Belakangan ini, ada banyak antusiasme dan perbincangan di kalangan media mengenai masa depan pengukuran dan potensi besar data besar. Di Nielsen, kami telah lama memahami nilai data besar, dan baru bulan lalu kami mengumumkan detail tambahan mengenai cara kami mengintegrasikan data besar ke dalam layanan pengukuran TV nasional kami.
Kami juga menyadari bahwa tidak ada panel yang sempurna, seperti yang telah terbukti dalam beberapa bulan terakhir.
Namun, ketika tim ilmuwan data kami mendengar klaim-klaim besar dan luas tentang big data yang diyakini akan menyelamatkan situasi dan mengatasi semua tantangan yang dianggap ada di industri ini, sulit untuk tidak merasa skeptis.
Itu karena, meskipun memiliki nilai dan potensi yang luar biasa, kumpulan data besar yang saat ini dapat diakses oleh industri memiliki batasan yang sangat nyata.
Contoh yang relevan dan terbaru
Setelah kehilangan akses ke Nielsen’s Portable People Meters, Comscore mengumumkan bahwa mereka akan menggunakan data dari Experian’s ConsumerView untuk membantu mengidentifikasi penonton individu untuk tujuan pengukuran. Pengumuman tersebut dipandang sebagai kemajuan di media industri – bagaimanapun, jika big data adalah masa depan, setiap pergeseran ke arah itu pasti merupakan hal yang baik.
Sayangnya, bagi pelanggan mereka dan bagi konsumen, hal itu tidak terjadi.
Ada beberapa penyedia layanan identitas pihak ketiga yang menyediakan kemampuan untuk mencocokkan set data berdasarkan informasi pribadi yang dapat diidentifikasi dan menyediakan karakteristik demografis, baik yang dikumpulkan secara langsung maupun yang dimodelkan.
Di Nielsen, kami secara rutin memeriksa data ini. Kami melakukannya dengan mengukur langsung informasi dari panel-panel kami yang andal untuk memvalidasi seberapa akurat kumpulan data ini dalam 1) mencocokkan dengan benar ke sebuah rumah tangga dan 2) melaporkan demografi dan karakteristik dengan akurat.
Apa yang biasanya kita temukan seharusnya membuat pengiklan berpikir dua kali.
Sebagian besar dataset yang ada saat ini dibangun berdasarkan informasi penagihan atau pengumpulan perilaku online, bukan profil demografis. Mereka tidak memiliki detail yang kaya tentang siapa sebenarnya orang-orang dalam daftar mereka—mulai dari usia, pendapatan, hingga ras dan etnis—seperti yang Anda miliki dengan panel yang kuat. Dataset ini, karena dibuat melalui transfer mesin ke mesin, juga meningkatkan kemungkinan terjadinya pemborosan dan penipuan.
Oleh karena itu, tingkat kepastian yang dapat mereka berikan mengenai siapa yang sebenarnya tinggal di suatu rumah tangga terbatas. Dan mereka tidak memiliki kemampuan untuk menentukan siapa di dalam suatu rumah yang menonton program tertentu pada waktu tertentu.
Bahkan ketika Anda menggabungkan data tersebut dengan sumber lain, Anda hampir pasti akan menghadapi celah besar dan kesalahan dalam perkiraan Anda. Hal ini mungkin dapat diterima jika kasus penggunaan berfokus pada penargetan, tetapi data ini sendiri tidak menyediakan akurasi, objektivitas, dan transparansi yang diperlukan untuk melakukan pengukuran.
Mengapa hal ini penting
Jadi, apa artinya itu secara praktis? Nah, hal itu memiliki beberapa implikasi.
Dalam hal pergeseran Comscore dari penggunaan Personal People Meters kami, yang sebenarnya menempelkan mikrofon pada sekitar 100.000 orang sungguhan yang telah diverifikasi dan melacak secara tepat apa yang mereka tonton,
Jika menggunakan model yang memanfaatkan data penagihan untuk memperkirakan siapa di dalam sebuah rumah yang mungkin menonton program tertentu pada waktu tertentu, hasilnya akan menjadi perkiraan yang kurang akurat tentang siapa yang menonton apa.
Namun, implikasi yang mungkin lebih besar adalah bahwa pergeseran ini akan membuat industri semakin jauh dari menggambarkan representasi yang sebenarnya dari negara tersebut.
