีจะเปิดโอกาสมากมายในอีกไม่กี่ปีข้างหน้า แต่สมาร์ททีวีเองก็ไม่สามารถให้มุมมองที่ถูกต้องแก่ภาคอุตสาหกรรมสื่อได้ว่าใครกำลังใช้สมาร์ททีวีอยู่

สมาร์ททีวีเข้ามาแทนที่ทีวีในร้านค้าปลีกขนาดใหญ่ในพื้นที่ของคุณแล้ว ในปัจจุบันนี้ คุณคงจะต้องพยายามอย่างหนักเพื่อหาทีวีในร้านค้าที่ไม่รองรับอินเทอร์เน็ต และเช่นเดียวกับอุปกรณ์ที่เชื่อมต่ออื่นๆ สมาร์ททีวียังช่วยเพิ่มจำนวนข้อมูลที่ผู้ใช้สร้างขึ้นอีกด้วย ข้อมูลการจดจำเนื้อหาอัตโนมัติ (ACR) เป็นเทคโนโลยีที่ OEM ใช้ในการบันทึกการปรับจูนบนสมาร์ททีวี เมื่อรวมกับข้อมูลที่แสดงรายละเอียดพฤติกรรมของบุคคล ชุดข้อมูลเหล่านี้จะช่วยพัฒนาวิทยาศาสตร์ในการวัดผู้ชมได้อย่างมาก

Given the wide adoption of smart TVs and the data they produce, it’s not surprising that an array of companies are looking to ACR data as a way to measure audiences. From a sheer scale perspective, the opportunity is very appealing. Yet as lucrative a data source as ACR is, it isn’t sufficient by itself to measure audiences, simply because it lacks the most important aspect there is in audience measurement: people. In addition to not being representative—or even aware if someone is actually watching what’s on the screen—ACR data has a critical validation flaw: It requires the device manufacturer to match the image on the screen with a reference image in order to determine what content is being displayed. So, the best way to unlock the true potential of ACR data is to calibrate it with data that reflects true person-level viewing behavior. 

เมื่อทำงานตามที่ออกแบบไว้ เทคโนโลยี ACR จะตรวจสอบภาพที่ฉายบนกระจกทีวี และใช้ภาพเหล่านั้นเพื่ออนุมานเนื้อหาที่กำลังแสดง ภาพที่ ACR ทำหน้าที่เสมือนลายนิ้วมือของเนื้อหา แต่หลังจากรวบรวม "ลายนิ้วมือ" แล้ว เทคโนโลยีจะต้องกำหนดว่าภาพปรากฏบนเครือข่ายหรือแพลตฟอร์มใด รวมถึงเมื่อใด เพื่อให้ตัดสินใจได้ เทคโนโลยีจะต้องจับคู่ภาพบนหน้าจอกับภาพที่อยู่ในไลบรารีอ้างอิงที่ผู้ผลิตดูแล

มีผลลัพธ์ที่เป็นไปได้สามประการเมื่อเทคโนโลยีพยายามจับคู่กัน:

• รูปภาพตรงกับรายการเดียวในห้องสมุดอ้างอิง 
• รูปภาพตรงกับรายการหลายรายการในห้องสมุดอ้างอิง
• รูปภาพที่ตรงกันไม่มีอยู่ในไลบรารีอ้างอิง

สำหรับทุกฝ่ายที่เกี่ยวข้อง ผลลัพธ์แรกคือสถานการณ์ที่เหมาะสมที่สุด สถานการณ์ที่สองนั้นไม่เหมาะสมนัก และมีความเสี่ยงที่จะเกิดการเข้าใจผิดในระดับหนึ่ง เพียงเพราะเหตุผลต่างๆ มากมายสำหรับการจับคู่หลายรายการ (เช่น การออกอากาศข้ามเครือข่าย การออกอากาศซ้ำ การถ่ายทอดสดพร้อมกัน) ในสถานการณ์ที่สาม ไม่มีใครได้รับเครดิต ซึ่งเห็นได้ชัดว่าเป็นสถานการณ์ที่ไม่น่าปรารถนาที่สุด เหตุผลที่พบบ่อยที่สุดสำหรับผลลัพธ์นี้คือเนื้อหาที่ออกอากาศบนเครือข่ายที่ OEM ไม่ได้ตรวจสอบ

