Manfaat dari kemajuan teknologi tampaknya tak ada habisnya. Kita dapat memeriksa keamanan rumah kita melalui ponsel, menerima pengiriman belanjaan dengan drone—bahkan mengemudikan mobil yang dapat parkir paralel untuk kita. Televisi kita pun semakin canggih, menawarkan pilihan konten yang tak terbatas di tengah lanskap platform dan saluran yang terus berkembang. Namun, meskipun televisi pintar akan membuka banyak peluang di tahun-tahun mendatang, mereka tidak akan—sendiri—dapat memberikan industri media gambaran yang akurat tentang siapa yang menggunakannya.
Smart TV telah mendominasi rak TV di toko ritel besar di daerah Anda. Anda akan kesulitan menemukan TV di toko saat ini yang tidak terhubung ke internet. Dan sama seperti semua perangkat terhubung, TV pintar menambah jumlah data yang dihasilkan pengguna: Data pengenalan konten otomatis (ACR) adalah teknologi yang digunakan oleh produsen asli (OEM) untuk merekam penayangan di TV pintar. Ketika digabungkan dengan informasi yang menggambarkan perilaku pengguna secara detail, kumpulan data ini secara signifikan mempercepat perkembangan ilmu pengukuran audiens.
Mengingat adopsi yang luas dari smart TV dan data yang dihasilkannya, tidak mengherankan jika berbagai perusahaan melihat data ACR sebagai cara untuk mengukur audiens. Dari segi skala, peluang ini sangat menarik. Namun, meskipun data ACR merupakan sumber data yang menguntungkan, data ini tidak cukup untuk mengukur audiens secara mandiri, karena data ini tidak memiliki aspek terpenting dalam pengukuran audiens: manusia. Selain tidak representatif—atau bahkan tidakmenyadari apakah seseorang benar-benar menonton apa yang ditampilkandi layar—data ACR memiliki kelemahan validasi kritis: Data ini memerlukan produsen perangkat untuk mencocokkan gambar di layar dengan gambar referensi guna menentukan konten yang ditampilkan. Oleh karena itu, cara terbaik untuk mengoptimalkan potensi sebenarnya dari data ACR adalah dengan mengkalibrasinya menggunakan data yang mencerminkan perilaku menonton tingkat individu yang sebenarnya.
Ketika beroperasi sesuai desainnya, teknologi ACR memantau gambar yang ditampilkan di layar TV dan menggunakan gambar-gambar tersebut untuk menentukan konten apa yang sedang ditampilkan. Gambar yang disajikan oleh ACR berfungsi seperti sidik jari konten. Namun, setelah mengumpulkan "sidik jari" tersebut, teknologi perlu menentukan jaringan atau platform mana gambar tersebut muncul, serta kapan gambar tersebut muncul. Untuk menentukan hal tersebut, teknologi perlu mencocokkan gambar di layar dengan gambar yang terdapat dalam perpustakaan referensi yang dikelola oleh pabrikan.
Ada tiga kemungkinan hasil ketika teknologi mencoba melakukan pencocokan tersebut:
- Gambar tersebut sesuai dengan satu entri dalam perpustakaan referensi.
- Gambar tersebut cocok dengan beberapa entri dalam perpustakaan referensi.
- Gambar yang sesuai tidak ada di perpustakaan referensi.
Bagi semua pihak yang terlibat, hasil pertama adalah skenario ideal. Skenario kedua kurang ideal dan disertai dengan risiko kesalahan atribusi, hanya karena berbagai alasan untuk pertandingan ganda (misalnya, siaran di berbagai jaringan, siaran ulang, siaran bersamaan). Dalam skenario ketiga, tidak ada yang mendapatkan kredit, yang jelas merupakan skenario paling tidak diinginkan. Alasan paling umum untuk hasil ini adalah karena konten ditayangkan di jaringan yang tidak dipantau oleh OEM.
Meskipun pemecahan masalah pencocokan gambar dapat menjadi solusi pengukuran yang layak secara mandiri, kemampuan untuk menggunakannya sebagai solusi semacam itu tidak akan pernah feasible. Seperti yang dapat Anda bayangkan, biaya untuk memelihara perpustakaan setiap frame dari setiap acara di televisi bukanlah tugas yang mudah. Ini juga merupakan tugas yang akan terus berkembang secara eksponensial selamanya. Selain itu, tidak ada periode penyimpanan standar untuk gambar.
Bagaimana kita tahu bahwa teknologi ACR akan melakukan pencocokan yang tepat? Tanpa mekanisme yang dapat mengisi celah-celah tersebut, kita tidak bisa. Itulah mengapa Nielsen telah berinvestasi dalam watermark, yang jauh lebih deterministik daripada tanda tangan, serta cadangan tanda tangan untuk setiap feed yang diukur. Hal ini memberikan representasi dari semua konten—mengisi celah-celah yang terkait dengan big data itu sendiri. Dengan celah-celah ini terisi, big data yang berasal dari sumber seperti ACR memberikan manfaat skala dalam lanskap media yang semakin terfragmentasi. Dan ketika kita menggunakan kontrol penimbangan untuk menyesuaikan big data dengan data penayangan tingkat individu, kita dapat melihat titik perbandingan yang sebelumnya kosong.
Dalam studi terbaru, Nielsen berusaha memahami sejauh mana celah perpustakaan referensi memengaruhi catatan penyesuaian ACR—dasar dari pengukuran berbasis ACR. Dalam analisis rumah tangga umum pada September 2021, kami menganalisis data dari dua mitra penyedia ACR kami untuk memahami di mana celah perpustakaan referensi mungkin memengaruhi pengukuran. Dalam studi kami, kami menganalisis baik konsentrasi sumber tayangan maupun menit tayangan dari sumber yang tersedia.
Dari semua sumber penayangan, kami menemukan bahwa mitra penyedia ACR kami hanya memantau 31% dari stasiun yang tersedia. Artinya, mereka tidak menyimpan data di perpustakaan referensi mereka untuk 69% stasiun tersebut. Ketika kami menganalisis menit penayangan, kami menemukan bahwa 23% dari menit penayangan berasal dari stasiun yang tidak dipantau. Artinya, perusahaan yang mengandalkan data ACR saja untuk pengukuran akan undercounting impresi tingkat rumah tangga sebesar 23%.
Meskipun data ACR memiliki keterbatasan jika digunakan sendiri, kami memahami potensi skala dan jangkauan yang ditawarkannya sebagai sumber tambahan untuk cakupan—serupa dengan data jalur balik (RPD) dari set-top box, yang juga dikalibrasi dengan data panel dalam strategi big data kami untuk mengatasi keterbatasan serupa. Dengan mengintegrasikan set data besar dengan data penayangan kami, yang memberikan pengukuran representatif dari total populasi AS, kami dapat secara signifikan meningkatkan ukuran sampel kami sambil menerapkan metodologi ilmu data yang ketat untuk mengisi celah dan memastikan representasi yang adil dari total audiens AS di seluruh jaringan dan platform.
Versi artikel ini awalnya diterbitkan di AdExchanger.
