TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Cómo usar los datos para hacer un programa exitoso en TV
Filmed:
Readability: 4
1,628,704 views
¿Recoger más datos conduce a tomar mejores decisiones? Empresas competitivas, conocedores de datos como Google, Amazon y Netflix han aprendido que el solo análisis de los datos no siempre produce óptimos resultados. En esta charla, el científico de datos Sebastian Wernicke analiza lo que sucede cuando tomamos decisiones basadas puramente en datos y sugiere una manera obvia a utilizarlos.
Sebastian Wernicke - Data scientist
After making a splash in the field of bioinformatics, Sebastian Wernicke moved on to the corporate sphere, where he motivates and manages multidimensional projects. Full bio
After making a splash in the field of bioinformatics, Sebastian Wernicke moved on to the corporate sphere, where he motivates and manages multidimensional projects. Full bio
Double-click the English transcript below to play the video.
00:12
Roy Price is a man that most of you
have probably never heard about,
have probably never heard about,
0
820
4276
Roy Price es alguien del que la mayoría de
Uds. probablemente nunca ha oído hablar,
Uds. probablemente nunca ha oído hablar,
00:17
even though he may have been responsible
1
5120
2496
a pesar de que puede
haber sido responsable
haber sido responsable
00:19
for 22 somewhat mediocre
minutes of your life on April 19, 2013.
minutes of your life on April 19, 2013.
2
7640
6896
de 22 minutos un tanto mediocres
de su vida el 19 de abril de 2013.
de su vida el 19 de abril de 2013.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
También pudo haber sido responsable
de 22 minutos muy entretenidos,
de 22 minutos muy entretenidos,
00:29
but not very many of you.
4
17760
2256
pero no para muchos de Uds.
00:32
And all of that goes back to a decision
5
20040
1896
Y todo eso se remonta a una decisión
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
que Roy tuvo que tomar hace unos 3 años.
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
Roy Price es un alto ejecutivo
de Amazon Studios,
de Amazon Studios,
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
la productora de TV de Amazon.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
De 47 años, delgado, cabello erizado,
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
se describe a sí mismo en Twitter como
"películas, TV, tecnología, tacos".
"películas, TV, tecnología, tacos".
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
Roy Price tiene un trabajo de mucha
responsabilidad ya que se encarga
responsabilidad ya que se encarga
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
de elegir los programas, el contenido
original que Amazon va a hacer.
original que Amazon va a hacer.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
Y por supuesto que es
un espacio muy competido.
un espacio muy competido.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Quiero decir,
hay tantos programas de TV por ahí,
hay tantos programas de TV por ahí,
01:06
that Roy can't just choose any show.
15
54400
2176
que Roy no puede solo elegir un programa.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Tiene que encontrar programas
que sean realmente geniales.
que sean realmente geniales.
01:12
So in other words, he has to find shows
17
60720
2816
En otras palabras,
tiene que encontrar programas
tiene que encontrar programas
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
que estén en el extremo derecho
de esta curva.
de esta curva.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Esta curva es la distribución
por calificación
por calificación
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
de alrededor de 2500 programas
de televisión en el sitio web IMDB,
de televisión en el sitio web IMDB,
01:25
and the rating goes from one to 10,
21
73040
2896
y la calificación va de 1 a 10,
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
y la altura muestra cómo muchos
tienen esta calificación.
tienen esta calificación.
01:30
So if your show gets a rating
of nine points or higher, that's a winner.
of nine points or higher, that's a winner.
23
78960
4696
Si tu programa obtiene una calificación
de 9 puntos o más, es un ganador.
de 9 puntos o más, es un ganador.
01:35
Then you have a top two percent show.
24
83680
1816
Está en el 2 % de programas,
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
series como "Breaking Bad",
"Juego de Tronos", "The Wire"
"Juego de Tronos", "The Wire"
01:41
so all of these shows that are addictive,
26
89440
2296
todos son adictivos,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
después de ver una temporada,
tu cerebro básicamente es como,
tu cerebro básicamente es como,
"¿Dónde puedo conseguir
más de esos episodios?".
más de esos episodios?".
