측정에서의 진실은 오늘날보다 더 중요한 적이 없었습니다. 그러므로 진리는 우리의 유일한 의제입니다. 그러나 그 진리에 도달하는 것이 이보다 더 복잡한 적은 없었습니다. 많은 사람들이 빅 데이터를 디지털이 풍부한 세계에서 측정을위한 만병 통치약으로 생각하지만, 우리는 그것이 그렇게 간단하지 않다는 것을 알고 있습니다.

닐슨의 패널은 수십 년 동안 사람 수준 측정의 기초가되어 왔으며 오늘날에도 여전히 남아 있습니다. 그러나 빅 데이터의 성장은 귀중한 정보의 원천으로 무시할 수 없습니다. 그러나 빅 데이터만으로는 대표적인 측정에 적합하지 않습니다. TV에서 채널을 변경할 때를 생각해보십시오. 이러한 변화는 빅 데이터의 일부가 되지만, 누가 변화를 만들었는지, 누가 그것을 목격했는지에 대한 기록은 없다.

측정 관점에서 빅 데이터의 단점을 강조하기 위해 올해 초 미국에서 셋톱 박스 데이터와 닐슨 패널 데이터로 보정한 셋톱 박스 데이터를 비교한 분석을 실시했습니다. 분석 결과 보정되지 않은 데이터는 본질적으로 편향되어 있으며 소수 민족 청중을 과소 대표합니다.

그러나 빅 데이터가 가치가 없다는 의미는 아닙니다. 정반대입니다. 그러나 그것은 기초적인 진리 세트에 근거할 필요가 있다. 이것이 바로 우리의 패널과 인공 지능 (AI)이 작동하는 곳입니다. 개인 수준 측정의 핵심인 패널 데이터는 빅 데이터 교육을 위한 완벽한 진실입니다.

AI의 적용을 통해 우리는 빅 데이터를 사용하여 품질과 대표성을 유지하면서 측정 기능을 크게 확장합니다. 오늘날 AI는 우리의 측정 방법론에 필수적입니다. 예를 들어, 빅 데이터의 규모(TV 세트의 리턴 경로 데이터 {RPD})와 완전히 대표적인 시장 내 패널 데이터를 결합한 현지 TV 시장을 위한 향상된 측정 기능 개발에 중추적인 역할을 했습니다.

RPD를 로컬 측정에 통합하려고 할 때 AI의 네 가지 주요 용도를 확인했습니다.

데이터 패턴 인식

RPD를 측정에 통합하는 방법을 연구하면서 우리는 "공동 주택 분석"이라고 부르는 것을 통해 RPD와 관련된 한계를 확인했습니다. 오늘날에도 계속되고 있는 이러한 분석을 위해 Nielsen 미터의 튜닝 데이터를 RPD 튜닝 데이터와 비교합니다. 이러한 분석은 매달 5,000 가구 (12,000 TV) 이상을 대상으로하며 RPD가 일부 튜닝을 놓친 것으로 나타났습니다.

이러한 단점을 해결하기 위해 분류기를 사용하여 RPD 가정에서 누락된 튜닝과 관련된 패턴을 인식하는 특허 출원 중인 기술을 개발했습니다. 거기에서 AI 알고리즘은 이러한 가정을 측정에 사용하지 못하게합니다.

셋톱 박스가 켜져 있고 TV 세트가 꺼져 있는 시점 파악

Nielsen의 공통 홈 분석은 주어진 달에 77 백만 분 이상의 튜닝을 분석하여 강력한 통찰력을 제공합니다. 그러나 이러한 튜닝이 항상 정확하지는 않습니다. 예를 들어, 사람들이 TV 세트를 끌 때 셋톱 박스를 항상 끄는 것은 아닙니다. RPD는 아무도 시청하지 않더라도 이러한 상황을 TV 시청으로 표시합니다.

우리는 딥 러닝 분류기를 사용하여 TV가 꺼져있는 동안 셋톱 박스가 켜져있는 상황을 식별함으로써 이러한 한계를 극복 할 수 있습니다. 그런 다음 알고리즘은 RPD에서 잘못된 튜닝을 제거합니다.

RPD에서 가구 특성 및 인구 통계 정보 식별

RPD는 이름이없고 얼굴이 없으며 인구 통계 학적 정보를 제공 할 수 없습니다. 인구 통계 학적 정보는 모집단의 모든 세그먼트를 올바르게 나타내는 데 중요합니다. 그리고 그 이상으로, 정확한 측정은 가정뿐만 아니라 사람들을 측정 할 수 있다는 것을 의미합니다.

따라서 RPD 주택 내에서 강력한 정보를 잠금 해제하기 위해 우리는 45,000 개 이상의 Nielsen 계량 주택 및 타사 할당 특성 및 인구 통계에서 알려진 특성, 인구 통계 및 튜닝 정보로 RPD를 보정합니다. 그런 다음 이러한 입력을 특허 출원중인 반복 신경망과 RPD 가정의 특성과 인구 통계를 정확하게 식별하는 혼합 정수 프로그래밍 기술에 추가합니다. 이 AI 알고리즘을 사용하면 사람과 가정의 인구 통계 학적 특성을 정확하게보고 할 수 있습니다. 

셋톱 박스 룸 위치 결정

닐슨 패널 정보는 시청자 정보와 시청 위치를 제공합니다. RPD도 제공하지 않습니다. 그러나 우리는 AI를 통해 RPD에서 그 정보를 얻을 수 있습니다. 우리는 과학적으로 입증 된 방법론을 사용하여 어떤 가족 구성원이보고있는 곳과 가정 내에서 시청이 어디에서 발생하는지 확인합니다.

연구에 따르면 방 위치는 가족 구성원이 시청자가되는 주요 예측 인자 중 하나입니다. 그래서 우리는 분류기를 사용하여 RPD 가정에서 튜닝이 일어나는 셋톱 박스의 방 위치를 식별합니다. 그렇게하면 뷰어 할당 프로세스에서이 변수를 사용할 수 있습니다.

오늘날 많은 정보를 얻을 수 있기 때문에 장미 색 안경을 통해 빅 데이터를 보는 것이 유혹적입니다. 그러나 사람과의 연결이 없으면 빅 데이터는 정확하지 않습니다. 우리는 AI가 빅 데이터의 편향을 해결할 수있는 강력한 방법이라는 것을 알았고 고객에게 혁신을 가져 오는 것을 기쁘게 생각합니다. 이러한 혁신은 빅 데이터 소스가 제공하는 풍부한 정보와 대표적이고 정확한 데이터를 기반으로 계획, 활성화 및 측정 할 수 있도록하는 진실 세트로부터 이익을 얻습니다.

이 기사는 Medium에 처음 등장했습니다.