你今天打开电视了吗？收音机呢？你可能使用过智能手机上的应用程序。也许您在商店购买了晚餐的食材，或者在网上购买了一瓶新的洗发水。
所有这些活动都是简单的日常行为。但在当今这个广阔、互联且经常数字化的世界里，它们也是宝贵的数据点。
重要的是，它们可以帮助品牌和营销人员了解消费者的需求，做出更好的决策来满足这些需求，并最终推动业务增长。但首先，品牌和营销人员需要理解所有数据。
在当今的数字时代，我们所产生的数据的规模和范围都是惊人的，而尼尔森测量了大量的数据。考虑一下这个：尼尔森每月收集 17 亿条电视收视记录，每月收集 67 亿次商店交易，每年收集 1.6 万亿次在线印象！将我们的日常行为所产生的大量、有时甚至是杂乱无章的数据整理成可用、实用和有意义的信息，同时还要负责任地管理数据并确保人们的隐私，这需要特定的知识和技能。
幸运的是，不断涌现的技术和平台为品牌和营销人员提供了新的数据源，同时也带来了新的工具和手段来衡量这些数据并从中获得洞察力。数据科学团队的职责就是开发新的数据源和分析工具，帮助解析消费者创造的大数据（从而使其更有意义）。数据科学家利用科学的方法、流程、算法和系统，在这些滚雪球式的数据点中发现有价值的见解。
在尼尔森，大约1100名数据科学家的任务是为我们的客户寻找合理的、可重复的 "连接点 "方法，并讲述消费者的需求。虽然这个比喻中的 "点 "代表了客户在努力了解其消费者过程中可以获得的看似无限的数据点，但我们的数据科学家能够产生的联系才是客户决策的首要输入，也是客户增长的动力。
作为尼尔森数据科学家团队的一员，我致力于为客户开发定制解决方案，整合数据并建立关键联系。这些解决方案包括数据融合、定制受众细分、投资回报率分析和全新的方法，以整合数据源，回答有关消费者的具体业务问题。
毫无疑问，新技术和大数据正在彻底改变我们衡量媒体消费和产品购买的方式。但同样重要的是要记住，它们也有其局限性。
创建技术时通常不会考虑测量。因此，大数据可能在很多方面存在偏差。举个例子，想想你用来改变电视频道的遥控器。按下按钮会将信号发送到一个盒子，该信号会生成数据。但这些数据对你的了解是有限的。例如，它不知道是你按了按钮，还是其他家庭成员按了按钮。有偏差的数据会导致营销人员对消费者的错误认识和错误决策。
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.
随着人工智能（AI）在工作中发挥的作用呈指数级增长，确保数据输入的干净、可信和代表性变得前所未有的重要。如果达不到这一标准，就意味着你会产生更多的不良结果（多亏了人工智能）。重要的是要记住 "垃圾进，垃圾出"。所谓 "足够好 "的数据在人工智能世界中根本不够好。
数据科学家本身在减少测量偏差方面也发挥着关键作用。虽然我们的数据科学团队确实包括一些非常有才华的统计学家，但许多人可能会惊讶于我们团队的多样性。尼尔森的数据科学团队包括来自不同背景的员工，如数学、行为科学、化学工程、物理、教学、经济学、计算机工程等。这些不同的视角有助于确保我们在测量中考虑不同的观点。
归根结底，在当今的大数据世界中，越来越多的业务领域，无论是金融、客户服务、人力资源、媒体分析等，都在不断发展，将数据科学纳入各自的实践中。让更多具有不同背景的人员掌握统计方法、编程和分析技能等核心知识，为当今不同业务领域做出更好的决策打开了大门。
我相信，这对数据科学的未来是个好兆头，前提是这些新进入这一领域的人了解从我们的日常数据点中收集高质量见解所必需的偏差和考虑因素。
