La verdad en la medición nunca ha sido tan importante como hoy. Por tanto, la verdad es nuestra única agenda. Pero llegar a esa verdad nunca ha sido tan complicado. Aunque muchos ven los macrodatos como la panacea de la medición en un mundo digitalmente rico, sabemos que no es tan sencillo.

Los paneles de Nielsen han sido la base de la medición a nivel de personas durante décadas, y siguen siéndolo hoy en día. Sin embargo, no se puede ignorar el crecimiento de los macrodatos como fuente de información valiosa. Pero los macrodatos por sí solos no son adecuados para la medición representativa. Piense en cuando cambia de canal en su televisor. Ese cambio pasa a formar parte de los big data, pero no queda constancia de quién hizo el cambio ni de quién lo presenció.

Para poner de relieve las deficiencias de los macrodatos desde el punto de vista de la medición, a principios de este año realizamos un análisis en Estados Unidos en el que comparamos datos de descodificadores con datos de descodificadores que calibramos con datos de panel de Nielsen. El análisis concluyó que los datos no calibrados son inherentemente sesgados y subrepresentan a las audiencias minoritarias.

Eso no quiere decir, sin embargo, que los macrodatos no tengan valor. Todo lo contrario. Pero deben basarse en un conjunto de verdades fundamentales. Ahí es donde entran en juego nuestros paneles y la inteligencia artificial (IA). Los datos de nuestros paneles -la clave para medir el nivel de las personas- son el conjunto de verdades perfecto para entrenar los macrodatos.

Mediante la aplicación de IA, utilizamos big data para ampliar drásticamente nuestras capacidades de medición, preservando al mismo tiempo la calidad y la representatividad. En la actualidad, la IA forma parte integral de nuestras metodologías de medición. Por ejemplo, ha desempeñado un papel fundamental en el desarrollo de nuestras capacidades de medición mejoradas para los mercados locales de televisión, que combinan la escala de los macrodatos (datos de la trayectoria de retorno {RPD} de los televisores) con datos de panel totalmente representativos del mercado.

Al tratar de integrar la RPD en nuestra medición local, identificamos cuatro usos clave de la IA.

Reconocer patrones de datos

Mientras investigábamos formas de integrar la RPD en nuestra medición, identificamos las limitaciones asociadas a la RPD a través de lo que denominamos "análisis de hogares comunes". Para estos análisis, que continúan en la actualidad, comparamos los datos de sintonización de los medidores Nielsen con los datos de sintonización RPD. Estos análisis cubren más de 5.000 hogares (12.000 televisores) cada mes y han descubierto que el RPD pasa por alto algunas sintonías.

Para subsanar esta deficiencia, hemos desarrollado una técnica pendiente de patente que utiliza clasificadores para reconocer los patrones asociados a la falta de sintonización en los hogares RPD. A partir de ahí, los algoritmos de IA eliminan estos hogares del uso en la medición.

Saber cuándo están encendidos los descodificadores y apagados los televisores

Los análisis de hogares habituales de Nielsen analizan más de 77 millones de minutos de sintonía en un mes determinado, lo que proporciona una información muy valiosa. Sin embargo, esa sintonización no siempre es exacta. Por ejemplo, la gente no siempre apaga el descodificador cuando apaga el televisor. El RPD presenta estas situaciones como visionado de la televisión aunque nadie la esté viendo.

Podemos superar esta limitación empleando clasificadores de aprendizaje profundo para identificar situaciones en las que el descodificador está encendido mientras el televisor está apagado. A continuación, el algoritmo elimina la sintonización no válida del RPD.

Identificación de las características del hogar e información demográfica de la RPD

La RPD no tiene nombre ni rostro y no puede proporcionar información demográfica. La información demográfica es fundamental para representar correctamente a todos los segmentos de una población. Y más allá de eso, una medición precisa significa ser capaz de medir personas, no solo hogares.

Así pues, para desvelar la potente información que contienen los hogares RPD, calibramos RPD con las características conocidas, los datos demográficos y la información de sintonización de más de 45.000 hogares medidos por Nielsen y las características y datos demográficos asignados por terceros. A continuación, añadimos estos datos a una red neuronal recurrente pendiente de patente y a una técnica de programación entera mixta que identifica con precisión las características y datos demográficos de los hogares con RPD. Este algoritmo de IA nos permite informar con precisión de las características demográficas de las personas y los hogares. 

Determinar la ubicación del Set-Top-Box

La información del panel Nielsen proporciona información sobre el espectador y su ubicación. RPD no proporciona ninguno de estos datos. Sin embargo, podemos obtener esa información de RPD a través de AI. Utilizamos una metodología científicamente probada para identificar qué miembro del hogar está viendo y dónde se está viendo dentro del hogar.

La investigación ha descubierto que la ubicación de la habitación es uno de los factores clave para predecir qué miembros del hogar forman parte de la audiencia. Así que utilizamos un clasificador para identificar la ubicación de la sala del descodificador donde se está produciendo la sintonización en los hogares RPD. De este modo, podemos utilizar esta variable en el proceso de asignación de espectadores.

Con tanta información disponible hoy en día, es tentador ver los macrodatos con gafas de color de rosa. Sin embargo, sin una conexión con las personas, los macrodatos distan mucho de ser precisos. Encontramos en la IA una forma poderosa de abordar el sesgo en los big data y estamos encantados de llevar la innovación a los clientes. Esta innovación se beneficia tanto de la riqueza de información que proporcionan las fuentes de big data como de un conjunto de verdades que garantiza que puedan planificar, activar y medir basándose en datos que sean representativos y precisos.

Este artículo apareció por primera vez en Medium.