Pour l'industrie des médias, la période comprise entre mars et mai est une période faste. A travers les nombreux événements upfront qui couvrent le paysage médiatique, qui ne sont plus liés à des plateformes et des technologies individuelles, le marché du contenu en expansion présente à la fois une richesse d'opportunités et une étendue d'informations pour les acheteurs et les vendeurs de publicité, en particulier dans le cadre des conversations croissantes sur le big data pour la mesure.
Pour les annonceurs, les chiffres sont essentiels à cette période de l'année. Et comme la consommation de télévision se fragmente dans un contexte d'engagement numérique croissant, ils prennent une importance encore plus grande. Quelle importance ? Une étude d' Ampere Analysis a révélé que les dépenses totales en contenu en 2021 s'élevaient à environ 220 milliards de dollars, grâce à la puissance du streaming de Netflix. Et les annonceurs, sachant que les Américains ont diffusé en streaming près de 15 millions d'années de vidéo l'année dernière, se mobilisent, puisque les dépenses publicitaires numériques mondiales ont bondi de plus de 29 % en 2021 pour éclipser 491 milliards de dollars.
Qui plus est, les consommateurs n'ont pas l'intention de changer la trajectoire du secteur du streaming, puisque 93 % des abonnés au streaming déclarent qu'ils prévoient d'augmenter leur utilisation au cours de l'année prochaine. Cela ne signifie pas pour autant que le contenu télévisuel traditionnel n'est plus d'actualité. Au contraire, l'adulte moyen passe plus de deux fois plus de temps par jour à regarder la télévision en direct qu'à regarder du contenu de télévision connectée.
L'abondance croissante de contenu offre un choix de plus en plus vaste aux consommateurs, mais la myriade de plateformes, d'appareils et de services peut poser des problèmes de mesure aux annonceurs. En outre, l'explosion du choix n'a pas créé plus de temps pour s'engager avec le contenu, ni créé plus de personnes. Mais le big data, y compris celui qui provient des téléviseurs intelligents (ACR) et des boîtiers de câble (RPD), a une façon de suggérer le contraire. Les données provenant des boîtiers de câble et des téléviseurs intelligents fournissent également peu d'informations sur l'activité de streaming : Les boîtiers de câble, par définition, fournissent des données sur la télévision traditionnelle, et l'ACR s'éteint souvent lorsque le public utilise des applications natives, notamment Netflix.
Outre le fait qu'elles n'ont jamais été conçues pour être utilisées à des fins de mesure, les grandes données ne reflètent pas les personnes réelles. Il ne faut pas se méprendre sur la valeur de la RPD et de l'ACR, car elles fournissent une échelle de mesure, mais le big data est le reflet des appareils, pas des personnes réelles. Les données en elles-mêmes ne peuvent pas vous dire qui regarde et qui ne regarde pas, ce qui est un besoin fondamental pour les annonceurs. Et lorsque les personnes sont retirées de l'équation, les chiffres ne s'additionnent pas.
Prenez les données ACR, par exemple, qui identifient les images sur les écrans des téléviseurs intelligents. Ces données peuvent être très utiles pour mesurer l'audience, mais en soi, elles ne font rien de plus qu'identifier ce qui se trouve sur un écran. Les données RPD sont similaires, mais elles ne permettent même pas de vérifier qu'un téléviseur est allumé. C'est pourquoi un quart de toutes les impressions des décodeurs proviennent de téléviseurs qui ne sont même pas allumés.
En plus de ne pas savoir qui utilise un appareil ou un écran, le big data est intrinsèquement biaisé, et ce biais dépend du type de données. Pour que le big data représente réellement la population américaine, il faudrait que chaque foyer TV ait exactement le même téléviseur et accède aux programmes par le biais du même flux de données. C'est pourquoi tous les ensembles de big data doivent être nivelés - calibrés - avec des panels de personnes qui reflètent la diversité de la population américaine.
Il est important de noter que la Fédération mondiale des annonceurs, l'Association des annonceurs nationaux et les organisations comparables dans plus de 30 autres pays ont déclaré à l'unanimité que le futur système de mesure d'audience pour les médias sur écran doit être une combinaison de panel de qualité et de big data.
Sans données de panel, la mesure ne permet pas de saisir la diversité. Non seulement nous savons que tous les foyers TV n'auront jamais accès au même contenu sur les mêmes appareils, mais nous savons aussi que la composition des foyers est aussi variée que le tissu du pays qui contient les foyers TV. C'est là que les mesures basées sur les big data manquent la cible - de manière significative.
Par exemple, les Hispaniques représentent un peu moins de 20 % de la population américaine, mais le big data sous-estime considérablement ce public, ainsi que de nombreux autres. Mais lorsque la mesure est basée sur la seule DPR, les analyses de Nielsen ont révélé qu'elle sous-représente les foyers hispaniques de 30 %. Pour mettre cela en perspective, considérez ceci : Le recensement américain de 2020 a déterminé que la population hispanique était d'un peu plus de 62 millions de personnes. Si la moitié de cette population regarde la télévision à un moment donné et que les annonceurs utilisent les données RPD pour la mesure, les annonceurs pourraient toucher 9 millions de personnes de plus qu'ils ne le savent.
Il est important de noter que la sous-représentation de 30 % est une moyenne. Au niveau des programmes, le big data peut entraîner une sous-représentation ou une sur-représentation dans des proportions bien plus importantes, tant pour la population générale que pour les publics divers. Par exemple, une étude de Nielsen sur les écarts entre la mesure du big data et sa mesure standard basée sur des panels a révélé que la mesure RPD surévaluait de 69 % les impressions totales aux États-Unis pour un programme en prime time. En comparaison, la mesure ACR sous-évaluait le total de 12 %. Pour un événement sportif, la mesure RPD a sous-estimé l'audience hispanique de 47 %, tandis que les données ACR ont surestimé cette même audience de 12 %.
Pour les annonceurs, ces écarts de mesure peuvent être coûteux. L'offre croissante de nouvelles sources de données rend toutefois la mesure plus complexe, surtout lorsqu'elle n'est pas forcément liée à des personnes réelles. Les éditeurs et les annonceurs voudront toujours avoir la plus grande portée possible, mais certainement pas sans la rigueur analytique nécessaire pour la valider.
À l'heure où le linéaire et le numérique convergent, les sources de big data sont des éléments essentiels pour la mesure. Mais elles ne sont pas dignes de confiance en tant que sources de mesure en elles-mêmes. Comme les consommateurs utilisent de plus en plus d'appareils et de canaux, il sera facile de pointer du doigt des données qui revendiquent un engagement potentiellement surestimé. Les annonceurs apprécieraient certainement les tailles d'audience que de nombreuses audiences alternatives suggèrent, mais s'ils placent leurs achats publicitaires en fonction de ces chiffres, ils paieront en fin de compte pour des chiffres qui ne reflètent pas des personnes réelles.