01:46
"Where can I get more of these episodes?"
28
94840
2176
01:49
That kind of show.
29
97040
1200
Ese tipo de programa.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
En el lado izquierdo, por claridad,
en ese extremo,
en ese extremo,
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
tienen un programa
llamado "Toddlers and Tiaras"
llamado "Toddlers and Tiaras"
01:56
(Laughter)
32
104640
2656
["Rorros y tiaras"] (Risas)
que debería decirles bastante
01:59
-- which should tell you enough
33
107320
1536
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
de lo que pasa en ese extremo de la curva.
02:03
Now, Roy Price is not worried about
getting on the left end of the curve,
getting on the left end of the curve,
35
111095
4161
Ahora, Roy Price no está preocupado
por el extremo izquierdo de la curva,
por el extremo izquierdo de la curva,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
porque creo que uno tendría
que tener un problema mental
que tener un problema mental
para llegar a "Toddlers and Tiaras".
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
Así que lo que le preocupa es
esta protuberancia central aquí,
esta protuberancia central aquí,
02:15
the bulge of average TV,
39
123920
1816
el bulto de la TV promedio,
02:17
you know, those shows
that aren't really good or really bad,
that aren't really good or really bad,
40
125760
2856
esos programas que
no son realmente buenos ni malos,
no son realmente buenos ni malos,
02:20
they don't really get you excited.
41
128639
1656
que en realidad no te entusiasman.
02:22
So he needs to make sure
that he's really on the right end of this.
that he's really on the right end of this.
42
130320
4856
Así que necesita asegurarse de que está
realmente en el extremo derecho.
realmente en el extremo derecho.
02:27
So the pressure is on,
43
135200
1576
La presión es alta,
02:28
and of course it's also the first time
44
136800
2176
y por supuesto que
es también la primera vez
es también la primera vez
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
que Amazon está incluso
haciendo algo así,
haciendo algo así,
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
por lo que Roy Price
no quiere correr ningún riesgo.
no quiere correr ningún riesgo.
02:36
He wants to engineer success.
47
144560
2456
Quiere diseñar éxito.
02:39
He needs a guaranteed success,
48
147040
1776
Necesita un éxito garantizado
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
y así lo que hace es
hacer una competencia.
hacer una competencia.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Toma un montón de ideas
para programas de televisión,
para programas de televisión,
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
y a partir de esas ideas,
con una evaluación,
con una evaluación,
02:48
they select eight candidates for TV shows,
52
156920
4096
seleccionan 8 candidatas
para programas de televisión,
para programas de televisión,
02:53
and then he just makes the first episode
of each one of these shows
of each one of these shows
53
161040
3216
y hace el primer episodio
de cada uno de estos programas
de cada uno de estos programas
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
y los pone en línea de forma gratuita
para todo el mundo.
para todo el mundo.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
Cuando Amazon está dando cosas gratis,
03:01
you're going to take it, right?
56
169720
1536
vas a tenerlo, ¿no?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Así millones de espectadores
están viendo esos episodios.
están viendo esos episodios.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
Lo que no se dan cuenta es que,
mientras ven sus programas,
mientras ven sus programas,
03:11
actually, they are being watched.
59
179680
2296
en realidad, están siendo observados.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Están siendo observados
por Roy Price y su equipo,
por Roy Price y su equipo,
03:16
who record everything.
61
184360
1376
que graba todo.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
Registran cuando alguien presiona
Encendido, cuando presiona Pausa,
Encendido, cuando presiona Pausa,
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
qué partes se saltan,
qué partes ven de nuevo.
qué partes ven de nuevo.
03:23
So they collect millions of data points,
64
191720
2256
Así que recogen millones
de puntos de datos,
de puntos de datos,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
porque quieren tener esos puntos de datos
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
para luego decidir qué deberían hacer.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
Y, claro, recogen todos los datos,
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
los analizan a fondo,
y emerge una respuesta,
y emerge una respuesta,
03:35
and the answer is,
69
203640
1216
y la respuesta es,
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"Amazon debería hacer una comedia
sobre 4 senadores republicanos".
sobre 4 senadores republicanos".
