Lewati ke konten
Wawasan > Audiens

Ilmu untuk Memahami Big Data

5 menit membaca | Clem Thompson, Wakil Presiden, Ilmu Data, Nielsen | Mungkin 2019

Sudahkah Anda menyalakan TV hari ini? Bagaimana dengan radionya? Anda mungkin pernah menggunakan aplikasi di ponsel cerdas Anda. Mungkin Anda membeli bahan-bahan untuk makan malam di toko atau membeli sebotol sampo baru secara online.

Semua kegiatan ini sederhana, tindakan sehari-hari. Tetapi di dunia digital yang luas, saling berhubungan, dan, seringkali, saat ini, mereka juga merupakan titik data yang berharga.

Yang penting, mereka dapat membantu merek dan pemasar memahami kebutuhan konsumen mereka, membuat keputusan yang lebih baik untuk memenuhi kebutuhan tersebut dan pada akhirnya mendorong pertumbuhan untuk bisnis mereka. Tetapi pertama-tama, merek dan pemasar perlu memahami semua data.

Ukuran dan ruang lingkup data yang kita semua hasilkan di era digital saat ini bisa sangat mengejutkan, dan Nielsen mengukur banyak hal. Pertimbangkan ini: Nielsen mengumpulkan 1,7 miliar catatan menonton TV setiap bulan, 6,7 miliar transaksi toko setiap bulan, dan 1,6 triliun tayangan online setiap tahun! Mengambil tumpukan data yang sangat besar dan terkadang berantakan yang dihasilkan oleh tindakan kita sehari-hari dan mengaturnya menjadi informasi yang dapat digunakan, praktis, dan bermakna—sambil juga menjadi pengelola data yang bertanggung jawab dan memastikan privasi orang—membutuhkan pengetahuan dan keterampilan khusus.

Untungnya, teknologi dan platform yang sedang berkembang yang menyediakan sumber data baru untuk merek dan pemasar juga memungkinkan alat dan sarana baru untuk mengukur dan menarik wawasan dari data tersebut. Ini adalah peran tim ilmu data untuk mengejar sumber data baru dan alat analisis yang dapat membantu mengurai (dan dengan demikian memahami) Big Data yang dibuat konsumen. Dengan menggunakan metode, proses, algoritme, dan sistem ilmiah, ilmuwan data mengungkap wawasan berharga dalam kumpulan titik data bola salju ini.

Di Nielsen, sekitar 1.100 ilmuwan data ditugaskan untuk menemukan metode yang baik dan berulang untuk "menghubungkan titik-titik" untuk klien kami dan menceritakan kisah tentang kebutuhan konsumen mereka. Sementara "titik-titik" dalam analogi ini mewakili titik data yang tampaknya tidak terbatas yang tersedia untuk klien kami saat mereka berusaha untuk memahami konsumen mereka, itu adalah koneksi yang dapat dihasilkan oleh ilmuwan data kami yang merupakan input No. 1 untuk pengambilan keputusan klien kami dan bahan bakar untuk pertumbuhan mereka.

Sebagai anggota tim ilmuwan data Nielsen, saya bekerja untuk mengembangkan solusi khusus untuk mengintegrasikan data dan membuat koneksi utama bagi klien kami. Solusi ini mencakup fusi data, segmentasi audiens khusus, analisis ROI, dan metodologi yang sama sekali baru untuk mengintegrasikan sumber data guna menjawab pertanyaan bisnis tertentu tentang konsumen.

Tidak ada keraguan bahwa teknologi baru dan Big Data merevolusi cara kita mengukur konsumsi media dan produk yang kita beli. Tetapi penting juga untuk diingat bahwa mereka juga memiliki keterbatasan.

Teknologi biasanya tidak dibuat dengan mempertimbangkan pengukuran. Dan akibatnya, Big Data dapat menjadi bias dalam banyak hal. Pikirkan tentang remote yang Anda gunakan untuk mengubah saluran di TV Anda, misalnya. Menekan tombol mengirimkan sinyal ke kotak, dan sinyal itu menghasilkan data. Tetapi data itu terbatas dalam apa yang dapat diceritakannya tentang Anda. Misalnya, ia tidak tahu apakah Anda menekan tombol atau apakah anggota keluarga lain melakukannya. Data yang bias dapat menyebabkan wawasan yang salah tentang konsumen dan keputusan yang buruk oleh pemasar.

Berikut contoh lain: Perangkat yang terhubung ke TV dan layanan video-on-demand berlangganan memungkinkan konsumen untuk memilih apa yang mereka inginkan, kapan pun mereka mau. Tetapi hanya sekitar 60% orang Amerika yang memiliki perangkat ini. Akibatnya, data dari perangkat ini tidak mewakili seluruh populasi AS. Selain itu, data ini perlu dibuat sebanding dengan metrik TV linier untuk memberikan pandangan holistik tentang lanskap TV.

Di Nielsen, kami menggunakan panel bersama Big Data untuk mencocokkan titik data dengan orang sungguhan. Panel yang dibangun dengan baik dapat menghilangkan banyak bias yang melekat pada Big Data. Misalnya, kami menggunakan panel TV AS kami untuk secara statistik mewakili populasi negara—berdasarkan usia, etnis, dan tingkat pendapatan. Dengan menggabungkan wawasan dari panel ini dengan Big Data yang diterima Nielsen dari kotak kabel berkat kolaborasi dengan perusahaan penyedia kabel, kami dapat menemukan siapa yang berada di balik remote. Dengan demikian, pendekatan pengukuran hibrida yang melibatkan panel dan Big Data dapat memberikan granularitas dan detail Big Data dan menawarkan pengurangan bias dan keterwakilan panel.

Dan dengan meningkatnya tenaga kuda secara eksponensial yang ditawarkan ketika kami menerapkan kecerdasan buatan (AI), tidak pernah lebih penting untuk memastikan input data bersih, tepercaya, dan representatif. Kegagalan untuk memenuhi kriteria ini berarti Anda menghasilkan volume yang lebih tinggi (berkat AI) dari hasil yang buruk. Penting untuk diingat bahwa itu adalah sampah masuk, sampah keluar. Data yang disebut "cukup baik" tidak cukup baik di dunia AI.

Ilmuwan data sendiri juga memainkan peran kunci dalam mengurangi bias dalam pengukuran. Meskipun tim ilmu data kami memang menyertakan beberapa ahli statistik yang sangat berbakat, banyak yang mungkin terkejut mengetahui betapa beragamnya tim kami sebenarnya. Tim ilmu data Nielsen termasuk rekanan dari berbagai latar belakang, seperti matematika, ilmu perilaku, teknik kimia, fisika, pengajaran, ekonomi dan teknik komputer, serta banyak lainnya. Perspektif yang bervariasi ini membantu memastikan bahwa kami mempertimbangkan sudut pandang yang berbeda dalam pengukuran kami.

Pada akhirnya, di dunia Big Data saat ini, semakin banyak disiplin bisnis—baik itu keuangan, layanan klien, sumber daya manusia, analitik media, dll.—berkembang untuk menggabungkan ilmu data dalam praktik masing-masing. Memberdayakan lebih banyak orang dengan latar belakang yang beragam dengan pengetahuan inti tentang metode statistik, pemrograman, dan keterampilan analitis membuka pintu untuk pengambilan keputusan yang lebih baik di berbagai bidang bisnis saat ini.

Saya percaya ini pertanda baik untuk masa depan ilmu data, asalkan pendatang baru di lapangan ini memahami bias dan pertimbangan yang diperlukan untuk mengumpulkan wawasan berkualitas dari dalam poin data harian kami.