Pour les entreprises de médias, la saison télévisuelle d'automne est le moment où le caoutchouc rencontre la route. Les réseaux et les agences se livrent à une véritable fébrilité en attendant de voir si le public se délecte de leurs nouvelles offres de programmes. De leur côté, les agences ont déjà placé leurs paris publicitaires et observent attentivement les ajustements qu'elles doivent faire au fur et à mesure que le jeu se déroule. Les téléspectateurs, quant à eux, ont toutes les cartes en main. Ils sont impatients de goûter aux nouvelles émissions et, au passage, de les approuver et de les critiquer.
Avec toute cette agitation autour de la télévision d'automne, quel rôle l'activité de Twitter autour des nouvelles émissions joue-t-elle dans tout cela ?
Nous avons plongé dans cette question dans la foulée de la saison des premières de l'automne 2014. Nous avons évalué comment l'activité Twitter TV, suivie 24 heures sur 24 et 7 jours sur 7 avant les premières de tout nouveaux programmes, aurait pu être utilisée pour anticiper la taille des audiences qui ont regardé les épisodes de première de ces programmes. Et en examinant les données, l'activité de Twitter TV s'est avérée être un signal supplémentaire qui pouvait être utilisé avec d'autres facteurs pour anticiper la taille des audiences des premières. Ceci est remarquable car si l'activité de Twitter TV pouvait être utilisée avec d'autres sources de données pour aider à déterminer les audiences télévisées, les agences pourraient alors affiner leurs achats avant les premières. Les réseaux pourraient identifier plus tôt les gagnants et les défis potentiels afin de maximiser les ventes de publicité et de corriger les activités de marketing. Et, dans la mesure où les médias sociaux permettent aux gens de prendre connaissance des nouvelles émissions, les réseaux pourraient tirer parti de l'activité télévisuelle sur Twitter pour mieux atteindre les publics visés.
Nous avons analysé 42 premières de séries diffusées sur les chaînes de télévision et sur le câble, y compris des programmes en anglais et en espagnol, de la fin août au début novembre. Pour commencer, nous avons recherché une corrélation entre le nombre de fois où les téléspectateurs de 18 à 34 ans ont vu des promotions télévisées pour un programme spécifique et la taille de l'audience de ce programme pour le premier épisode. Naturellement, nous nous attendions à ce que les programmes faisant l'objet d'une forte promotion obtiennent des audiences plus importantes, et c'est ce que nous avons constaté. En d'autres termes, sans inclure les données de Twitter TV dans l'analyse, nous avons confirmé que les programmes ayant bénéficié d'une promotion plus importante avaient des audiences plus élevées lors de la première. Pour être vraiment utile, l'activité de Twitter TV devrait donc raconter une histoire supplémentaire en plus de ce que nous savons déjà des seules promotions.
![](https://www.nielsen.com/wp-content/uploads/sites/2/2019/04/Nielsen-Social_Fall-Premieres_Promotions_2015.png)
La compréhension de l'activité de Twitter TV avant une première peut-elle aider les chaînes et les agences à évaluer plus précisément les résultats d'audience que la seule exposition aux promotions ? En d'autres termes, quelle valeur supplémentaire l'activité de Twitter TV apporte-t-elle dans l'anticipation des taux d'audience ?
Pour répondre à ces questions, nous avons créé un modèle permettant de déterminer l'audience attendue des 18-34 ans en direct + 7 jours (L+7) à l'aide de trois variables :
- Activité de promotion : Impressions commerciales (C3)
- Activité TV sur Twitter : Tweets liés au programme (suivi 24/7)
- Type de réseau : Diffusion ou câble
La période retenue pour les promotions et l'activité Twitter TV était la période de quatre semaines se terminant deux semaines avant la date de première de chaque programme, soit la même période que celle utilisée pour l'analyse de la corrélation entre les promotions et l'audience. Nous avons utilisé cette période pour assurer la comparabilité entre les programmes et pour démontrer qu'une agence ou un réseau pourrait potentiellement prendre des mesures, dans les semaines et les jours précédant une première, en utilisant une approche similaire.
Nous avons comparé les résultats de notre modèle à la taille réelle de l'audience de la première afin de comprendre dans quelle mesure un modèle similaire aurait été utile pour indiquer le succès de la première. Par exemple, le graphique ci-dessous montre que le modèle a indiqué une audience de 1,5 million de téléspectateurs âgés de 18 à 34 ans pour la première du programme A, soit presque exactement l'audience réelle de la première. Bien que la taille de l'audience indiquée par le modèle ne reflète pas toujours exactement la taille réelle de l'audience de la première d'un programme, vous pouvez voir que les attentes étaient alignées sur les audiences réelles que les premières attirent. Par exemple, ce modèle a correctement anticipé que les programmes A, B, C, D et E feraient partie des 10 meilleurs programmes, sur la base de leur audience réelle lors de la première.
![](https://www.nielsen.com/wp-content/uploads/sites/2/2019/04/Nielsen20Social_Fall20Premieres_Model_2015.jpg)
Bien que ce modèle ne soit basé que sur 42 points de données, le modèle global et les trois variables sont statistiquement significatifs. Le modèle explique 65% de la variance de l'audience des premières, contre 48% en utilisant uniquement les données de promotion. Ainsi, ces trois variables peuvent expliquer ensemble près des deux tiers de la différence dans les tailles d'audience des premières. Plus important encore, une agence ou un réseau aurait pu utiliser ce modèle pour identifier les 10 premières émissions les plus importantes et les 10 premières les moins importantes de manière plus précise qu'en se basant uniquement sur les données de promotion.
Pour être clair, ces résultats ne signifient pas nécessairement que l'activité de Twitter TV est à l'origine d'audiences plus importantes. Mais, même si la relation n'est pas causale, nos efforts de recherche actuels et récents indiquent de plus en plus que les données relatives à l'activité et à l'audience de Twitter TV peuvent aider les réseaux et les agences à prendre des décisions de qualité supérieure en matière de publicité et de marketing de programmes, fondées sur des données.