Pular para o conteúdo
02_Elements/Icons/ArrowLeft Voltar para o Insight
Percepções > Audiências

Inteligência Artificial é o elo entre os grandes dados e a medição do nível de pessoas

4 minutos de leitura | Mainak Mazumdar, Chief Data and Research Officer, Nielsen Global Media | Outubro 2019

A verdade na medição nunca foi tão importante como hoje. Portanto, a verdade é nossa única agenda. Mas chegar a essa verdade nunca foi tão complicado. Embora muitos vejam os grandes dados como uma panacéia para a medição em um mundo digitalmente rico, sabemos que não é tão simples assim.

Os painéis da Nielsen têm sido a base da medição do nível de pessoas por décadas, e continuam a sê-lo até hoje. O crescimento de grandes dados, no entanto, não pode ser ignorado como fonte de informações valiosas. Mas os grandes dados por si só não são adequados para uma medição representativa. Pense em quando você muda de canal em sua TV. Essa mudança torna-se parte de grandes dados, mas não há registro de quem fez a mudança ou de quem a testemunhou.

Para destacar as deficiências dos grandes dados sob uma perspectiva de medição, realizamos uma análise nos Estados Unidos no início deste ano que comparou os dados do set-top box com os dados do set-top box que calibramos com os dados do painel Nielsen. A análise constatou que os dados não calibrados são inerentemente tendenciosos e subrepresentam o público minoritário.

Isso não quer dizer, no entanto, que os grandes dados não tenham valor. Muito pelo contrário. Mas precisa ser fundamentado em um conjunto de verdades fundamentais. É aí que nossos painéis e inteligência artificial (IA) entram em jogo. Nossos dados de painel - a chave para a medição de pessoas - é o conjunto de verdade perfeito para o treinamento de grandes dados.

Através da aplicação da IA, usamos grandes dados para ampliar drasticamente nossas capacidades de medição enquanto preservamos a qualidade e a representatividade. Hoje, a IA é parte integrante de nossas metodologias de medição. Por exemplo, ela desempenhou um papel fundamental no desenvolvimento de nossas capacidades de medição aprimoradas para os mercados locais de TV, que combina a escala de grandes dados (dados do caminho de retorno {RPD} dos aparelhos de TV) com dados de painel totalmente representativos no mercado.

Como procuramos integrar a RPD em nossa medição local, identificamos quatro usos-chave da IA.

Reconhecendo padrões de dados

Ao pesquisarmos formas de integrar a RPD em nossa medição, identificamos limitações associadas à RPD através do que chamamos de "análises domiciliares comuns". Para essas análises, que continuam até hoje, comparamos os dados de ajuste dos medidores Nielsen com os dados de ajuste de RPD. Estas análises cobrem mais de 5.000 lares (12.000 TVs) a cada mês e descobriram que o RPD perde alguma sintonia.

Para resolver esta deficiência, desenvolvemos uma técnica de patente pendente que utiliza classificadores para reconhecer os padrões associados à sintonia ausente nas casas RPD. A partir daí, os algoritmos de IA removem esses lares do uso em medições.

Saber quando as caixas Set-Top estão ligadas e os televisores estão desligados

As análises caseiras comuns da Nielsen analisam mais de 77 milhões de minutos de sintonia em um determinado mês, o que fornece insights poderosos. Essa sintonização, no entanto, nem sempre é precisa. Por exemplo, as pessoas nem sempre desligam suas set-top-boxes quando desligam seus aparelhos de TV. A RPD apresenta estas situações como sendo assistidas pela TV, mesmo que ninguém esteja assistindo.

Podemos superar esta limitação empregando classificadores de aprendizagem profunda para identificar situações em que o set-top-box está ligado enquanto a TV está desligada. O algoritmo remove então a sintonia inválida da RPD.

Identificação de características domésticas e informações demográficas da RPD

A RPD é sem nome e sem rosto, e não pode fornecer informações demográficas. A informação demográfica é fundamental para representar corretamente todos os segmentos de uma população. E, além disso, medir com precisão significa ser capaz de medir pessoas, não apenas famílias.

Assim, para desbloquear as poderosas informações dentro das casas RPD, calibramos a RPD com as características conhecidas, demográficas e informações de sintonia de mais de 45.000 casas dosadoras Nielsen e características e demográficas atribuídas por terceiros. Em seguida, adicionamos essas informações a uma rede neural recorrente pendente de patente e uma técnica de programação mista de números inteiros que identifica com precisão as características e a demografia das casas RPD. Este algoritmo de IA nos permite relatar com precisão as características demográficas das pessoas e das residências. 

Determinando a localização da sala Set-Top-Box

As informações do painel Nielsen fornecem informações ao espectador e local de visualização. A RPD também não fornece. Podemos, no entanto, obter essas informações da RPD através da AI. Usamos uma metodologia cientificamente comprovada para identificar qual membro da família está observando e onde a visualização está ocorrendo dentro de casa.

A pesquisa descobriu que a localização da sala é um dos principais preditores de quais membros da família estão em uma audiência de visualização. Por isso, usamos um classificador para identificar a localização da sala do set-top-box onde a sintonia está acontecendo nas casas RPD. Dessa forma, podemos usar essa variável no processo de atribuição do espectador.

Com tanta informação disponível hoje em dia, é tentador ver grandes dados através de óculos cor de rosa. Sem uma conexão com pessoas, porém, os grandes dados estão longe de ser precisos. Encontramos a IA como uma forma poderosa de abordar o viés nos grandes dados e estamos encantados em levar a inovação aos clientes. Esta inovação se beneficia tanto da riqueza de informações que as grandes fontes de dados fornecem quanto de um conjunto de verdades que garante que eles possam planejar, ativar e medir com base em dados que sejam representativos e precisos.

Este artigo apareceu pela primeira vez em Medium.

Continue navegando por ideias semelhantes