La verità nella misurazione non è mai stata così importante come oggi. Pertanto, la verità è il nostro unico obiettivo. Ma arrivare a questa verità non è mai stato così complicato. Sebbene molti considerino i big data come una panacea per la misurazione in un mondo ricco di tecnologie digitali, sappiamo che non è così semplice.

I panel Nielsen sono stati alla base della misurazione a livello di persone per decenni e lo sono tuttora. La crescita dei big data, tuttavia, non può essere ignorata come fonte di informazioni preziose. Ma i big data da soli non sono adatti alla misurazione rappresentativa. Pensate a quando cambiate canale sul vostro televisore. Questo cambiamento entra a far parte dei big data, ma non c'è traccia di chi ha effettuato il cambiamento o di chi ne è stato testimone.

Per evidenziare le carenze dei big data dal punto di vista della misurazione, all'inizio di quest'anno abbiamo condotto un' analisi negli Stati Uniti che ha messo a confronto i dati dei set-top box con quelli calibrati con i dati del panel Nielsen. Dall'analisi è emerso che i dati non calibrati sono intrinsecamente distorti e rappresentano poco il pubblico delle minoranze.

Questo non vuol dire, tuttavia, che i big data non abbiano valore. Al contrario. Ma devono essere fondati su una serie di verità fondamentali. È qui che entrano in gioco i nostri panel e l'intelligenza artificiale (AI). I dati dei nostri panel, la chiave per la misurazione a livello di persone, sono il set di verità perfetto per l'addestramento dei big data.

Grazie all'applicazione dell'IA, utilizziamo i big data per ampliare notevolmente le nostre capacità di misurazione, preservando la qualità e la rappresentatività. Oggi l'intelligenza artificiale è parte integrante delle nostre metodologie di misurazione. Ad esempio, ha svolto un ruolo fondamentale nello sviluppo delle nostre capacità di misurazione potenziate per i mercati televisivi locali, che combinano la scala dei big data (dati sul percorso di ritorno {RPD} dai televisori) con dati di panel pienamente rappresentativi del mercato.

Nel tentativo di integrare la RPD nella nostra misurazione locale, abbiamo identificato quattro usi chiave dell'IA.

Riconoscere i modelli di dati

Mentre cercavamo il modo di integrare l'RPD nelle nostre misurazioni, abbiamo identificato i limiti associati all'RPD attraverso quelle che chiamiamo "analisi delle case comuni". Per queste analisi, che continuano tuttora, confrontiamo i dati di sintonizzazione dei contatori Nielsen con i dati di sintonizzazione dell'RPD. Queste analisi coprono più di 5.000 case (12.000 televisori) ogni mese e hanno rilevato che l'RPD non riesce a sintonizzarsi.

Per ovviare a questa carenza, abbiamo sviluppato una tecnica in attesa di brevetto che utilizza classificatori per riconoscere i modelli associati alla sintonizzazione mancante nelle case RPD. Da qui, gli algoritmi di intelligenza artificiale eliminano queste case dall'uso nelle misurazioni.

Sapere quando i set-top box sono accesi e i televisori spenti

Le analisi di Nielsen sulle case comuni analizzano più di 77 milioni di minuti di sintonizzazione in un dato mese, il che fornisce potenti informazioni. Questa sintonizzazione, tuttavia, non è sempre accurata. Ad esempio, non sempre le persone spengono il set-top-box quando spengono il televisore. L'RPD presenta queste situazioni come visione della TV anche se nessuno la sta guardando.

Possiamo superare questa limitazione impiegando classificatori di deep learning per identificare le situazioni in cui il set-top-box è acceso mentre il televisore è spento. L'algoritmo rimuove quindi la sintonizzazione non valida dall'RPD.

Identificazione delle caratteristiche della famiglia e delle informazioni demografiche dalla RPD

L'RPD è senza nome e senza volto e non può fornire informazioni demografiche. Le informazioni demografiche sono fondamentali per rappresentare correttamente tutti i segmenti di una popolazione. Inoltre, una misurazione accurata significa essere in grado di misurare le persone, non solo le famiglie.

Per sbloccare le potenti informazioni contenute nelle case RPD, calibriamo RPD con le caratteristiche, i dati demografici e le informazioni di sintonizzazione note di oltre 45.000 case misurate da Nielsen e le caratteristiche e i dati demografici assegnati da terzi. Aggiungiamo quindi questi input a una rete neurale ricorrente in attesa di brevetto e a una tecnica di programmazione mista di interi che identifica con precisione le caratteristiche e i dati demografici delle case RPD. Questo algoritmo di intelligenza artificiale ci permette di riportare con precisione le caratteristiche demografiche delle persone e delle famiglie. 

Determinazione della posizione della sala Set-Top-Box

I dati del panel Nielsen forniscono informazioni sugli spettatori e sulla loro posizione. RPD non fornisce nessuna delle due informazioni. Possiamo tuttavia ottenere queste informazioni da RPD attraverso l'AI. Utilizziamo una metodologia scientificamente provata per identificare il membro della famiglia che guarda e la posizione della visione all'interno della casa.

La ricerca ha rilevato che la posizione della stanza è uno dei fattori chiave per prevedere quali membri della famiglia fanno parte di un pubblico di telespettatori. Utilizziamo quindi un classificatore per identificare la posizione della stanza del set-top-box in cui avviene la sintonizzazione nelle case RPD. In questo modo, possiamo utilizzare questa variabile nel processo di assegnazione degli spettatori.

Con così tante informazioni disponibili oggi, si è tentati di vedere i big data con occhiali colorati. Senza un collegamento con le persone, tuttavia, i big data sono tutt'altro che accurati. Abbiamo scoperto che l'intelligenza artificiale è un modo efficace per affrontare le distorsioni nei big data e siamo lieti di portare l'innovazione ai clienti. Questa innovazione beneficia sia della ricchezza di informazioni che le fonti di big data forniscono, sia di un set di verità che garantisce la possibilità di pianificare, attivare e misurare sulla base di dati rappresentativi e accurati.

Questo articolo è apparso per la prima volta su Medium.