ปัญญาประดิษฐ์เป็นตัวเชื่อมระหว่างข้อมูลขนาดใหญ่และการวัดระดับบุคคล

ความจริงในการวัดผลไม่เคยสำคัญเท่าทุกวันนี้มาก่อน ดังนั้น ความจริงจึงเป็นเป้าหมายเดียวของเรา แต่การบรรลุความจริงนั้นไม่เคยซับซ้อนเท่านี้มาก่อน แม้ว่าหลายคนจะมองว่าบิ๊กดาต้าเป็นยาครอบจักรวาลสำหรับการวัดผลในโลกที่เต็มไปด้วยดิจิทัล แต่เราก็รู้ว่ามันไม่ง่ายอย่างนั้น

แผงข้อมูล ของนีลเส็นเป็นรากฐานของการวัดผลในระดับบุคคลมานานหลายทศวรรษ และยังคงเป็นเช่นนั้นมาจนถึงทุกวันนี้ อย่างไรก็ตาม การเติบโตของข้อมูลขนาดใหญ่ (Big Data) ถือเป็นแหล่งข้อมูลที่มีค่าที่ไม่อาจมองข้ามได้ แต่ข้อมูลขนาดใหญ่เพียงอย่างเดียวไม่เหมาะสำหรับการวัดผลแบบตัวแทน ลองนึกภาพตอนที่คุณเปลี่ยนช่องทีวี การเปลี่ยนแปลงนั้นกลายเป็นส่วนหนึ่งของข้อมูลขนาดใหญ่ แต่กลับไม่มีบันทึกว่าใครเป็นผู้เปลี่ยนแปลงหรือใครเป็นผู้เห็นการเปลี่ยนแปลงนั้น

เพื่อเน้นย้ำถึงข้อบกพร่องของข้อมูลขนาดใหญ่จากมุมมองด้านการวัดผล เราได้ทำการ วิเคราะห์ในสหรัฐอเมริกาเมื่อต้นปีนี้ โดยเปรียบเทียบข้อมูลจากกล่องรับสัญญาณโทรทัศน์กับข้อมูลจากกล่องรับสัญญาณโทรทัศน์ที่เราปรับเทียบด้วยข้อมูลของ Nielsen Panel การวิเคราะห์พบว่าข้อมูลที่ไม่ได้ปรับเทียบนั้นมีความลำเอียงโดยเนื้อแท้และแสดงถึงกลุ่มผู้ชมกลุ่มน้อยได้น้อยเกินไป

อย่างไรก็ตาม นั่นไม่ได้หมายความว่าบิ๊กดาต้าไม่มีค่า ตรงกันข้ามเลย แต่มันจำเป็นต้องวางรากฐานบนชุดความจริงพื้นฐาน นั่นคือจุดที่แผงข้อมูลและปัญญาประดิษฐ์ (AI) ของเราเข้ามามีบทบาท ข้อมูลแผงข้อมูลของเรา ซึ่งเป็นกุญแจสำคัญในการวัดผลในระดับบุคคล คือชุดความจริงที่สมบูรณ์แบบสำหรับการฝึกอบรมบิ๊กดาต้า

ด้วยการประยุกต์ใช้ AI เราใช้ข้อมูลขนาดใหญ่เพื่อขยายขีดความสามารถในการวัดผลของเราอย่างมาก ในขณะเดียวกันก็ยังคงรักษาคุณภาพและความเป็นตัวแทนไว้ ปัจจุบัน AI เป็นส่วนสำคัญในวิธีการวัดผลของเรา ยกตัวอย่างเช่น AI มีบทบาทสำคัญในการพัฒนาขีดความสามารถในการวัดผลที่ดีขึ้นสำหรับตลาดโทรทัศน์ท้องถิ่น ซึ่งผสานรวมขนาดของข้อมูลขนาดใหญ่ (ข้อมูลเส้นทางกลับ {RPD} จากโทรทัศน์) เข้ากับข้อมูลแผงข้อมูลในตลาดที่เป็นตัวแทนอย่างครบถ้วน

ในขณะที่เราพยายามบูรณาการ RPD เข้ากับการวัดในระดับท้องถิ่น เราได้ระบุการใช้งาน AI ที่สำคัญสี่ประการ

การจดจำรูปแบบข้อมูล

ขณะที่เราค้นคว้าวิธีผสานรวม RPD เข้ากับการวัดของเรา เราได้ระบุข้อจำกัดที่เกี่ยวข้องกับ RPD ผ่านสิ่งที่เราเรียกว่า "การวิเคราะห์บ้านทั่วไป" สำหรับการวิเคราะห์เหล่านี้ ซึ่งยังคงดำเนินต่อไปในปัจจุบัน เราเปรียบเทียบข้อมูลการปรับจูนจากมิเตอร์ Nielsen กับข้อมูลการปรับจูน RPD การวิเคราะห์เหล่านี้ครอบคลุมบ้านมากกว่า 5,000 หลัง (ทีวี 12,000 เครื่อง) ในแต่ละเดือน และพบว่า RPD ขาดการปรับจูนบางส่วน

เพื่อแก้ไขข้อบกพร่องนี้ เราจึงพัฒนาเทคนิคที่อยู่ระหว่างการจดสิทธิบัตร ซึ่งใช้ตัวจำแนกประเภทเพื่อจดจำรูปแบบที่เกี่ยวข้องกับการปรับแต่งที่หายไปในบ้าน RPD จากนั้น อัลกอริทึม AI จะลบบ้านเหล่านี้ออกจากการใช้งานในการวัด