03:42
They did that show.
71
210440
1216
Hicieron el programa.
03:43
So does anyone know the name of the show?
72
211680
2160
¿Alguien sabe el nombre de la serie?
03:46
(Audience: "Alpha House.")
73
214720
1296
Público: "Alpha House".
03:48
Yes, "Alpha House,"
74
216040
1456
Sí, "Alpha House",
03:49
but it seems like not too many of you here
remember that show, actually,
remember that show, actually,
75
217520
4096
pero parece que no muchos de Uds.
lo recuerdan, de hecho,
lo recuerdan, de hecho,
03:53
because it didn't turn out that great.
76
221640
1856
porque no resultó tan exitoso.
En realidad es solo un programa regular,
03:55
It's actually just an average show,
77
223520
1856
03:57
actually -- literally, in fact, because
the average of this curve here is at 7.4,
the average of this curve here is at 7.4,
78
225400
4576
literalmente, debido a que el promedio
de esta curva aquí está en 7.4,
de esta curva aquí está en 7.4,
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
y "Alfa House" aterrizó en 7.5,
04:04
so a slightly above average show,
80
232440
2016
estuvo un poco más arriba de la media,
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
pero ciertamente no lo que Roy Price
y su equipo buscaban.
y su equipo buscaban.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
Mientras tanto, sin embargo,
aproximadamente a la vez,
aproximadamente a la vez,
04:13
at another company,
83
241200
1576
en otra empresa,
04:14
another executive did manage
to land a top show using data analysis,
to land a top show using data analysis,
84
242800
4216
otro ejecutivo logró un programa
superior utilizando el análisis de datos,
superior utilizando el análisis de datos,
04:19
and his name is Ted,
85
247040
1576
y su nombre es Ted,
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Ted Sarandos,
el director de contenido de Netflix,
el director de contenido de Netflix,
y al igual que Roy,
tiene la misión permanente
tiene la misión permanente
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
04:26
to find that great TV show,
88
254240
1496
de encontrar ese gran programa,
04:27
and he uses data as well to do that,
89
255760
2016
y también utiliza datos para hacer eso,
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
excepto que lo hace un poco diferente.
04:31
So instead of holding a competition,
what he did -- and his team of course --
what he did -- and his team of course --
91
259839
3737
En lugar de una competición,
lo que hizo --y su equipo, por supuesto--
lo que hizo --y su equipo, por supuesto--
fue mirar todos los datos que ya tenían
sobre la audiencia de Netflix,
sobre la audiencia de Netflix,
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
las calificaciones
que dan a sus programas,
que dan a sus programas,
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
las historias de visión,
los programas que les gustan y así,
los programas que les gustan y así,
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
04:44
And then they use that data to discover
95
272000
1896
Y utilizaron esos datos para descubrir
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
todos estos pequeños
datos sobre la audiencia:
datos sobre la audiencia:
04:48
what kinds of shows they like,
97
276560
1456
qué tipo de programa gusta,
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
qué tipo de productores, de actores.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
Y una vez que tuvieron
todas estas piezas juntas,
todas estas piezas juntas,
04:54
they took a leap of faith,
100
282760
1656
hicieron un salto de fe,
04:56
and they decided to license
101
284440
2096
y decidieron licenciar
04:58
not a sitcom about four Senators
102
286560
2456
no una comedia sobre cuatro senadores
05:01
but a drama series about a single Senator.
103
289040
2880
sino una serie dramática
sobre un solo senador.
sobre un solo senador.
05:04
You guys know the show?
104
292760
1656
¿Saben cuál es?
05:06
(Laughter)
105
294440
1296
(Risas)
05:07
Yes, "House of Cards," and Netflix
of course, nailed it with that show,
of course, nailed it with that show,
106
295760
3736
Sí, "House of Cards", y Netflix,
por supuesto, le atinó con ese programa,
por supuesto, le atinó con ese programa,
05:11
at least for the first two seasons.
107
299520
2136
al menos por las dos primeras temporadas.
