Manfaat kemajuan teknologi tampaknya tidak ada habisnya. Kita dapat memeriksa keamanan rumah kita dari ponsel kita, menerima pengiriman bahan makanan dengan drone—bahkan mengendarai mobil yang dapat parkir paralel untuk kita. TV kami menjadi sama canggihnya, menawarkan pilihan konten yang tampaknya tak ada habisnya di seluruh lanskap platform dan saluran yang terus berkembang. Namun terlepas dari banyaknya pintu yang akan dibuka oleh smart TV di tahun-tahun mendatang, mereka tidak akan—dengan sendirinya—dapat memberikan pandangan yang akurat kepada industri media tentang siapa yang menggunakannya.
Smart TV telah mengambil alih lorong TV di pengecer kotak besar lokal Anda. Anda akan kesulitan menemukan TV di toko saat ini yang tidak mengaktifkan internet. Dan sama seperti semua perangkat yang terhubung, smart TV menambah proliferasi data buatan pengguna yang terus berkembang: Data pengenalan konten otomatis (ACR) adalah teknologi yang digunakan OEM untuk menangkap penyetelan pada TV pintar. Ketika dikombinasikan dengan informasi yang merinci perilaku tingkat orang yang representatif, kumpulan data ini secara signifikan memajukan ilmu pengukuran audiens.
Mengingat adopsi TV pintar yang luas dan data yang mereka hasilkan, tidak mengherankan bahwa berbagai perusahaan mencari data ACR sebagai cara untuk mengukur audiens. Dari perspektif skala belaka, peluangnya sangat menarik. Namun sumber data yang menguntungkan seperti ACR, itu tidak cukup dengan sendirinya untuk mengukur audiens, hanya karena tidak memiliki aspek terpenting yang ada dalam pengukuran audiens: orang. Selain tidak representatif—atau bahkan menyadari jika seseorang benar-benar menonton apa yang ada di layar—data ACR memiliki kelemahan validasi kritis: Ini mengharuskan produsen perangkat untuk mencocokkan gambar di layar dengan gambar referensi untuk menentukan konten apa yang ditampilkan. Jadi, cara terbaik untuk membuka potensi sebenarnya dari data ACR adalah dengan mengkalibrasinya dengan data yang mencerminkan perilaku menonton tingkat orang yang sebenarnya.
Saat bekerja seperti yang dirancang, teknologi ACR memantau gambar yang diproyeksikan pada kaca TV, dan menggunakan gambar tersebut untuk menyimpulkan konten apa yang ditampilkan. Gambar yang disajikan ACR bertindak dalam banyak cara seperti sidik jari konten. Tetapi setelah mengumpulkan "sidik jari," teknologi perlu menentukan jaringan atau platform tempat gambar muncul, serta kapan gambar itu muncul. Untuk membuat tekad itu, teknologi perlu mencocokkan gambar di layar dengan gambar yang terkandung dalam pustaka referensi yang dikelola pabrikan.
Ada tiga kemungkinan hasil ketika teknologi mencoba untuk membuat kecocokan itu:
- Gambar cocok dengan satu entri di pustaka referensi
- Gambar cocok dengan beberapa entri di pustaka referensi
- Gambar yang cocok tidak ada di pustaka referensi
Bagi semua pihak yang terlibat, hasil pertama adalah skenario yang ideal. Skenario kedua kurang ideal, dan datang dengan beberapa tingkat risiko salah kredit, hanya karena berbagai alasan untuk beberapa pertandingan (misalnya, penayangan di seluruh jaringan, penayangan berulang, simulcast). Dalam skenario ketiga, tidak ada yang mendapat kredit, yang jelas merupakan skenario yang paling tidak diinginkan. Alasan paling umum untuk hasil ini adalah karena konten yang ditayangkan di jaringan yang tidak dipantau OEM.
Bahkan jika pencocokan gambar adalah solusi pengukuran mandiri yang layak, kemampuan untuk memanfaatkannya seperti itu tidak akan pernah layak. Seperti yang dapat Anda bayangkan, biaya untuk memelihara perpustakaan dari setiap bingkai dari setiap acara di televisi bukanlah tugas kecil. Ini juga merupakan tugas yang akan tumbuh secara eksponensial selamanya. Juga tidak ada periode retensi standar untuk gambar.
Jadi bagaimana kita tahu teknologi ACR akan membuat kecocokan yang tepat? Tanpa mekanisme yang dapat mengisi kekosongan, kami tidak melakukannya. Itu sebabnya Nielsen telah berinvestasi dalam tanda air, yang jauh lebih deterministik daripada tanda tangan, serta cadangan tanda tangan untuk setiap umpan yang diukur. Itu memberikan representasi semua konten—mengisi celah yang terkait dengan data besar dengan sendirinya. Dengan kesenjangan ini terisi, data besar yang berasal dari sumber seperti ACR memberikan manfaat skala dalam lanskap media yang semakin tersegmentasi. Dan ketika kami menggunakan kontrol pembobotan untuk mengkalibrasi data besar dengan data tampilan tingkat orang, kami dapat melihat titik perbandingan yang seharusnya kosong.
Dalam sebuah studi baru-baru ini, Nielsen tampaknya memahami sejauh mana kesenjangan pustaka referensi ini memengaruhi log penyetelan ACR—dasar untuk pengukuran berbasis ACR. Dalam analisis rumah umum pada September 2021, kami menganalisis data dari dua mitra penyedia ACR kami untuk memahami di mana kesenjangan pustaka referensi dapat menjadi faktor dalam pengukuran. Dalam penelitian kami, kami melihat konsentrasi sumber tampilan dan menit yang dilihat dari sumber yang tersedia.
Di semua sumber penayangan, kami menemukan bahwa mitra penyedia ACR kami hanya memantau 31% dari stasiun yang tersedia. Itu berarti mereka tidak menyimpan data di perpustakaan referensi mereka untuk 69% stasiun. Ketika kami melihat menit yang dilihat, kami menemukan bahwa 23% menit berasal dari stasiun yang tidak dipantau. Itu berarti perusahaan yang memanfaatkan data ACR saja untuk pengukuran akan mengurangi penghitungan tayangan tingkat rumah tangga sebesar 23%.
Terlepas dari keterbatasan data ACR sendiri, kami memahami peluang skala dan jangkauan yang disediakannya sebagai sumber cakupan tambahan—mirip dengan data jalur pengembalian (RPD) dari set-top box, yang juga dikalibrasi oleh strategi big data kami dengan data panel untuk mengatasi batasan yang sebanding. Dengan mengintegrasikan kumpulan data besar dengan data tampilan kami, yang memberikan pengukuran representatif dari total AS, kami dapat secara signifikan meningkatkan ukuran sampel kami sambil menerapkan metodologi ilmu data yang ketat untuk mengisi kesenjangan dan memastikan representasi yang adil dari total audiens AS di semua jaringan dan platform.
Versi artikel ini awalnya muncul di AdExchanger.