Kami tahu bahwa banyak dari jenis data ini lebih baik dalam menyediakan data tentang rumah tangga ketika orang yang tinggal di sana memiliki rumah sendiri dan telah tinggal di sana dalam waktu yang lama. Dan itu masuk akal. Masalahnya adalah, pemilik rumah yang telah tinggal lama cenderung lebih banyak orang kulit putih, lebih kaya, dan jauh lebih tua dibandingkan dengan populasi nasional secara keseluruhan. Secara desain, kumpulan data ini cenderung undercount orang kulit hitam dan coklat, orang dengan pendapatan rendah, dan orang muda, pada saat semua segmen tersebut sedang tumbuh, bukan menyusut.
Hal yang sama berlaku untuk kumpulan data yang dibangun berdasarkan data set top box, yang cenderung menghitungan berlebihan konsumen yang lebih berkecukupan yang bersedia membayar lebih untuk paket kabel, dan karenanya secara tidak proporsional mengesampingkan konsumen berpenghasilan rendah yang merupakan target penting bagi banyak pemasar.
Industri media telah, dengan tepat, menjadikan representasi yang akurat terhadap komunitas kulit hitam dan cokelat sebagai prioritas utama. Di Nielsen, rekam jejak kami dalam hal ini selama puluhan tahun memang belum sempurna, tetapi hari ini kami memiliki gambaran yang paling akurat dan canggih tentang negara ini sebagaimana adanya.
Alat pengukuran yang didasarkan pada big data yang tidak didukung oleh panel yang representatif, tervalidasi, dan diaudit tidak dapat membuat klaim tersebut. Panel Nielsen dapat menargetkan berbagai demografi dalam sensus dengan variasi 1%, tetapi opsi yang berfokus pada big data yang ada saat ini bahkan tidak mendekati tingkat akurasi tersebut. Industri perlu jujur dan terbuka terhadap tantangan yang dihadirkan oleh big data dalam hal representasi.
Masalah yang lebih luas
Untuk jelasnya, ini bukan hanya masalah Comscore. Ini adalah masalah yang ada pada semua set data besar yang ada saat ini.
Pada Agustus 2020, ANA bekerja sama dengan MRC dan Sequent Partners menggunakan data Nielsen sebagai acuan dalam sebuah studi yang bertujuan untuk memahami sejauh mana audiens multikultural diwakili secara akurat dalam penargetan media. Studi ini menganalisis kumpulan data pemasaran dan media berkualitas tinggi yang teragregasi dan berusaha memahami seberapa akurat penargetan terhadap audiens Black, Brown, dan Asia. Temuan tersebut mengkhawatirkan, tetapi sama sekali tidak mengejutkan bagi kami.
Studi tersebut menemukan bahwa kumpulan data besar yang diandalkan industri tidak mampu secara akurat menargetkan komunitas-komunitas kritis ini. Hal ini sebagian disebabkan karena kumpulan data tersebut tidak dirancang untuk menangkap data yang kaya tentang siapa sebenarnya konsumen-konsumen ini, seperti yang dilakukan oleh panel-panel yang kuat, sehingga terjadi penyimpangan dan underrepresentation yang luas dalam data.
Sekarang bandingkan hal itu dengan panel Nielsen yang kuat, yang menyediakan sejumlah besar informasi yang dikumpulkan langsung dari orang-orang nyata, mewakili seluruh populasi Amerika Serikat. Siapa yang tinggal di rumah? Berapa usia mereka? Suku dan etnis apa yang mereka identifikasi? Siapa yang menonton televisi pada suatu waktu tertentu? Panel Nielsen menjawab pertanyaan-pertanyaan ini.
Sekali lagi, panel-panel itu sendiri tidak sempurna, tetapi ada alasan mengapa industri lain, khususnya industri farmasi, menggunakan pendekatan yang serupa dengan panel dalam menyetujui obat-obatan. Itu karena, ketika taruhannya tinggi, tidak ada pengganti untuk orang-orang yang nyata dan terverifikasi.
Kami tahu bahwa banyak pelaku industri antusias dengan potensi big data, dan kami pun demikian. Namun, sebagai industri, kita perlu jujur tentang apa yang dapat dan tidak dapat diselesaikan oleh big data. Kami juga memahami bahwa masa depan pengukuran media adalah pendekatan yang menggabungkan jangkauan big data dengan data pribadi yang terverifikasi dari panel yang kuat.
Artikel ini awalnya diterbitkan di Next TV.
