Если 2000-е годы сопровождал рост общего числа СМИ, то во второй половине 2010-х стал явным переход к мультиплатформенности. Динамичный образ жизни, развитие интернета и гаджетов привели к тому, что людям потребовался доступ к различному контенту в любом месте в любой момент времени. Запросы зрителей растут, повышаются их требования к операторам платного ТВ. Это влечет за собой диверсификацию медиасферы: компании стремятся быть представленными на всех доступных платформах и предлагают разнообразные способы получения контента.
Более того, во всех сферах жизни запросы аудитории становятся все более персонализированными. Это относится и к подбору контента в интернете, поэтому активно развиваются рекомендательные сервисы, которые уже вывели рекламную деятельность на новый уровень. Таким образом пользователи получают адресные предложения, релевантные их интересам.
Другим трендом является рост нишевого смотрения на фоне снижения популярности телевидения в целом. Этому способствует все увеличивающееся разнообразие как видеоконтента, так и каналов доставки контента, включающих интернет, мессенджеры, социальные сети.
И наконец, переход на цифровое телевещание, который произошел в 2019 году, также дает толчок к развитию измерений и таргетированию ТВ.
Наличие на рынке колоссального объема данных по телесмотрению у операторов IPTV, спутникового и иного цифрового телевидения, где используются приставки с обратным потоком, предоставляет большие возможности для анализа этой информации. Однако автоматически собранные данные могут быть эффективно использованы для рынка, лишь будучи дополненными иной аналитикой.
Использование больших данных превратилось в один из основных трендов в медийных и маркетинговых исследованиях. Они помогают нивелировать проблемы ограниченности размеров выборки, чтобы получить статистически значимые данные о телесмотрении малых/нишевых каналов, а также фиксировать наряду с просмотром линейных телеканалов просмотр по запросу и отложенный просмотр. Немаловажно, что сбор информации в рамках такого подхода происходит пассивно, а значит, исключаются ошибки со стороны респондентов.
Особенность подхода заключается в его гибкости и адаптивности, он позволяет анализировать любое телесмотрение на любой платформе, обрабатывать любые источники данных, не ограничиваясь привычными телевизорами. Это очень важно в условиях динамично меняющейся жизни, при появлении новых коммуникационных платформ, а также с учетом сезонной динамики.
Большие данные обладают еще одним преимуществом — существенно более низкой стоимостью. Отсутствует длинная цепочка бизнес-процессов, включающих рекрутинг, установку оборудования, сбор социально-демографических сведений. Для сбора данных обратной связи необходимо только включение дополнительного функционала в систему устройства. Затраты требуются лишь на оборудование для хранения и обработку таких данных.
Несмотря на описанные преимущества, большие данные не являются универсальным решением всех проблем панельного метода. Из-за больших объемов в массивах RPD очень много шумов, искажений, которые важно тщательно отсеивать. Кроме того, у необработанных данных более низкое качество по сравнению с панельными: нет социально-демографической информации о зрителях, не всегда можно определить, принадлежат ли несколько приемников одному домохозяйству, нет представления об однородности массивов (соотношение по полу, возрасту, доходу), ротация в такой базе намного интенсивнее, чем в панели с постоянными участниками. Есть и технические сложности: нельзя точно определить, кто из членов домохозяйства находится перед телевизором, смотрят ли телевизор на самом деле, так как приемники обычно не выключаются пользователями.
Один из вариантов корректировки статистик — моделирование с помощью самообучающихся систем на основании пиплметрической панели, о которой имеется полная информация. Так, например, поступают в Nielsen, одной из компаний — пионеров медиаизмерений, активно работающей с большими данными в различных категориях. Суть подхода состоит в тщательном отслеживании репрезентативности панели, которая используется как эталон, выявлении типичных паттернов поведения определенных групп зрителей и сопоставлении привычек телесмотрения зрителей выборки с анонимными данными в RPD-массивах. В конечном счете выводится профиль аудитории по предпочитаемому контенту и способу его потребления.
При использовании самообучения система имеет возможность сравнить имеющиеся данные с накопленной ранее статистикой, чтобы фиксировать отклонения, а в будущем и прогнозировать тренды.
«Агентство 2» работает над интеграцией больших данных и традиционного панельного исследования. Компания исследует предпочтения аудитории оператора Триколор, у которого развивается ОТТ-вещание (свыше 1,2 млн. пользователей по итогам 2019 года) и растет база приемников с обратной связью. Более высокая точность исследования может быть обеспечена подключением не только RPD, но и других источников данных, что позволит расширить базу для моделирования.
