기술 발전의 이점은 끝이 없어 보입니다. 휴대폰으로 집의 보안을 확인하고, 드론으로 식료품 배달을 받고, 평행 주차가 가능한 자동차를 운전할 수도 있습니다. 우리의 TV는 똑같이 발전하고 있으며, 끊임없이 성장하는 플랫폼과 채널 환경에서 끝없는 콘텐츠 선택을 제공하고 있습니다. 그러나 앞으로 몇 년 동안 스마트 TV가 많은 문을 열 것임에도 불구하고 그 자체만으로는 미디어 업계에 누가 사용하는지에 대한 정확한 관점을 제공할 수 없습니다.

스마트 TV가 지역 대형 소매점의 TV 통로를 장악했습니다. 오늘날 인터넷이 지원되지 않는 상점에서 TV를 찾기가 어려울 것입니다. 모든 커넥티드 디바이스와 마찬가지로 스마트 TV도 사용자 생성 데이터의 확산에 가중되고 있습니다: 자동 콘텐츠 인식(ACR) 데이터는 OEM이 스마트 TV에서 튜닝을 캡처하는 데 사용하는 기술입니다. 이러한 데이터 세트를 대표적인 개인 수준의 행동을 자세히 설명하는 정보와 결합하면 청중 측정 과학이 크게 발전합니다.

스마트 TV와 스마트 TV가 생성하는 데이터의 광범위한 채택을 감안할 때 많은 기업이 청중을 측정하는 방법으로 ACR 데이터를 찾고 있는 것은 놀라운 일이 아닙니다. 규모 면에서 볼 때 이 기회는 매우 매력적입니다. 그러나 ACR은 수익성이 높은 데이터 소스이지만 고객 측정에서 가장 중요한 측면인 사람이 부족하기 때문에 고객을 측정하는 것만으로는 충분하지 않습니다. ACR 데이터는 대표성이 없거나 누군가가 실제로 화면의 내용을 보고 있는지 알 수 없을 뿐만 아니라 장치 제조업체가 표시되는 콘텐츠를 확인하기 위해 화면의 이미지를 참조 이미지와 일치시켜야 하는 심각한 유효성 검사 결함이 있습니다. 따라서 ACR 데이터의 진정한 잠재력을 발휘하는 가장 좋은 방법은 실제 개인 수준의 시청 행동을 반영하는 데이터로 보정하는 것입니다. 

설계된 대로 작동할 때 ACR 기술은 TV 유리에 투사되는 이미지를 모니터링하고 해당 이미지를 사용하여 표시되는 콘텐츠를 유추합니다. ACR이 제공하는 이미지는 여러 가지 방식으로 콘텐츠의 지문처럼 작동합니다. 그러나 "지문"을 수집한 후 기술은 이미지가 언제 나타났는지뿐만 아니라 어떤 네트워크 또는 플랫폼에 나타났는지 결정해야 합니다. 이러한 결정을 내리기 위해 기술은 화면의 이미지를 제조업체에서 유지 관리하는 참조 라이브러리에 포함된 이미지와 일치시켜야 합니다.

기술이 이러한 일치를 시도할 때 발생할 수 있는 세 가지 결과가 있습니다.

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

관련된 모든 당사자에게 첫 번째 결과는 이상적인 시나리오입니다. 두 번째 시나리오는 덜 이상적이며, 여러 경기에 대한 다양한 이유(예: 네트워크 간 방송, 반복 방송, 동시 방송)로 인해 어느 정도의 신용 오신 위험이 따릅니다. 세 번째 시나리오에서는 아무도 크레딧을 받지 못하는데, 이는 분명히 가장 바람직하지 않은 시나리오입니다. 이러한 결과가 발생하는 가장 일반적인 이유는 콘텐츠가 OEM이 모니터링하지 않는 네트워크에서 방송되기 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 프레임 라이브러리를 유지하는 데 드는 비용은 결코 작은 일이 아닙니다. 또한 지속적으로 기하급수적으로 증가할 작업이기도 합니다. 이미지에 대한 표준 보존 기간도 없습니다.

그렇다면 ACR 기술이 제대로 일치할지 어떻게 알 수 있을까요? 빈칸을 채울 수 있는 메커니즘이 없으면 우리는 그렇게 할 수 없습니다. 그렇기 때문에 Nielsen은 서명보다 훨씬 더 결정적인 워터마크와 측정된 모든 피드에 대한 서명 백업에 투자했습니다. 이를 통해 모든 콘텐츠를 표현할 수 있으며, 빅 데이터 자체와 관련된 격차를 메울 수 있습니다. 이러한 격차가 해소됨에 따라 ACR과 같은 소스에서 제공되는 빅 데이터는 점점 더 세분화되는 미디어 환경에서 규모의 이점을 제공합니다. 그리고 가중치 컨트롤을 사용하여 개인 수준의 보기 데이터로 빅 데이터를 보정할 때 다른 방법으로는 비어 있을 수 있는 비교 지점을 볼 수 있습니다.

최근 연구에서 Nielsen은 이러한 참조 라이브러리 간격이 ACR 기반 측정의 기초인 ACR 튜닝 로그에 영향을 미치는 정도를 이해하려고 했습니다. 2021년 9월 공동 주택 분석에서는 두 ACR 제공업체 파트너 의 데이터를 분석하여 참조 도서관 격차가 측정에 영향을 미칠 수 있는 부분을 파악했습니다. 이 연구에서는 시청 소스의 집중도와 사용 가능한 소스의 시청 시간(분)을 모두 살펴보았습니다. 

모든 시청 소스에서 ACR 제공업체 파트너는 사용 가능한 방송국의 31%만 모니터링하는 것으로 나타났습니다. 이는 방송국의 69%에 대한 참조 라이브러리에 데이터를 유지하지 않는다는 것을 의미합니다. 시청 시간(분)을 살펴보면 23%의 시간이 모니터링되지 않는 방송국에서 발생한 것으로 나타났습니다. 즉, ACR 데이터만 측정에 활용하는 기업은 가구 수준의 노출을 23% 과소 계산하게 됩니다.

ACR 데이터 자체의 한계에도 불구하고, 우리는 셋톱 박스의 RPD(Return Path Data)와 유사한 추가 커버리지 소스로서 ACR 데이터가 제공하는 규모와 도달 범위의 기회를 이해하고 있으며, 당사의 빅 데이터 전략은 유사한 한계를 해결하기 위해 패널 데이터로 보정합니다. 빅 데이터 세트를 미국 전체의 대표 측정을 제공하는 시청 데이터와 통합함으로써 샘플 크기를 크게 늘리는 동시에 엄격한 데이터 과학 방법론을 적용하여 격차를 메우고 모든 네트워크 및 플랫폼에서 전체 미국 고객을 공정하게 대표할 수 있습니다.

이 도움말은 AdExchanger에 게재된 글입니다.