Czy włączyłeś dziś telewizor? A co z radiem? Zapewne korzystałeś z jakiejś aplikacji na swoim smartfonie. Może kupiłeś składniki na obiad w sklepie lub nabyłeś nową butelkę szamponu online.

Wszystkie te czynności są prostymi, codziennymi działaniami. Ale w dzisiejszym rozległym, połączonym i często cyfrowym świecie, są to również cenne punkty danych.

Co ważne, mogą one pomóc markom i marketerom zrozumieć potrzeby ich konsumentów, podejmować lepsze decyzje w celu zaspokojenia tych potrzeb i ostatecznie napędzać wzrost ich firm. Najpierw jednak marki i marketerzy muszą nadać sens wszystkim danym.

Rozmiar i zakres danych, które wszyscy generujemy w dzisiejszej erze cyfrowej może być oszałamiający, a Nielsen mierzy wiele z nich. Rozważmy to: Nielsen zbiera 1,7 miliarda rekordów oglądania telewizji każdego miesiąca, 6,7 miliarda transakcji sklepowych każdego miesiąca i 1,6 biliona wyświetleń online każdego roku! Zebranie ogromnych, czasami nieporządnych stosów danych generowanych przez nasze codzienne działania i zorganizowanie ich w użyteczne, praktyczne i znaczące informacje - a jednocześnie bycie odpowiedzialnym zarządcą danych i zapewnienie ludziom prywatności - wymaga szczególnej wiedzy i umiejętności.

Na szczęście rozwijające się technologie i platformy, które dostarczają nowych źródeł danych dla marek i marketerów, umożliwiają również nowe narzędzia i środki do pomiaru i wyciągania wniosków z tych danych. Rolą zespołów data science jest poszukiwanie nowych źródeł danych i narzędzi analitycznych, które pomogą przetworzyć (a tym samym nadać sens) Big Data, które tworzą konsumenci. Korzystając z metod naukowych, procesów, algorytmów i systemów, naukowcy odkrywają wartościowe spostrzeżenia w tych śnieżnych zbiorach punktów danych.

W firmie Nielsen około 1100 naukowców zajmujących się badaniem danych ma za zadanie znaleźć solidne, powtarzalne metody "łączenia kropek" dla naszych klientów i opowiadania o potrzebach ich konsumentów. Podczas gdy "kropki" w tej analogii reprezentują pozornie nieograniczoną liczbę punktów danych dostępnych dla naszych klientów, którzy starają się zrozumieć swoich konsumentów, to połączenia, które nasi naukowcy są w stanie wygenerować, są wkładem nr 1 do procesu decyzyjnego naszych klientów i paliwem dla ich rozwoju.

Jako członek zespołu naukowców ds. danych Nielsena pracuję nad rozwojem niestandardowych rozwiązań integrujących dane i tworzących kluczowe połączenia dla naszych klientów. Rozwiązania te obejmują fuzje danych, niestandardowe segmentacje odbiorców, analizy ROI i zupełnie nowe metodologie integracji źródeł danych w celu odpowiedzi na konkretne pytania biznesowe dotyczące konsumentów.

Nie ma wątpliwości, że nowe technologie i Big Data rewolucjonizują sposób, w jaki mierzymy konsumpcję mediów i produktów, które kupujemy. Ale trzeba też pamiętać, że mają one również swoje ograniczenia.

Technologie nie są zazwyczaj tworzone z myślą o pomiarach. W rezultacie Big Data może być na wiele sposobów nieobiektywna. Pomyślmy na przykład o pilocie, którego używamy do zmiany kanału w telewizorze. Naciśnięcie przycisku wysyła sygnał do skrzynki, a ten sygnał generuje dane. Jednak dane te są ograniczone pod względem tego, co mogą o Tobie powiedzieć. Na przykład, nie wie, czy to Ty nacisnąłeś przycisk, czy zrobił to inny członek rodziny. Nieobiektywne dane mogą prowadzić do błędnych wniosków na temat konsumentów i złych decyzji marketingowców.

Oto kolejny przykład: Urządzenia podłączone do telewizji i subskrypcyjne usługi wideo na żądanie pozwalają konsumentom wybrać to, co chcą, kiedy chcą. Jednak tylko około 60% Amerykanów posiada te urządzenia. W związku z tym dane pochodzące z tych urządzeń nie reprezentują całej populacji Stanów Zjednoczonych. Ponadto, dane te muszą być porównywalne z danymi dotyczącymi telewizji linearnej, aby zapewnić całościowy obraz krajobrazu telewizyjnego.

W Nielsenie obok Big Data stosujemy panele, aby dopasować punkty danych do prawdziwych ludzi. Dobrze skonstruowany panel może wyeliminować wiele tendencyjności charakterystycznej dla Big Data. Na przykład, wykorzystujemy nasze panele telewizyjne w USA, aby statystycznie reprezentować populację kraju pod względem wieku, pochodzenia etnicznego i poziomu dochodów. Łącząc spostrzeżenia z tych paneli z danymi Big Data, które Nielsen otrzymuje z pudełek kablowych dzięki współpracy z firmami dostarczającymi telewizję kablową, jesteśmy w stanie odkryć, kto stoi za pilotem. W ten sposób hybrydowe podejście do pomiaru, obejmujące panele i Big Data, może zapewnić ziarnistość i szczegółowość Big Data oraz redukcję błędu systematycznego i reprezentatywność panelu.

Wraz z gwałtownie rosnącą mocą oferowaną przez sztuczną inteligencję (AI), nigdy nie było bardziej krytyczne, aby zapewnić, że dane wejściowe są czyste, zaufane i reprezentatywne. Niespełnienie tych kryteriów oznacza po prostu, że produkujesz większe ilości (dzięki AI) słabych wyników. Ważne jest, aby pamiętać, że to jest garbage in, garbage out. Tak zwane "wystarczająco dobre" dane po prostu nie są wystarczająco dobre w świecie AI.

Sami naukowcy od danych również odgrywają kluczową rolę w ograniczaniu stronniczości w pomiarach. Chociaż nasze zespoły zajmujące się nauką o danych rzeczywiście obejmują kilku bardzo utalentowanych statystyków, wielu może być zaskoczonych, gdy dowie się, jak bardzo zróżnicowane są nasze zespoły. W skład zespołów Nielsena ds. nauki o danych wchodzą pracownicy z różnych środowisk, takich jak matematyka, nauki behawioralne, inżynieria chemiczna, fizyka, pedagogika, ekonomia i inżynieria komputerowa, a także wiele innych. Te zróżnicowane perspektywy pomagają nam zapewnić, że w naszych pomiarach uwzględniamy różne punkty widzenia.

Ostatecznie, w dzisiejszym świecie Big Data, coraz więcej dyscyplin biznesowych, takich jak finanse, obsługa klienta, zasoby ludzkie, analityka medialna, itp. ewoluuje w kierunku włączenia nauki o danych do swoich praktyk. Umożliwienie większej liczbie osób z różnych środowisk zdobycia podstawowej wiedzy z zakresu metod statystycznych, programowania i umiejętności analitycznych otwiera drzwi do lepszego podejmowania decyzji w różnych obszarach dzisiejszego biznesu.

Wierzę, że to dobrze wróży przyszłości nauki o danych, pod warunkiem, że ci nowi uczestnicy pola zrozumieją uprzedzenia i względy niezbędne do uzyskania wysokiej jakości spostrzeżeń z naszych codziennych punktów danych.