แม้ว่าการจับคู่ภาพจะเป็นโซลูชันการวัดแบบสแตนด์อโลนที่มีประสิทธิภาพ แต่ความสามารถในการใช้ประโยชน์จากโซลูชันดังกล่าวนั้นไม่สามารถทำได้จริง ดังที่คุณนึกภาพออก ค่าใช้จ่ายในการบำรุงรักษาไลบรารีของทุกเฟรมของทุกเหตุการณ์ทางโทรทัศน์นั้นไม่ใช่เรื่องเล็กน้อย นอกจากนี้ยังเป็นงานที่จะเพิ่มขึ้นอย่างทวีคูณตลอดไป นอกจากนี้ยังไม่มีระยะเวลาการเก็บรักษามาตรฐานสำหรับภาพอีกด้วย

แล้วเราจะรู้ได้อย่างไรว่าเทคโนโลยี ACR จะจับคู่ได้ถูกต้อง หากไม่มีกลไกที่จะเติมเต็มช่องว่าง เราก็จะไม่รู้ นั่นคือเหตุผลที่ Nielsen จึงลงทุนกับลายน้ำซึ่งกำหนดได้ชัดเจนกว่าลายเซ็นมาก รวมถึงการสำรองข้อมูลลายเซ็นสำหรับฟีดที่วัดได้ทุกครั้ง ซึ่งจะทำให้แสดงเนื้อหาทั้งหมดได้ โดยเติมเต็มช่องว่างที่เกี่ยวข้องกับข้อมูลขนาดใหญ่ด้วยตัวเอง เมื่อเติมเต็มช่องว่างเหล่านี้แล้ว ข้อมูลขนาดใหญ่ที่ได้มาจากแหล่งต่างๆ เช่น ACR จะให้ประโยชน์ในด้านขนาดในภูมิทัศน์สื่อที่แบ่งส่วนมากขึ้นเรื่อยๆ และเมื่อเราใช้การควบคุมน้ำหนักเพื่อปรับเทียบข้อมูลขนาดใหญ่กับข้อมูลการรับชมในระดับบุคคล เราก็จะสามารถเห็นจุดเปรียบเทียบที่ไม่เช่นนั้นก็จะว่างเปล่า

In a recent study, Nielsen looked to understand the degree to which these reference library gaps affect ACR tuning logs—the basis for ACR-based measurement. In a September 2021 common homes analysis, we analyzed data from our two ACR provider partners to understand where reference library gaps might factor into measurement. In our study, we looked at both the concentration of viewing sources and the viewed minutes from the available sources. 

จากแหล่งรับชมทั้งหมด เราพบว่าพันธมิตรผู้ให้บริการ ACR ของเราตรวจสอบสถานีที่พร้อมให้บริการเพียง 31% เท่านั้น ซึ่งหมายความว่าพวกเขาไม่ได้จัดเก็บข้อมูลในห้องสมุดอ้างอิงสำหรับสถานี 69% เมื่อเราตรวจสอบจำนวนนาทีที่รับชม เราพบว่า 23% ของนาทีนั้นมาจากสถานีที่ไม่ได้รับการติดตาม ซึ่งหมายความว่าบริษัทที่ใช้ประโยชน์จากข้อมูล ACR เพียงอย่างเดียวในการวัดผลจะนับจำนวนการแสดงผลในระดับครัวเรือนต่ำกว่าความเป็นจริงถึง 23%

แม้ว่าข้อมูล ACR จะมีข้อจำกัดในตัวของมันเอง แต่เราก็เข้าใจถึงโอกาสในการปรับขนาดและการเข้าถึงที่ข้อมูล ACR มอบให้ในฐานะแหล่งข้อมูลเพิ่มเติม ซึ่งคล้ายกับข้อมูลเส้นทางการส่งคืน (RPD) จากกล่องรับสัญญาณโทรทัศน์ ซึ่งกลยุทธ์บิ๊กดาต้าของเรายังปรับเทียบด้วยข้อมูลแผงเพื่อแก้ไขข้อจำกัดที่เทียบเคียงได้ ด้วยการบูรณาการชุดข้อมูลบิ๊กดาต้ากับข้อมูลการรับชมของเรา ซึ่งให้การวัดที่เป็นตัวแทนของจำนวนสหรัฐอเมริกาทั้งหมด เราจึงสามารถเพิ่มขนาดตัวอย่างของเราได้อย่างมากในขณะที่ใช้ระเบียบวิธีทางวิทยาศาสตร์ข้อมูลที่เข้มงวดเพื่อเติมเต็มช่องว่างและรับรองการแสดงที่ยุติธรรมของผู้ชมสหรัฐอเมริกาทั้งหมดในทุกเครือข่ายและแพลตฟอร์ม

A version of this article originally appeared on AdExchanger.