05:13
(Laughter) (Applause)
108
301680
3976
(Risas) (Aplausos)
"House of Cards" logra
una calificación de 9.1 en esta curva,
una calificación de 9.1 en esta curva,
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
que es exactamente
lo que querían que fuera.
lo que querían que fuera.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
La pregunta es, por supuesto,
¿qué ha pasado aquí?
¿qué ha pasado aquí?
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Dos empresas muy competitivas,
con inteligencia de datos
con inteligencia de datos
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
se conectan a todos estos
millones de puntos de datos,
millones de puntos de datos,
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
y funciona muy bien para uno de ellos,
05:34
and it doesn't work for the other one.
115
322480
1856
y no funciona para el otro.
05:36
So why?
116
324360
1216
¿Por qué?
05:37
Because logic kind of tells you
that this should be working all the time.
that this should be working all the time.
117
325600
3456
Como que la lógica nos dice
que debería servir siempre.
que debería servir siempre.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Quiero decir, si uno recoge
millones de datos
millones de datos
para una decisión que vas a tomar,
05:43
on a decision you're going to make,
119
331560
1736
entonces debería poder tomar
una muy buena decisión.
una muy buena decisión.
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
Se tienen 200 años
de estadísticas confiables,
de estadísticas confiables,
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
que amplificadas con
computadoras muy potentes,
computadoras muy potentes,
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
lo menos que se puede esperar
es buena televisión, ¿no?
es buena televisión, ¿no?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
Y si el análisis de datos
no funciona de esa manera,
no funciona de esa manera,
06:01
then it actually gets a little scary,
125
349520
2056
lo que realmente da un poco de miedo,
06:03
because we live in a time
where we're turning to data more and more
where we're turning to data more and more
126
351600
3816
porque vivimos en una época
en la que acudimos a los datos más y más
en la que acudimos a los datos más y más
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
para tomar decisiones de peso
que van mucho más allá de la TV.
que van mucho más allá de la TV.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
¿Alguien aquí conoce
la empresa Multi-Health Systems?
la empresa Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
365080
1656
Nadie. Eso es bueno en realidad.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
Multi-Health Systems
es una compañía de software
es una compañía de software
y espero que nadie en esta sala
06:22
and I hope that nobody here in this room
131
370000
2816
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
nunca entre en contacto con ese software,
porque si es así,
significa que está en prisión.
significa que está en prisión.
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
06:30
(Laughter)
134
378160
1176
(Risas)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Si alguien aquí en EE. UU. está preso,
y solicita libertad condicional,
y solicita libertad condicional,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
entonces es muy probable que el software
de análisis de datos de esa empresa
de análisis de datos de esa empresa
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
se utilice para determinar
si se le concede.
si se le concede.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
Así que es el mismo principio
que en Amazon y Netflix,
que en Amazon y Netflix,
06:45
but now instead of deciding whether
a TV show is going to be good or bad,
a TV show is going to be good or bad,
139
393480
4616
pero en lugar de decidir si un programa
de TV va a ser bueno o malo,
de TV va a ser bueno o malo,
06:50
you're deciding whether a person
is going to be good or bad.
is going to be good or bad.
140
398120
2896
se va a decidir si una persona
será buena o mala.
será buena o mala.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
La televisión mediocre, 22 minutos,
lo que puede ser bastante malo,
lo que puede ser bastante malo,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
pero más años de cárcel,
supongo, aún peor.
supongo, aún peor.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
Y, por desgracia, en realidad hay alguna
evidencia de que este análisis de datos,
evidencia de que este análisis de datos,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
a pesar de una gran cantidad de datos,
no siempre produce resultados óptimos.
no siempre produce resultados óptimos.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
Y no se debe a que una empresa
como Multi-Health Systems
como Multi-Health Systems
07:13
doesn't know what to do with data.
146
421506
1627
no sepa qué hacer con los datos.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
Incluso las mejores empresas se equivocan.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Sí, incluso Google lo hace mal a veces.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
En 2009, Google anunció que era capaz,
con el análisis de datos,
con el análisis de datos,
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
de predecir los brotes de la gripe,
el tipo desagradable de gripe,
el tipo desagradable de gripe,
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
al hacer análisis de datos
en las búsquedas en Google.
en las búsquedas en Google.
