Przejdź do treści
02_Elements/Icons/ArrowLeft Powrót do Insight
Spostrzeżenia > Media

Wykorzystanie uczenia maszynowego do przewidywania przyszłych wyników oglądalności telewizji

1 minuta czytania | Scott Sereday i Jingsong Cui, Data Science, Nielsen | luty 2017 r.

Ratingi telewizyjne są wykorzystywane do przewidywania przyszłości. Ustalają oczekiwania i wpływają na decyzje programowe z jednego sezonu na następny, a także pomagają ustalić koszt reklamy (stawki reklamowe) z dużym wyprzedzeniem, kiedy program idzie na antenę. W Stanach Zjednoczonych, na przykład, sieci telewizyjne sprzedają większość ich premii inwentarz reklamowy dla roku na "upfront", grupa wydarzeń, które występują corocznie każdej wiosny. Dla każdej sieci, upfront jest coming-out partii do wprowadzenia nowych programów i budować emocje na nadchodzący sezon, ale za kurtyny, to jest bardzo dużo rynku dla reklamodawców do zakupu czasu komercyjnego w telewizji z wyprzedzeniem.

W związku z tym firmy medialne zainwestowały wiele wysiłku w prognozowanie przyszłych wyników oglądalności. Wiarygodne prognozy mogą pomóc podmiotom z branży w podejmowaniu szybszych, dokładniejszych i mniej subiektywnych decyzji, nie tylko na etapie upfront, ale także w planowaniu rozproszonym, które ma miejsce w trakcie sezonu. A jeśli wiarygodne prognozy mogą być tworzone przez zautomatyzowany system, można je wykorzystać do umożliwienia zaawansowanego targetowania na powstających platformach programmatic TV.

W tym artykule omawiamy ostatni projekt pilotażowy, w którym firma Nielsen współpracowała z jednym z naszych kluczowych klientów w celu wprowadzenia innowacji i ulepszenia praktyki prognozowania oglądalności. Poprzez współpracę chcieliśmy opracować dokładniejszy (lepsze wskaźniki wydajności), bardziej wydajny (lepszy czas cyklu) i bardziej spójny (mniejsza zmienność) system, aby poprawić istniejącą praktykę i stworzyć podstawy dla zautomatyzowanej infrastruktury prognozowania.

Powiązane tagi:

Kontynuuj przeglądanie podobnych spostrzeżeń