발전하는 기술의 이점은 겉으로보기에는 끝이 없습니다. 우리는 휴대 전화에서 집의 보안을 확인하고, 무인 항공기로 식료품 배달을받을 수 있으며, 심지어 우리를 위해 평행 주차가 가능한 자동차를 운전할 수도 있습니다. 우리의 TV는 똑같이 발전하고 있으며, 끊임없이 성장하는 플랫폼과 채널 환경에서 끝없는 콘텐츠 선택을 제공합니다. 그러나 스마트 TV가 앞으로 몇 년 안에 열릴 많은 문에도 불구하고, 스마트 TV는 미디어 업계에 누가 사용하고 있는지에 대한 정확한 시각을 제공 할 수 없을 것입니다.

스마트 TV가 지역 대형 박스 소매점의 TV 통로를 인수했습니다. 오늘날 인터넷이 활성화되지 않은 상점에서 TV를 찾기가 어려울 것입니다. 그리고 연결된 모든 장치와 마찬가지로 스마트 TV는 사용자 생성 데이터의 확산이 증가하고 있습니다: 자동 콘텐츠 인식(ACR) 데이터는 OEM이 스마트 TV에서 튜닝을 캡처하는 데 사용하는 기술입니다. 대표적이고 사람 수준의 행동을 자세히 설명하는 정보와 결합하면 이러한 데이터 세트는 잠재 고객 측정 과학을 크게 향상시킵니다.

스마트 TV와 그들이 생산하는 데이터의 광범위한 채택을 감안할 때, 많은 기업들이 잠재 고객을 측정하는 방법으로 ACR 데이터를 찾고 있다는 것은 놀라운 일이 아닙니다. 순수한 규모의 관점에서 볼 때, 기회는 매우 매력적입니다. 그러나 ACR만큼 수익성이 높은 데이터 소스는 잠재 고객 측정에서 가장 중요한 측면 인 사람이 부족하기 때문에 잠재 고객을 측정하는 것만으로는 충분하지 않습니다. ACR 데이터에는 대표적이지 않거나 누군가가 실제로 화면에 있는 내용을 보고 있는지 인지하는 것 외에도 장치 제조업체가 표시되는 콘텐츠를 확인하기 위해 화면의 이미지를 참조 이미지와 일치시켜야 합니다. 따라서 ACR 데이터의 진정한 잠재력을 발휘하는 가장 좋은 방법은 실제 사용자 수준의 시청 동작을 반영하는 데이터로 보정하는 것입니다. 

설계된 대로 작업할 때 ACR 기술은 TV 글래스에 투사되는 이미지를 모니터링하고 이러한 이미지를 사용하여 어떤 콘텐츠가 표시되는지 추론합니다. ACR이 제공하는 이미지는 여러 가지 방법으로 콘텐츠의 지문처럼 작동합니다. 그러나 "지문"을 수집 한 후이 기술은 이미지가 나타난 네트워크 또는 플랫폼과 이미지가 언제 나타 났는지 결정해야합니다. 이러한 결정을 내리기 위해 기술은 화면의 이미지를 제조업체가 유지 관리하는 참조 라이브러리에 포함된 이미지와 일치시켜야 합니다.

기술이 그 일치를 시도 할 때 세 가지 가능한 결과가 있습니다.

• 이미지는 참조 라이브러리의 단일 항목과 일치합니다. 
• 이미지가 참조 라이브러리의 여러 항목과 일치합니다.
• 일치하는 이미지가 참조 라이브러리에 없습니다.

관련된 모든 당사자에게 첫 번째 결과는 이상적인 시나리오입니다. 두 번째 시나리오는 덜 이상적이며, 단순히 여러 경기에 대한 다양한 이유 (예 : 네트워크를 통한 방송, 반복 방송, 시뮬 캐스트) 때문에 어느 정도의 오도 위험이 있습니다. 세 번째 시나리오에서는 아무도 신용을 얻지 못하는데, 이는 분명히 가장 바람직하지 않은 시나리오입니다. 이 결과의 가장 일반적인 이유는 OEM이 모니터링하지 않는 네트워크에서 방송되는 콘텐츠 때문입니다.

이미지 매칭이 실행 가능한 독립형 측정 솔루션이라 할지라도, 이를 활용하는 능력은 결코 실현 가능하지 않을 것입니다. 상상할 수 있듯이 TV에서 모든 이벤트의 모든 단일 프레임의 라이브러리를 유지 관리하는 데 드는 비용은 작은 작업이 아닙니다. 그것은 또한 영구히 기하 급수적으로 성장할 과제이기도합니다. 이미지에 대한 표준 보존 기간도 없습니다.

그렇다면 ACR 기술이 올바른 결과를 가져올 것이라는 것을 어떻게 알 수 있을까요? 공백을 채울 수있는 메커니즘이 없으면 우리는 그렇지 않습니다. 이것이 닐슨이 서명보다 훨씬 더 결정론적인 워터마크와 측정된 모든 피드에 대한 서명 백업에 투자한 이유입니다. 이는 모든 콘텐츠를 표현하여 빅 데이터와 관련된 격차를 자체적으로 메울 수 있습니다. 이러한 격차가 채워지면서 ACR과 같은 소스에서 오는 빅 데이터는 점점 더 세분화 된 미디어 환경에서 규모의 이점을 제공합니다. 그리고 가중치 컨트롤을 사용하여 사람 수준의 보기 데이터로 빅 데이터를 보정하면 비어 있는 비교 지점을 볼 수 있습니다.

최근 연구에서 Nielsen은 이러한 참조 라이브러리 갭이 ACR 기반 측정의 기초인 ACR 튜닝 로그에 어느 정도 영향을 미치는지 이해하려고 했습니다. 2021년 9월 공동 주택 분석에서 우리는 두 ACR 제공자 파트너 의 데이터를 분석하여 참조 라이브러리 갭이 측정에 영향을 미칠 수 있는 위치를 파악했습니다. 우리의 연구에서, 우리는 시청 소스의 농도와 사용 가능한 소스에서 본 분 모두를 조사했습니다. 

모든 시청 소스에서 ACR 공급자 파트너가 사용 가능한 스테이션의 31 %만 모니터링한다는 것을 발견했습니다. 즉, 스테이션의 69 %에 대해 참조 라이브러리에 데이터를 유지 관리하지 않습니다. 우리가 본 분을 보았을 때, 우리는 분의 23 %가 모니터링되지 않는 역에서 온 것을 발견했습니다. 즉, 측정을 위해 ACR 데이터만을 활용하는 회사는 가구 수준의 노출을 23 % 과소 평가하게됩니다.

ACR 데이터 자체의 한계에도 불구하고, 우리는 셋톱 박스의 RPD(Return path data)와 유사한 추가 커버리지 소스로서 제공하는 확장 및 도달 범위를 이해하고 있으며, 당사의 빅 데이터 전략은 패널 데이터로 보정하여 유사한 제한 사항을 해결합니다. 빅 데이터 세트를 미국 전체의 대표적인 측정을 제공하는 시청 데이터와 통합함으로써 우리는 엄격한 데이터 과학 방법론을 적용하여 격차를 메우고 모든 네트워크 및 플랫폼에서 미국 전체 잠재 고객을 공정하게 표현할 수 있도록 샘플 크기를 크게 늘릴 수 있습니다.

이 기사의 버전은 원래 AdExchanger에 나타났습니다.