07:33
And it worked beautifully,
and it made a big splash in the news,
and it made a big splash in the news,
152
441160
3856
Y funcionó muy bien,
y se hizo un gran revuelo en las noticias,
y se hizo un gran revuelo en las noticias,
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
incluyendo el pináculo
del éxito científico:
del éxito científico:
07:39
a publication in the journal "Nature."
154
447200
2456
una publicación en la revista "Nature".
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Funcionó muy bien año tras año tras año,
07:45
until one year it failed.
156
453320
1656
hasta que un año fracasó.
07:47
And nobody could even tell exactly why.
157
455000
2256
Y nadie podría incluso
decir bien por qué.
decir bien por qué.
07:49
It just didn't work that year,
158
457280
1696
Simplemente no funciona en ese año,
07:51
and of course that again made big news,
159
459000
1936
y por supuesto
una vez más fue noticia,
una vez más fue noticia,
07:52
including now a retraction
160
460960
1616
incluyendo ahora una retracción
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
de una publicación de la revista "Nature".
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Así incluso las empresas más versadas
en datos como Amazon y Google,
en datos como Amazon y Google,
08:01
they sometimes get it wrong.
163
469840
2136
a veces se equivocan.
08:04
And despite all those failures,
164
472000
2936
Y a pesar de todos esos fracasos,
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
los datos se están moviendo rápidamente
en la toma de decisiones en la vida real,
en la toma de decisiones en la vida real,
08:10
into the workplace,
166
478840
1816
en el lugar de trabajo,
08:12
law enforcement,
167
480680
1816
en el cumplimiento de la ley,
08:14
medicine.
168
482520
1200
en medicina.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Así que mejor deberíamos asegurarnos
de que los datos estén sirviendo.
de que los datos estén sirviendo.
08:19
Now, personally I've seen
a lot of this struggle with data myself,
a lot of this struggle with data myself,
170
487760
3136
En lo personal, yo mismo
he visto esta lucha con los datos,
he visto esta lucha con los datos,
08:22
because I work in computational genetics,
171
490920
1976
porque trabajo en genética computacional,
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
un campo en el que hay
mucha gente muy inteligente
mucha gente muy inteligente
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
que usa cantidades inimaginables de datos
para tomar decisiones muy serias,
para tomar decisiones muy serias,
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
como decidir sobre un tratamiento
de cáncer o el desarrollo de un fármaco.
de cáncer o el desarrollo de un fármaco.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
Con los años, he visto
una especie de patrón
una especie de patrón
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
o tipo de regla, si se quiere,
sobre la diferencia
sobre la diferencia
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
entre la toma de decisiones
acertada con datos
acertada con datos
08:43
and unsuccessful decision-making,
178
511120
1616
y su fracaso,
08:44
and I find this a pattern worth sharing,
and it goes something like this.
and it goes something like this.
179
512760
3880
y encuentro que vale la pena compartirlo,
y es algo así.
y es algo así.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
Al solucionar un problema complejo,
08:52
you're doing essentially two things.
181
520679
1737
se hacen esencialmente dos cosas.
08:54
The first one is, you take that problem
apart into its bits and pieces
apart into its bits and pieces
182
522440
3296
La primera es partir
el problema en partes
el problema en partes
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
para analizar en profundidad esas partes
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
y luego, por supuesto,
la segunda parte,
la segunda parte,
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
juntar todas estas partes de nuevo
09:05
to come to your conclusion.
186
533000
1336
para llegar a su conclusión.
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
Y a veces hay que hacerlo de nuevo,
09:08
but it's always those two things:
188
536720
1656
pero siempre las dos cosas:
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
desmontar y juntarlas de nuevo.
09:14
And now the crucial thing is
190
542280
1616
Y ahora lo crucial es
09:15
that data and data analysis
191
543920
2896
que el análisis de datos y los datos
09:18
is only good for the first part.
