ยฟHa encendido hoy la televisiรณn? ยฟY la radio? Probablemente hayas utilizado alguna aplicaciรณn de tu smartphone. Tal vez hayas comprado los ingredientes para la cena en la tienda o hayas comprado un nuevo bote de champรบ por Internet.
Todas estas actividades son simples acciones cotidianas. Pero en el vasto, interconectado y, a menudo, digital mundo de hoy, tambiรฉn son valiosos puntos de datos.
Y lo que es mรกs importante, pueden ayudar a las marcas y a los profesionales del marketing a comprender las necesidades de sus consumidores, tomar mejores decisiones para satisfacerlas y, en รบltima instancia, impulsar el crecimiento de sus negocios. Pero primero, las marcas y los vendedores tienen que dar sentido a todos los datos.
El tamaรฑo y el alcance de los datos que todos generamos en la era digital actual pueden ser asombrosos, y Nielsen mide muchos de ellos. Piense en esto: Nielsen recopila 1,7 billones de registros de televisiรณn al mes, 6,7 billones de transacciones en tiendas al mes y 1,6 billones de impresiones en lรญnea al aรฑo. Tomar los enormes y a veces desordenados montones de datos generados por nuestras acciones diarias y organizarlos en informaciรณn utilizable, prรกctica y significativa -siendo al mismo tiempo administradores responsables de los datos y garantizando la privacidad de las personas- requiere conocimientos y habilidades especรญficas.
Afortunadamente, las florecientes tecnologรญas y plataformas que proporcionan nuevas fuentes de datos para las marcas y los vendedores tambiรฉn estรกn permitiendo nuevas herramientas y medios para medir y extraer informaciรณn de esos datos. El papel de los equipos de ciencia de datos es buscar nuevas fuentes de datos y herramientas analรญticas que puedan ayudar a analizar (y asรญ dar sentido) a los Big Data que crean los consumidores. Mediante el uso de mรฉtodos, procesos, algoritmos y sistemas cientรญficos, los cientรญficos de datos estรกn descubriendo informaciรณn valiosa dentro de esta bola de nieve de puntos de datos.
En Nielsen, aproximadamente 1.100 cientรญficos de datos se encargan de encontrar mรฉtodos sรณlidos y repetibles para "conectar los puntos" para nuestros clientes y contar una historia sobre las necesidades de sus consumidores. Mientras que los "puntos" en esta analogรญa representan los puntos de datos aparentemente ilimitados disponibles para nuestros clientes en su esfuerzo por comprender a sus consumidores, son las conexiones que nuestros cientรญficos de datos son capaces de generar las que constituyen la aportaciรณn nรบmero 1 a la toma de decisiones de nuestros clientes y el combustible para su crecimiento.
Como miembro del equipo de cientรญficos de datos de Nielsen, trabajo en el desarrollo de soluciones personalizadas para integrar datos y crear conexiones clave para nuestros clientes. Estas soluciones incluyen fusiones de datos, segmentaciones de audiencia personalizadas, anรกlisis de ROI y metodologรญas completamente nuevas para integrar fuentes de datos y responder a preguntas de negocio especรญficas sobre los consumidores.
No cabe duda de que las nuevas tecnologรญas y el Big Data estรกn revolucionando la forma de medir el consumo de medios y productos que compramos. Pero tambiรฉn es importante recordar que tienen sus limitaciones.
Las tecnologรญas no suelen crearse pensando en la mediciรณn. Y como resultado, los Big Data pueden estar sesgados de muchas maneras. Piense, por ejemplo, en el mando a distancia que utiliza para cambiar de canal en su televisor. Pulsar un botรณn envรญa una seรฑal a una caja, y esa seรฑal genera datos. Pero esos datos son limitados en cuanto a lo que pueden decir sobre usted. Por ejemplo, no sabe si usted ha pulsado el botรณn o si lo ha hecho otro miembro de la familia. Los datos sesgados pueden dar lugar a percepciones errรณneas sobre los consumidores y a decisiones equivocadas por parte de los profesionales del marketing.
He aquรญ otro ejemplo: Los dispositivos conectados a la televisiรณn y los servicios de suscripciรณn de vรญdeo -on-demand permiten a los consumidores elegir lo que quieren, cuando quieren. Pero sรณlo alrededor del 60% de los estadounidenses poseen estos dispositivos. Como resultado, los datos de estos dispositivos no representan a toda la poblaciรณn estadounidense. Ademรกs, estos datos deben compararse con los de la televisiรณn lineal para ofrecer una visiรณn global del panorama televisivo.
En Nielsen, utilizamos paneles junto con Big Data para relacionar puntos de datos con personas reales. Un panel bien construido puede eliminar muchos de los sesgos inherentes a los Big Data. Por ejemplo, utilizamos nuestros paneles de televisiรณn en Estados Unidos para representar estadรญsticamente a la poblaciรณn del paรญs por edad, etnia y nivel de ingresos. Combinando la informaciรณn de estos paneles con los macrodatos que Nielsen recibe de los distribuidores de cable gracias a su colaboraciรณn con las empresas proveedoras, podemos descubrir quiรฉn estรก detrรกs del mando a distancia. Por lo tanto, un enfoque de mediciรณn hรญbrido que incluya paneles y Big Data puede proporcionar la granularidad y el detalle de Big Data y ofrecer la reducciรณn de sesgos y la representatividad de un panel.
Y con la potencia exponencialmente creciente que se ofrece cuando ponemos a trabajar la inteligencia artificial (IA), nunca ha sido mรกs crรญtico garantizar que las entradas de datos sean limpias, fiables y representativas. El incumplimiento de estos criterios significa simplemente que se estรกn produciendo mayores volรบmenes (gracias a la IA) de resultados deficientes. Es importante recordar que "basura entra, basura sale". Los llamados datos "suficientemente buenos" simplemente no lo son en un mundo de IA.
Los propios cientรญficos de datos tambiรฉn desempeรฑan un papel clave a la hora de reducir los sesgos en las mediciones. Aunque nuestros equipos de cientรญficos de datos incluyen a algunos estadรญsticos de gran talento, a muchos les sorprenderรญa saber lo diversos que son realmente nuestros equipos. Los equipos de ciencia de datos de Nielsen incluyen asociados con formaciรณn variada, como matemรกticas, ciencias del comportamiento, ingenierรญa quรญmica, fรญsica, enseรฑanza, economรญa e ingenierรญa informรกtica, asรญ como muchos otros. Estas variadas perspectivas ayudan a garantizar que tenemos en cuenta diferentes puntos de vista en nuestras mediciones.
En รบltima instancia, en el mundo actual de Big Data, cada vez mรกs disciplinas empresariales -ya sean finanzas, atenciรณn al cliente, recursos humanos, anรกlisis de medios de comunicaciรณn, etc.- estรกn evolucionando para incorporar la ciencia de datos a sus respectivas prรกcticas. Capacitar a mรกs personas de diversos orรญgenes con los conocimientos bรกsicos de mรฉtodos estadรญsticos, programaciรณn y habilidades analรญticas abre la puerta a una mejor toma de decisiones en las diferentes รกreas de negocio.
Creo que esto es un buen augurio para el futuro de la ciencia de datos, siempre y cuando los reciรฉn llegados a este campo comprendan los sesgos y las consideraciones necesarias para extraer informaciรณn de calidad de nuestros datos cotidianos.
