La vérité dans la mesure n'a jamais été aussi importante qu'aujourd'hui. Par conséquent, 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 sont toujours 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 la mesure de la représentativité. Pensez au moment où vous changez de chaîne sur votre téléviseur. Ce changement fait partie du big data, mais il n'existe aucune trace de la personne qui l'a effectué 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 plus tôt cette année qui a comparé les données des boîtiers décodeurs avec celles 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, cependant, 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. Nos données de panel - la clé de la mesure au niveau des personnes - constituent l'ensemble de vérité parfait pour former le 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 méthodologies de mesure. Par exemple, elle a joué un rôle central dans le développement de nos capacités de mesure améliorées pour les marchés de la télévision locale, qui combinent l'échelle du big data (données sur le parcours de retour {RPD} des téléviseurs) avec des données de panel entièrement représentatives sur le marché.

En cherchant à intégrer la SPR dans notre mesure locale, 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 de syntonisation des compteurs Nielsen aux données de syntonisation 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 modèles associés à l'accord manquant dans les maisons RPD. À partir de là, des algorithmes d'IA retirent ces foyers de l'utilisation dans les mesures.

Savoir quand les boîtiers de décodeurs sont allumés et les téléviseurs éteints

Les analyses des foyers communs 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. Toutefois, cette écoute n'est pas toujours exacte. Par exemple, les gens n'éteignent pas toujours leur décodeur lorsqu'ils éteignent leur téléviseur. La SPR présente ces situations comme une écoute de la télévision, même si personne ne la regarde.

Nous pouvons surmonter cette limitation en employant des classificateurs d'apprentissage profond pour identifier les situations où le décodeur est allumé alors que le téléviseur est éteint. L'algorithme supprime alors le réglage invalide de la DPR.

Identification des caractéristiques des ménages et des informations démographiques à partir de la SPR

La SPR est sans nom et sans visage, et elle ne peut pas fournir d'informations démographiques. Les informations démographiques sont essentielles pour représenter correctement tous les segments d'une population. Et au-delà de cela, une mesure précise signifie être capable de mesurer les personnes, pas seulement les ménages.

Ainsi, pour débloquer les puissantes informations contenues dans les foyers RPD, nous calibrons RPD avec les caractéristiques, les données démographiques et les informations de réglage connues 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 mixte en nombres entiers qui identifie avec précision les caractéristiques et les données démographiques des foyers RPD. Cet algorithme d'IA nous permet de rapporter avec précision les caractéristiques démographiques des personnes et des foyers. 

Détermination de l'emplacement de la salle des coffres-forts

Les informations du panel Nielsen fournissent des informations sur les téléspectateurs et le lieu d'observation. La SPR ne fournit ni l'un ni l'autre. Nous pouvons toutefois obtenir ces informations de la SPR par le biais de l'IA. Nous utilisons une méthodologie scientifiquement prouvée pour identifier quel membre du foyer regarde et où le visionnage a lieu dans le foyer.

Les recherches ont montré que l'emplacement de la pièce est l'un des principaux facteurs permettant de prédire quels membres du foyer font partie de l'audience. Nous utilisons donc un classificateur pour identifier l'emplacement de la pièce du décodeur où le réglage a lieu dans les foyers de la SPR. De cette façon, nous pouvons 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 à travers 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 de remédier aux biais dans le big data et nous sommes ravis d'apporter cette innovation aux 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 leur permet de planifier, d'activer et de mesurer sur la base de données représentatives et précises.

Cet article a été publié pour la première fois sur Medium.