Эволюция медиаизмерений
В своем выступлении Денис Белослюдов напомнил, что история измерения телесмотрения началась в 1990-х годах, когда данные о линейном просмотре собирали в ходе опросов или даже из бумажных дневников, в которых участники исследования записывали, когда и какие телеканалы они смотрели. Затем на смену этим методам пришли автоматизированные системы — пиплметры. До недавнего времени панельные измерения считались наиболее точными и были взяты за международный стандарт, посредством которого определяются социально-демографические характеристики аудитории и объемы потребления контента. На основе полученных данных удавалось совершенствовать контент и программную сетку телеканалов с учетом интересов зрителя.
Однако панельный метод содержит ограниченный объем выборки данных. Расширить выборку можно, но финансовые затраты на это требуются существенные, а эффективность незначительная. Кроме того, панельный метод не позволяет точно измерять небольшие нишевые телеканалы, потому что данных об их просмотре недостаточно в масштабе всей картины телесмотрения.
В то же время многие операторы платного ТВ используют приемное оборудование с поддержкой так называемой обратной связи (Return Path Data), и с таких приемников можно собрать большой объем данных. Другой вопрос, что все эти сведения обезличены и не содержат социально-демографических характеристик зрителя. В «Агентстве 2» нашли способ снять перечисленные ограничения путем объединения панельной методики и анализа больших данных.
Панельный метод не позволяет точно измерять небольшие нишевые телеканалы, потому что данных об их просмотре недостаточно в масштабе всей картины телесмотрения.
«Ввиду цифровизации выросло потребление так называемого видео по запросу, когда пользователь сам подбирает контент и время для его просмотра. Сегодня такое смотрение лидирует. Встал вопрос: как анализировать гибридное смотрение по единым метрикам, сравнивать оба способа потребления контента? Мы пришли к выводу, что от панельных телеизмерений следует переходить к измерению больших данных. Но чтобы совместить два разных принципа, нужно было разработать новое программное обеспечение для обработки и анализа больших данных по телесмотрению оператора платного ТВ», — рассказал Денис Белослюдов.
Идея и преимущества нового решения
По словам Дениса Белослюдова, требовался софт, который позволил бы внедрять новую функциональность, собирать данные с разных источников, обрабатывать огромный объем информации. И на данном этапе встала проблема: при помощи технологии Return Path Data фиксируется количество просмотров единиц контента, досмотров, но нет информации о зрителе. Сложности в разработке софта возникли и по причине отсутствия аналогов на российском рынке, а также методологии и стандартов отрасли.
«Нам нужен был софт, который способен обрабатывать большой объем информации и объединять разные источники сигнала. Для его создания в качестве ядра разработчик взял систему бизнес-аналитики. В нее внедрили специализированные надстройки, систему управления качеством исследования, личные кабинеты, гибкую систему построения отчетов по задачам клиентов. Для восстановления демографических характеристик зрителей, потребляющих контент в интернете, реализовали машинное обучение с использованием эталонных данных панели. В итоге был разработан продукт А-METRICS, который сам может являться источником данных для других систем — таргетированной рекламы, рекомендательных систем, работы с клиентами. В системе предусмотрена возможность добавления данных и масштабирования измерений. Таким образом мы решили вопрос таргетирования рекламы», — пояснил Денис Белослюдов.
А-METRICS содержит систему накопления аналитических данных, анализирует поступающие логи со всех используемых приставок, приложений, смарт-ТВ
А-METRICS содержит систему накопления аналитических данных, анализирует поступающие логи (файлы с последовательной записью событий, — прим. ред.) со всех используемых приставок, приложений, смарт-ТВ. Программа обрабатывает поступающую информацию, сравнивая ее с панельными данными. С помощью алгоритма машинного обучения точность данных возрастает в десятки раз, а оператор получает точные и детальные социально-демографические характеристики зрителей.
«Для восстановления данных о зрителях, которые не входят в группу участников исследования, используются современные технологии машинного обучения, которые восстанавливают профили и позволяют определить необходимые характеристики всех зрителей. Эти возможности позволяют перейти от традиционной модели медиаизмерений на основе нескольких тысяч пиплметров к модели с более качественным исследованием на основе нескольких сотен тысяч и миллионов устройств и приложений», — уточнил Денис Белослюдов.
Он добавил, что идея создания А-METRICS возникла еще в 2017 году, а реализовал ее российский разработчик. Текущие геополитические реалии (в частности, введение санкций и уход западных вендоров из РФ) подтвердили востребованность системы и дальновидность ее заказчиков.
«В свете текущих мировых событий и важности импортозамещения выбор отечественного разработчика дает нам большие преимущества. Вероятно, наш продукт вскоре выйдет за границы локального использования и внесет свой вклад в решение бизнес-задач отраслевых компаний», — заключил Денис Белослюдов.