192
546840
2496
son buenos solo para la primera parte.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
Los datos y su análisis,
sin importar lo poderoso que sea,
sin importar lo poderoso que sea,
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
solo puede ayudar a partir un problema
y comprender sus piezas.
y comprender sus piezas.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
No es adecuado para
juntar las piezas de nuevo
juntar las piezas de nuevo
y después llegar a una conclusión.
09:31
and then to come to a conclusion.
196
559600
1896
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
Hay otra herramienta que puede hacerlo,
y todos la tenemos,
y todos la tenemos,
09:36
and that tool is the brain.
198
564280
1296
que es el cerebro.
09:37
If there's one thing a brain is good at,
199
565600
1936
Si hay una cosa para la
que el cerebro es buena,
que el cerebro es buena,
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
es para tomar pedazos y unirlos de nuevo,
09:41
even when you have incomplete information,
201
569840
2016
incluso con información incompleta,
09:43
and coming to a good conclusion,
202
571880
1576
y llegar a una buena conclusión,
09:45
especially if it's the brain of an expert.
203
573480
2936
especialmente si es
el cerebro de un experto.
el cerebro de un experto.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
Y por eso creo que Netflix
tuvo tanto éxito,
tuvo tanto éxito,
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
porque utilizaron datos y cerebros
donde deben estar en el proceso.
donde deben estar en el proceso.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Usaron datos para comprender primero
un montón de piezas sobre su audiencia
un montón de piezas sobre su audiencia
09:58
that they otherwise wouldn't have
been able to understand at that depth,
been able to understand at that depth,
207
586280
3416
que de otro modo no habrían sido capaces
de entender con esa profundidad,
de entender con esa profundidad,
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
pero luego la decisión de tomar
esas partes y piezas,
esas partes y piezas,
volver a juntarlas y hacer
un programa como "House of Cards",
un programa como "House of Cards",
10:04
and put them back together again
and make a show like "House of Cards,"
and make a show like "House of Cards,"
209
592360
3336
no tuvo nada que ver con datos.
10:07
that was nowhere in the data.
210
595720
1416
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
Ted Sarandos y su equipo tomaron
la decisión de licenciar ese programa,
la decisión de licenciar ese programa,
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
lo que también significa,
por cierto, tomar
por cierto, tomar
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
un gran riesgo personal con esa decisión.
10:18
And Amazon, on the other hand,
they did it the wrong way around.
they did it the wrong way around.
214
606440
3016
Y en Amazon, por el contrario,
lo hicieron al revés.
lo hicieron al revés.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Utilizaron datos todo el proceso
para tomar la decisión,
para tomar la decisión,
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
primero cuando hicieron
su concurso de ideas de TV,
su concurso de ideas de TV,
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
luego, cuando seleccionan "Alpha House"
para hacer su programa.
para hacer su programa.
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
Por supuesto una decisión
muy segura para ellos,
muy segura para ellos,
porque siempre podrían
apuntar a los datos, y decir:
apuntar a los datos, y decir:
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
"Esto es lo que nos dicen los datos".
10:35
"This is what the data tells us."
220
623400
1696
10:37
But it didn't lead to the exceptional
results that they were hoping for.
results that they were hoping for.
221
625120
4240
Pero no se tradujo en los resultados
excepcionales que estaban esperando.
excepcionales que estaban esperando.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Los datos son por supuesto
una herramienta
una herramienta
enormemente útil
para tomar mejores decisiones,
para tomar mejores decisiones,
10:47
but I believe that things go wrong
223
635120
2376
pero creo que las cosas van mal
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
cuando los datos empiezan
a dirigir las decisiones.
a dirigir las decisiones.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
No importa lo poderoso que sean,
los datos son solo una herramienta,
los datos son solo una herramienta,
10:55
and to keep that in mind,
I find this device here quite useful.
I find this device here quite useful.
226
643920
3336
y para tener esto en mente,
creo que este dispositivo es muy útil.
creo que este dispositivo es muy útil.
10:59
Many of you will ...
227
647280
1216
Muchos de Uds. se...
