Lewati ke konten
02_Elemen/Ikon/PanahKiri Kembali ke Wawasan
Wawasan > Audiens

Kecerdasan Buatan adalah Penghubung Antara Big Data dan Pengukuran Tingkat Orang

4 menit membaca | Mainak Mazumdar, Chief Data and Research Officer, Nielsen Global Media | Oktober 2019

Kebenaran dalam pengukuran tidak pernah lebih penting daripada saat ini. Oleh karena itu, kebenaran adalah satu-satunya agenda kita. Tetapi sampai pada kebenaran itu tidak pernah sedekah lebih rumit. Sementara banyak yang memandang data besar sebagai obat mujarab untuk pengukuran di dunia yang kaya secara digital, kami tahu itu tidak sesederhana itu.

Panel Nielsen telah menjadi dasar pengukuran tingkat orang selama beberapa dekade, dan mereka tetap demikian sampai sekarang. Pertumbuhan big data, bagaimanapun, tidak dapat diabaikan sebagai sumber informasi berharga. Tetapi big data saja tidak cocok untuk pengukuran yang representatif. Pikirkan kapan Anda mengubah saluran di TV Anda. Perubahan itu menjadi bagian dari big data, tetapi tidak ada catatan siapa yang membuat perubahan atau siapa yang menyaksikannya.

Untuk menyoroti kekurangan big data dari perspektif pengukuran, kami melakukan analisis di AS awal tahun ini yang membandingkan data set-top box dengan data set-top box yang kami kalibrasi dengan data panel Nielsen. Analisis menemukan bahwa data yang tidak dikalibrasi secara inheren bias dan kurang mewakili audiens minoritas.

Namun, bukan berarti big data tidak memiliki nilai. Justru sebaliknya. Tetapi itu memang perlu didasarkan pada seperangkat kebenaran dasar. Di situlah panel dan kecerdasan buatan (AI) kami berperan. Data panel kami—kunci pengukuran tingkat orang—adalah kebenaran sempurna yang ditetapkan untuk melatih big data.

Melalui penerapan AI, kami menggunakan big data untuk secara dramatis memperluas kemampuan pengukuran kami sambil menjaga kualitas dan keterwakilan. Saat ini, AI merupakan bagian integral dalam metodologi pengukuran kami. Misalnya, ini memainkan peran penting dalam pengembangan kemampuan pengukuran kami yang ditingkatkan untuk pasar TV lokal, yang menggabungkan skala big data (data jalur pengembalian {RPD} dari perangkat TV) dengan data panel dalam pasar yang sepenuhnya representatif.

Saat kami berusaha mengintegrasikan RPD ke dalam pengukuran lokal kami, kami mengidentifikasi empat penggunaan utama AI.

Mengenali Pola Data

Saat kami meneliti cara-cara untuk mengintegrasikan RPD ke dalam pengukuran kami, kami mengidentifikasi batasan yang terkait dengan RPD melalui apa yang kami sebut sebagai "analisis rumah umum". Untuk analisis ini, yang berlanjut hingga hari ini, kami membandingkan data penyetelan dari nielsen meter dengan data penyetelan RPD. Analisis ini mencakup lebih dari 5.000 rumah (12.000 TV) setiap bulan dan telah menemukan bahwa RPD melewatkan beberapa penyetelan.

Untuk mengatasi kekurangan ini, kami mengembangkan teknik yang menunggu paten yang menggunakan pengklasifikasi untuk mengenali pola yang terkait dengan penyetelan yang hilang di rumah RPD. Dari sana, algoritme AI menghapus rumah-rumah ini agar tidak digunakan dalam pengukuran.

Mengetahui Kapan Set-Top Box Aktif dan PERANGKAT TV Mati

Analisis rumah umum Nielsen menganalisis lebih dari 77 juta menit penyetelan pada bulan tertentu, yang memberikan wawasan yang kuat. Namun, penyetelan itu tidak selalu akurat. Misalnya, orang tidak selalu mematikan dekoder saat mereka mematikan perangkat TV. RPD menyajikan situasi ini sebagai tontonan TV meskipun tidak ada yang menonton.

Kita dapat mengatasi keterbatasan ini dengan menggunakan pengklasifikasi pembelajaran mendalam untuk mengidentifikasi situasi di mana set-top-box menyala saat TV mati. Algoritma kemudian menghapus penyetelan yang tidak valid dari RPD.

Mengidentifikasi Karakteristik Rumah Tangga dan Informasi Demografis dari RPD

RPD tidak bernama dan tidak berwajah, dan tidak dapat memberikan informasi demografis. Informasi demografis sangat penting dalam mewakili semua segmen populasi dengan benar. Dan di luar itu, pengukuran yang akurat berarti mampu mengukur orang, bukan hanya rumah tangga.

Jadi untuk membuka informasi yang kuat di dalam rumah RPD, kami mengkalibrasi RPD dengan karakteristik, demografi, dan informasi penyetelan yang diketahui dari lebih dari 45.000 rumah meteran Nielsen serta karakteristik dan demografi yang ditetapkan pihak ketiga. Kami kemudian menambahkan input ini ke dalam jaringan saraf berulang yang menunggu paten dan teknik pemrograman bilangan bulat campuran yang secara akurat mengidentifikasi karakteristik dan demografi rumah RPD. Algoritma AI ini memungkinkan kami untuk secara akurat melaporkan karakteristik demografis orang dan rumah tangga. 

Menentukan Lokasi Ruang Set-Top-Box

Informasi panel Nielsen menyediakan informasi pemirsa dan lokasi tampilan. RPD juga tidak menyediakan. Namun, kita dapat memperoleh informasi itu dari RPD melalui AI. Kami menggunakan metodologi yang terbukti secara ilmiah untuk mengidentifikasi anggota rumah tangga mana yang menonton dan di mana menonton terjadi di dalam rumah.

Penelitian telah menemukan bahwa lokasi ruangan adalah salah satu prediktor utama di mana anggota rumah tangga berada dalam audiens yang menonton. Jadi kami menggunakan pengklasifikasi untuk mengidentifikasi lokasi ruangan set-top-box tempat penyetelan terjadi di rumah RPD. Dengan begitu, kita bisa menggunakan variabel ini dalam proses penugasan viewer.

Dengan begitu banyak informasi yang tersedia saat ini, tergoda untuk melihat data besar melalui kacamata berwarna mawar. Namun, tanpa koneksi ke orang, data besar masih jauh dari akurat. Kami menemukan AI sebagai cara yang ampuh untuk mengatasi bias dalam data besar dan dengan senang hati menghadirkan inovasi kepada klien. Inovasi ini mendapat manfaat dari kekayaan informasi yang disediakan oleh sumber data besar dan seperangkat kebenaran yang memastikan bahwa mereka dapat merencanakan, mengaktifkan, dan mengukur berdasarkan data yang representatif dan akurat.

Artikel ini pertama kali muncul di Medium.

Lanjutkan menelusuri wawasan serupa