La vérité dans les mesures n'a jamais été aussi importante qu'aujourd'hui. C'est pourquoi la vérité est notre seul objectif. Mais parvenir à cette vérité n'a jamais été aussi compliqué. Alors que beaucoup considèrent le big data comme une panacée pour la mesure dans un monde numériquement riche, nous savons que ce n'est pas si simple.
Les panels de Nielsen ont été le fondement de la mesure des personnes pendant des décennies, et ils le restent aujourd'hui. La croissance du big data, cependant, ne peut être ignorée en tant que source d'informations précieuses. Mais le big data seul n'est pas adapté à une mesure représentative. Pensez au moment où vous changez de chaîne sur votre téléviseur. Ce changement fait partie des big data, mais il n'y a aucune trace de la personne qui a effectué le changement ou qui en a été témoin.
Pour mettre en évidence les lacunes du big data du point de vue de la mesure, nous avons mené une analyse aux États-Unis au début de cette année, qui a comparé les données des boîtiers de réception avec les données des boîtiers de réception que nous avons calibrées avec les données du panel Nielsen. L'analyse a révélé que les données non calibrées sont intrinsèquement biaisées et sous-représentent les audiences minoritaires.
Cela ne veut pas dire pour autant que le big data n'a aucune valeur. Bien au contraire. Mais elles doivent être fondées sur un ensemble de vérités fondamentales. C'est là que nos panels et l'intelligence artificielle (IA) entrent en jeu. Les données de nos panels - la clé de la mesure au niveau des personnes - constituent l'ensemble de vérité parfait pour l'apprentissage des big data.
Grâce à l'application de l'IA, nous utilisons le big data pour élargir considérablement nos capacités de mesure tout en préservant la qualité et la représentativité. Aujourd'hui, l'IA fait partie intégrante de nos méthodes de mesure. Par exemple, elle a joué un rôle essentiel dans le développement de nos capacités de mesure améliorées pour les marchés télévisuels locaux, qui combinent l'échelle des big data (données de parcours de retour {RPD} des téléviseurs) avec des données de panel entièrement représentatives sur le marché.
Alors que nous cherchions à intégrer la SPR dans nos mesures locales, nous avons identifié quatre utilisations clés de l'IA.
Reconnaître les modèles de données
Alors que nous recherchions des moyens d'intégrer la SPR dans nos mesures, nous avons identifié les limites associées à la SPR par le biais de ce que nous appelons les "analyses des foyers communs". Pour ces analyses, qui se poursuivent aujourd'hui, nous comparons les données d'écoute des compteurs Nielsen avec les données d'écoute de la SPR. Ces analyses couvrent plus de 5 000 foyers (12 000 téléviseurs) chaque mois et ont permis de constater que la SPR manque certains réglages.
Pour remédier à cette lacune, nous avons mis au point une technique en instance de brevet qui utilise des classificateurs pour reconnaître les schémas associés à l'absence d'accord dans les foyers RPD. À partir de là, des algorithmes d'intelligence artificielle suppriment l'utilisation de ces foyers dans les mesures.
Savoir quand les décodeurs sont allumés et les téléviseurs éteints
Les analyses communes de Nielsen analysent plus de 77 millions de minutes d'écoute au cours d'un mois donné, ce qui permet d'obtenir des informations précieuses. Cependant, cette écoute n'est pas toujours exacte. Par exemple, les gens n'éteignent pas toujours leur décodeur en même temps que leur téléviseur. La SPR présente ces situations comme de l'écoute télévisuelle, même si personne ne regarde.
Nous pouvons surmonter cette limitation en employant des classificateurs d'apprentissage profond pour identifier les situations où le décodeur est allumé alors que la télévision est éteinte. L'algorithme supprime alors les réglages non valides de la SPR.
Identification des caractéristiques des ménages et des informations démographiques à partir de la SPR
La SPR n'a ni nom ni visage et ne peut pas fournir d'informations démographiques. Les informations démographiques sont essentielles pour représenter correctement tous les segments d'une population. Et au-delà, une mesure précise signifie être capable de mesurer des personnes, et pas seulement des ménages.
Ainsi, pour libérer les puissantes informations contenues dans les foyers RPD, nous calibrons RPD avec les caractéristiques connues, les données démographiques et les informations de réglage de plus de 45 000 foyers équipés de compteurs Nielsen et les caractéristiques et données démographiques attribuées par des tiers. Nous ajoutons ensuite ces données à un réseau neuronal récurrent en instance de brevet et à une technique de programmation en nombres entiers mixtes qui identifie avec précision les caractéristiques et les données démographiques des foyers RPD. Cet algorithme d'IA nous permet de rendre compte avec précision des caractéristiques démographiques des personnes et des ménages.
Détermination de l'emplacement de la salle Set-Top-Box
Les informations du panel Nielsen fournissent des informations sur les téléspectateurs et leur localisation. La SPR ne fournit ni l'une ni l'autre. Nous pouvons toutefois obtenir ces informations de la SPR par le biais de l'IA. Nous utilisons une méthodologie scientifiquement éprouvée pour identifier le membre du foyer qui regarde la télévision et l'endroit où la télévision est regardée dans le foyer.
Les recherches ont montré que l'emplacement de la pièce est l'un des principaux facteurs permettant de prédire quels membres d'un foyer font partie de l'audience. Nous utilisons donc un classificateur pour identifier l'emplacement de la pièce du décodeur où se fait la syntonisation dans les foyers de la SPR. Nous pouvons ainsi utiliser cette variable dans le processus d'affectation des téléspectateurs.
Avec la quantité d'informations disponibles aujourd'hui, il est tentant de voir le big data avec des lunettes roses. Or, sans lien avec les personnes, les big data sont loin d'être exactes. Nous avons trouvé dans l'IA un moyen puissant d'éliminer les biais dans les big data et nous sommes ravis d'apporter cette innovation à nos clients. Cette innovation bénéficie à la fois de la richesse des informations fournies par les sources de big data et d'un ensemble de vérités qui permet de planifier, d'activer et de mesurer sur la base de données représentatives et exactes.
Cet article a été publié pour la première fois sur Medium.