11:00
(Laughter)
228
648520
1216
(Risas)
11:01
Before there was data,
229
649760
1216
Antes de que hubiera datos,
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
este fue el dispositivo
de toma de decisiones a usar.
de toma de decisiones a usar.
11:05
(Laughter)
231
653880
1256
(Risas)
11:07
Many of you will know this.
232
655160
1336
Muchos de Uds. lo conocen.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Este juguete se llama la bola 8 mágica,
11:10
and it's really amazing,
234
658497
1199
y es realmente increíble,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
porque si tienes que tomar una decisión,
un sí o un no,
un sí o un no,
11:14
all you have to do is you shake the ball,
and then you get an answer --
and then you get an answer --
236
662640
3736
todo lo que tienes que hacer es agitar
la bola, y se obtiene una respuesta,
la bola, y se obtiene una respuesta,
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
"Lo más probable", aquí
en esta ventana en tiempo real.
en esta ventana en tiempo real.
11:21
I'll have it out later for tech demos.
238
669240
2096
Lo tendré para demostraciones técnicas.
11:23
(Laughter)
239
671360
1216
(Risas)
11:24
Now, the thing is, of course --
so I've made some decisions in my life
so I've made some decisions in my life
240
672600
3576
El punto es que he tomado
algunas decisiones en mi vida
algunas decisiones en mi vida
en las que en retrospectiva, debería
haber simplemente escuchado la pelota.
haber simplemente escuchado la pelota.
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Pero, por supuesto,
si uno tiene datos disponibles,
si uno tiene datos disponibles,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
desea reemplazar esto
con algo mucho más sofisticado,
con algo mucho más sofisticado,
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
como el análisis de datos
para llegar a una mejor decisión.
para llegar a una mejor decisión.
11:41
But that does not change the basic setup.
245
689200
2616
Pero eso no cambia
la configuración básica.
la configuración básica.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
Así que la pelota puede ser
más y más y más inteligente,
más y más y más inteligente,
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
pero yo creo todavía en nosotros
para tomar decisiones
para tomar decisiones
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
si queremos lograr algo extraordinario,
11:52
on the right end of the curve.
249
700920
1936
en el extremo derecho de la curva.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
Y me parece que un mensaje
muy alentador, de hecho,
muy alentador, de hecho,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
que incluso frente a
enormes cantidades de datos,
enormes cantidades de datos,
12:03
it still pays off to make decisions,
252
711400
4096
aún así vale la pena
para tomar decisiones,
para tomar decisiones,
12:07
to be an expert in what you're doing
253
715520
2656
ser un experto en lo que se está haciendo
12:10
and take risks.
254
718200
2096
y asumir riesgos.
12:12
Because in the end, it's not data,
255
720320
2776
Porque al final, no son los datos,
12:15
it's risks that will land you
on the right end of the curve.
on the right end of the curve.
256
723120
3960
es el riesgo que te lleva
al extremo derecho de la curva.
al extremo derecho de la curva.
12:19
Thank you.
257
727840
1216
Gracias.
12:21
(Applause)
258
729080
3680
(Aplausos)
ABOUT THE SPEAKER
Sebastian Wernicke - Data scientistAfter making a splash in the field of bioinformatics, Sebastian Wernicke moved on to the corporate sphere, where he motivates and manages multidimensional projects.
Why you should listen
Dr. Sebastian Wernicke is the Chief Data Scientist of ONE LOGIC, a data science boutique that supports organizations across industries to make sense of their vast data collections to improve operations and gain strategic advantages. Wernicke originally studied bioinformatics and previously led the strategy and growth of Seven Bridges Genomics, a Cambridge-based startup that builds platforms for genetic analysis.
Before his career in statistics began, Wernicke worked stints as both a paramedic and successful short animated filmmaker. He's also the author of the TEDPad app, an irreverent tool for creating an infinite number of "amazing and really bad" and mostly completely meaningless talks. He's the author of the statistically authoritative and yet completely ridiculous "How to Give the Perfect TEDTalk."
Sebastian Wernicke | Speaker | TED.com