Os benefícios do avanço da tecnologia são aparentemente infinitos. Podemos verificar a segurança de nossas casas a partir de nossos telefones, receber entregas de mercearia por drone-até carros de tração que podem estacionar paralelamente para nós. Nossas TVs estão se tornando igualmente avançadas, oferecendo opções de conteúdo aparentemente infinitas através de um cenário sempre crescente de plataformas e canais. No entanto, apesar das muitas portas que as TVs inteligentes abrirão nos próximos anos, elas não serão, por si só, capazes de fornecer à indústria de mídia uma visão precisa de quem as está usando.

As TVs inteligentes tomaram conta do corredor da TV em seu revendedor local de TV de caixa grande. Hoje seria difícil encontrar uma TV em uma loja que não tenha internet. E, assim como todos os dispositivos conectados, as TVs inteligentes contribuem para uma proliferação crescente de dados gerados pelo usuário: Os dados de reconhecimento automático de conteúdo (ACR) são a tecnologia que os OEMs usam para capturar sintonia nas TVs inteligentes. Quando combinados com informações que detalham o comportamento representativo, a nível pessoal, estes conjuntos de dados avançam significativamente a ciência da medição de audiência.

Dada a ampla adoção das TVs inteligentes e dos dados que elas produzem, não é surpreendente que uma série de empresas estejam olhando para os dados ACR como uma forma de medir o público. De uma perspectiva de escala, a oportunidade é muito atrativa. Contudo, por mais lucrativa que seja uma fonte de dados como a ACR, ela não é suficiente por si só para medir audiências, simplesmente porque lhe falta o aspecto mais importante que existe na medição de audiências: as pessoas. Além de não ser representativo - oumesmo consciente se alguém está realmente observando o que está na tela - os dados do ACR têm uma falha crítica de validação: exige que o fabricante do dispositivo combine a imagem na tela com uma imagem de referência a fim de determinar qual conteúdo está sendo exibido. Portanto, a melhor maneira de desbloquear o verdadeiro potencial dos dados ACR é calibrá-los com dados que reflitam o verdadeiro comportamento de visualização a nível pessoal. 

Ao trabalhar como projetado, a tecnologia ACR monitora as imagens que são projetadas no vidro da TV, e usa essas imagens para inferir o conteúdo que está sendo exibido. As imagens que o ACR serve agem de muitas maneiras, como uma impressão digital do conteúdo. Mas após a coleta das "impressões digitais", a tecnologia precisa determinar em qual rede ou plataforma a imagem apareceu, bem como quando ela apareceu. Para fazer essa determinação, a tecnologia precisa combinar a imagem na tela com uma imagem contida em uma biblioteca de referência mantida pelo fabricante.

Há três resultados possíveis quando a tecnologia tenta fazer essa combinação:

• A imagem corresponde a uma única entrada na biblioteca de referência 
• A imagem corresponde a múltiplas entradas na biblioteca de referência
• Uma imagem correspondente não está na biblioteca de referência

Para todas as partes envolvidas, o primeiro resultado é o cenário ideal. O segundo cenário é menos ideal, e vem com algum nível de risco de crédito errado, simplesmente por causa das várias razões para as múltiplas partidas (por exemplo, transmissões através de redes, transmissões repetidas, simulcasts). No terceiro cenário, ninguém recebe crédito, o que obviamente é o cenário menos desejável. A razão mais comum para este resultado é porque o conteúdo transmitido em uma rede que o OEM não monitora.

Mesmo que a correspondência de imagens fosse uma solução de medição viável e independente, a capacidade de aproveitá-la como tal nunca seria viável. Como você pode imaginar, o custo para manter uma biblioteca de cada frame de cada evento na televisão não é uma tarefa pequena. É também uma tarefa que crescerá exponencialmente em perpetuidade. Também não há períodos de retenção padrão para as imagens.

Então, como sabemos que a tecnologia ACR fará a combinação certa? Sem um mecanismo que possa preencher os espaços em branco, nós não sabemos. É por isso que a Nielsen investiu em marcas d'água, que são muito mais determinísticas do que as assinaturas, bem como backups de assinaturas para cada alimentação medida. Isso proporciona a representação de todo o conteúdo - preenchimento das lacunas associadas com os grandes dados por si só. Com estas lacunas preenchidas, grandes dados que vêm de fontes como ACR proporcionam o benefício da escala em um cenário de mídia cada vez mais segmentado. E quando usamos controles de ponderação para calibrar grandes dados com dados de visualização em nível de pessoa, somos capazes de ver pontos de comparação que de outra forma estariam em branco.

Em um estudo recente, a Nielsen procurou entender até que ponto essas lacunas da biblioteca de referência afetam os registros de ajuste ACR - a base para a medição baseada em ACR. Em uma análise domiciliar comum em setembro de 2021, analisamos dados de nossos dois parceiros fornecedores de ACR para entender onde as lacunas da biblioteca de referência poderiam ser consideradas na medição. Em nosso estudo, analisamos tanto a concentração de fontes de visualização quanto os minutos visualizados a partir das fontes disponíveis. 

Em todas as fontes de visualização, descobrimos que nossos parceiros fornecedores de ACR monitoram apenas 31% das estações disponíveis. Isso significa que eles não mantêm dados em suas bibliotecas de referência para 69% das estações. Quando observamos os minutos visualizados, descobrimos que 23% dos minutos vieram de estações que não são monitoradas. Isso significa que as empresas que utilizam apenas os dados do ACR para medição estariam contando menos 23% das impressões a nível doméstico.

Apesar das limitações dos dados ACR por si só, entendemos a oportunidade de escala e alcance que ela proporciona como uma fonte adicional de cobertura - semelhante à dos dados de caminho de retorno (RPD) dos set-top boxes, que nossa grande estratégia de dados também calibra com dados de painel para tratar de limitações comparáveis. Ao integrar grandes conjuntos de dados com nossos dados de visualização, que proporcionam uma medição representativa do total dos EUA, somos capazes de aumentar significativamente o tamanho de nossas amostras enquanto aplicamos metodologias rigorosas de ciência de dados para preencher as lacunas e garantir uma representação justa do público total dos EUA em todas as redes e plataformas.

Uma versão deste artigo apareceu originalmente no AdExchanger.