Los beneficios del avance de la tecnología parecen no tener fin. Podemos comprobar la seguridad de nuestras casas desde nuestros teléfonos, recibir entregas de comestibles mediante drones e incluso conducir coches que pueden aparcar en paralelo por nosotros. Nuestros televisores son igual de avanzados y ofrecen un sinfín de opciones de contenido en un panorama cada vez más amplio de plataformas y canales. Sin embargo, a pesar de las muchas puertas que abrirán los televisores inteligentes en los próximos años, por sí solos no podrán proporcionar al sector de los medios de comunicación una visión precisa de quién los utiliza.
Los televisores inteligentes se han apoderado del pasillo de los televisores de las grandes superficies. Hoy en día es difícil encontrar un televisor en una tienda que no esté conectado a Internet. Y al igual que todos los dispositivos conectados, los televisores inteligentes se suman a una creciente proliferación de datos generados por el usuario: Los datos de reconocimiento automático de contenidos (ACR) son la tecnología que los fabricantes de equipos originales utilizan para captar la sintonía en los televisores inteligentes. Cuando se combinan con información que detalla el comportamiento representativo a nivel de persona, estos conjuntos de datos hacen avanzar significativamente la ciencia de la medición de la audiencia.
Dada la amplia adopción de los televisores inteligentes y los datos que producen, no es de extrañar que una serie de empresas estén buscando los datos de ACR como forma de medir las audiencias. Desde el punto de vista de la escala, la oportunidad es muy atractiva. Sin embargo, por muy lucrativa que sea la fuente de datos de ACR, no es suficiente por sí misma para medir las audiencias, simplemente porque carece del aspecto más importante que existe en la medición de audiencias: las personas. Además de no ser representativos -oincluso de nosaber si alguien está viendo realmente lo que hay en la pantalla-, los datos de ACR tienen un fallo de validación crítico: requieren que el fabricante del dispositivo compare la imagen de la pantalla con una imagen de referencia para determinar qué contenido se está mostrando. Por lo tanto, la mejor manera de liberar el verdadero potencial de los datos ACR es calibrarlos con datos que reflejen el verdadero comportamiento de visualización de las personas.
Cuando funciona como está diseñada, la tecnología ACR supervisa las imágenes que se proyectan en el cristal del televisor y utiliza esas imágenes para deducir qué contenido se está mostrando. Las imágenes que sirve ACR actúan en muchos sentidos como una huella digital del contenido. Pero después de recoger las "huellas", la tecnología necesita determinar en qué red o plataforma apareció la imagen, así como cuándo apareció. Para ello, la tecnología debe cotejar la imagen de la pantalla con una imagen contenida en una biblioteca de referencia mantenida por el fabricante.
Hay tres resultados posibles cuando la tecnología intenta hacer esa coincidencia:
- La imagen coincide con una única entrada en la biblioteca de referencia
- La imagen coincide con varias entradas de la biblioteca de referencia
- No hay una imagen que coincida en la biblioteca de referencia
Para todas las partes implicadas, el primer resultado es el escenario ideal. El segundo escenario es menos ideal, y conlleva un cierto nivel de riesgo de error de acreditación, simplemente debido a las diversas razones de los partidos múltiples (por ejemplo, emisiones a través de las redes, repeticiones de emisiones, emisiones simultáneas). En el tercer escenario, nadie obtiene créditos, lo que obviamente es el escenario menos deseable. La razón más común para este resultado es que el contenido se emite en una red que el OEM no controla.
Incluso si la correspondencia de imágenes fuera una solución viable de medición independiente, la capacidad de aprovecharla como tal nunca sería factible. Como se puede imaginar, el coste de mantener una biblioteca de cada uno de los fotogramas de cada evento en televisión no es una tarea pequeña. También es una tarea que crecerá exponencialmente a perpetuidad. Tampoco hay periodos de retención estándar para las imágenes.
Entonces, ¿cómo sabemos que la tecnología ACR hará la combinación correcta? Sin un mecanismo que pueda rellenar los espacios en blanco, no lo sabemos. Por ello, Nielsen ha invertido en marcas de agua, que son mucho más deterministas que las firmas, así como en copias de seguridad de las firmas para cada transmisión medida. Esto proporciona una representación de todo el contenido, rellenando las lagunas asociadas al big data por sí mismo. Una vez cubiertas estas lagunas, los big data que provienen de fuentes como ACR proporcionan la ventaja de la escala en un panorama mediático cada vez más segmentado. Y cuando utilizamos controles de ponderación para calibrar los big data con los datos de visualización a nivel de persona, podemos ver puntos de comparación que de otro modo estarían en blanco.
En un estudio reciente, Nielsen trató de comprender el grado en que estas lagunas en las bibliotecas de referencia afectan a los registros de sintonía del ACR, la base de la medición basada en el ACR. En un análisis de hogares comunes de septiembre de 2021, analizamos los datos de nuestros dos socios proveedores de ACR para comprender dónde podrían influir las lagunas de las bibliotecas de referencia en la medición. En nuestro estudio, examinamos tanto la concentración de fuentes de visualización como los minutos vistos de las fuentes disponibles.
Entre todas las fuentes de visualización, hemos comprobado que nuestros socios proveedores de ACR sólo controlan el 31% de las emisoras disponibles. Esto significa que no mantienen datos en sus bibliotecas de referencia para el 69% de las emisoras. Cuando examinamos los minutos vistos, descubrimos que el 23% de los minutos procedían de emisoras que no están supervisadas. Esto significa que las empresas que aprovechan sólo los datos de ACR para la medición estarían subestimando las impresiones a nivel doméstico en un 23%.
A pesar de las limitaciones de los datos de ACR por sí solos, entendemos la oportunidad de escala y alcance que proporcionan como fuente adicional de cobertura -similar a la de los datos de trayectoria de retorno (RPD) de los descodificadores, que nuestra estrategia de big data también calibra con datos de panel para abordar limitaciones comparables. Al integrar los conjuntos de big data con nuestros datos de visionado, que proporcionan una medición representativa del total de Estados Unidos, podemos aumentar significativamente el tamaño de nuestras muestras al tiempo que aplicamos rigurosas metodologías de ciencia de datos para rellenar las lagunas y garantizar una representación justa de la audiencia total de Estados Unidos en todas las redes y plataformas.
Una versión de este artículo apareció originalmente en AdExchanger.