การรู้ว่ากล่องรับสัญญาณเปิดอยู่และทีวีปิดอยู่

การวิเคราะห์แบบ Common Home ของ Nielsen วิเคราะห์การจูนสัญญาณมากกว่า 77 ล้านนาทีในแต่ละเดือน ซึ่งให้ข้อมูลเชิงลึกที่ทรงพลัง อย่างไรก็ตาม การจูนสัญญาณดังกล่าวไม่ได้แม่นยำเสมอไป ตัวอย่างเช่น ผู้คนไม่ได้ปิดกล่องรับสัญญาณโทรทัศน์ทุกครั้งเมื่อปิดทีวี RPD นำเสนอสถานการณ์เหล่านี้ว่าเป็นการดูทีวีแม้ว่าจะไม่มีใครดูอยู่ก็ตาม

เราสามารถเอาชนะข้อจำกัดนี้ได้โดยการใช้ตัวจำแนกประเภทการเรียนรู้เชิงลึกเพื่อระบุสถานการณ์ที่กล่องรับสัญญาณเปิดอยู่ขณะที่ทีวีปิดอยู่ จากนั้นอัลกอริทึมจะลบการปรับจูนที่ไม่ถูกต้องออกจาก RPD

การระบุลักษณะครัวเรือนและข้อมูลประชากรจาก RPD

RPD ไม่มีชื่อและหน้าตา และไม่สามารถให้ข้อมูลประชากรได้ ข้อมูลประชากรมีความสำคัญอย่างยิ่งในการนำเสนอข้อมูลทุกกลุ่มประชากรอย่างถูกต้อง และยิ่งไปกว่านั้น การวัดผลที่แม่นยำยังหมายถึงความสามารถในการวัดจำนวนประชากร ไม่ใช่แค่ครัวเรือนเท่านั้น

เพื่อปลดล็อกข้อมูลอันทรงพลังภายในบ้าน RPD เราจึงปรับเทียบ RPD ด้วยข้อมูลลักษณะเฉพาะ ข้อมูลประชากร และข้อมูลการปรับแต่งที่ทราบจากบ้านที่วัดโดย Nielsen กว่า 45,000 หลัง รวมถึงข้อมูลลักษณะเฉพาะและข้อมูลประชากรที่บุคคลที่สามกำหนดไว้ จากนั้นเราจะเพิ่มข้อมูลเหล่านี้ลงในเครือข่ายประสาทเทียมแบบวนซ้ำที่กำลังรอการจดสิทธิบัตรและเทคนิคการเขียนโปรแกรมแบบจำนวนเต็มผสม ซึ่งระบุลักษณะเฉพาะและข้อมูลประชากรของบ้าน RPD ได้อย่างแม่นยำ อัลกอริทึม AI นี้ช่วยให้เรารายงานลักษณะเฉพาะและข้อมูลประชากรของบุคคลและครัวเรือนได้อย่างแม่นยำ 

การกำหนดตำแหน่งห้องสำหรับเซ็ตท็อปบ็อกซ์

ข้อมูลแผง Nielsen ให้ข้อมูลผู้ชมและตำแหน่งการรับชม แต่ RPD ไม่ได้ให้ข้อมูลดังกล่าว อย่างไรก็ตาม เราสามารถรับข้อมูลดังกล่าวจาก RPD ผ่าน AI ได้ เราใช้วิธีการที่ได้รับการพิสูจน์ทางวิทยาศาสตร์แล้วเพื่อระบุว่าสมาชิกในครัวเรือนคนใดกำลังรับชมอยู่ และกำลังรับชมอยู่ที่ใดภายในบ้าน

งานวิจัยพบว่าตำแหน่งห้องเป็นหนึ่งในปัจจัยสำคัญในการทำนายว่าสมาชิกในครัวเรือนคนใดจะเป็นผู้ชม ดังนั้นเราจึงใช้ตัวจำแนกประเภทเพื่อระบุตำแหน่งห้องของกล่องรับสัญญาณโทรทัศน์ (set-top box) ที่กำลังทำการจูนสัญญาณในบ้านที่มีระบบ RPD วิธีนี้ทำให้เราสามารถใช้ตัวแปรนี้ในกระบวนการกำหนดผู้ชมได้

ด้วยข้อมูลที่มีอยู่มากมายในปัจจุบัน การมองบิ๊กดาต้าผ่านแว่นตาสีชมพูจึงเป็นสิ่งที่น่าดึงดูดใจ อย่างไรก็ตาม หากปราศจากการเชื่อมโยงกับบุคคล บิ๊กดาต้าก็ยังคงห่างไกลจากความแม่นยำ เราพบว่า AI เป็นวิธีที่มีประสิทธิภาพในการแก้ไขอคติในบิ๊กดาต้า และมีความยินดีที่ได้นำเสนอนวัตกรรมนี้ให้กับลูกค้า นวัตกรรมนี้ได้รับประโยชน์จากทั้งข้อมูลจำนวนมากที่แหล่งข้อมูลบิ๊กดาต้ามอบให้ และชุดข้อมูลจริงที่ช่วยให้ลูกค้าสามารถวางแผน ดำเนินการ และวัดผลโดยอิงจากข้อมูลที่มีความเป็นตัวแทนและถูกต้องแม่นยำ

บทความนี้ปรากฏครั้งแรกบน Medium