TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Come utilizzare i dati per creare uno spettacolo televisivo di successo
Filmed:
Readability: 4
1,628,704 views
Raccogliere più dati porta a prendere decisioni migliori? Aziende competitive, esperte di dati quali Amazon, Google e Netflix hanno imparato che la sola analisi dei dati, non sempre porta a risultati ottimali. In questo monologo, il data scientist Sebastian Wernicke analizza cosa va storto quando prendiamo decisioni basate puramente sui dati - e suggerisce un modo più furbo di usarli.
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 è un uomo che gran parte
di voi non ha mai sentito nominare,
di voi non ha mai sentito nominare,
00:17
even though he may have been responsible
1
5120
2496
anche se è stato forse il responsabile
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
di 22 minuti un po' mediocri
della vostra vita nel 19 Aprile 2013.
della vostra vita nel 19 Aprile 2013.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
E forse è stato anche responsabile
di 22 minuti molto interessanti,
di 22 minuti molto interessanti,
00:29
but not very many of you.
4
17760
2256
ma non per molti di voi.
00:32
And all of that goes back to a decision
5
20040
1896
E tutto ciò dipende da una scelta
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
che Roy dovette fare
circa 3 anni fa.
circa 3 anni fa.
Vedete, Roy Price è un alto dirigente
degli Amazon Studios,
degli Amazon Studios,
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
la società di produzione televisiva
di Amazon.
di Amazon.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
Ha 47 anni, magro, capelli a spazzola,
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
si autodescrive su Twitter come
"film, TV, tecnologia, taco."
"film, TV, tecnologia, taco."
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 ha un compito molto importante,
perché ha la responsabilità
perché ha la responsabilità
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
di scegliere gli spettacoli,
i contenuti che Amazon produrrà.
i contenuti che Amazon produrrà.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
Che di certo è un'area
con molta competizione.
con molta competizione.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Voglio dire, ci sono già
così tanti show televisivi,
così tanti show televisivi,
01:06
that Roy can't just choose any show.
15
54400
2176
che Roy non può sceglierne
uno qualunque.
uno qualunque.
Deve trovare degli spettacoli
che siano davvero, davvero grandiosi.
che siano davvero, davvero grandiosi.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
01:12
So in other words, he has to find shows
17
60720
2816
Dunque, in altre parole, deve trovare
degli spettacoli
degli spettacoli
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
che andranno all'estrema destra
di questa curva.
di questa curva.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Questa curva mostra la distribuzione
della valutazione
della valutazione
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
di circa 2.500 spettacoli televisivi
sul sito web IMDB,
sul sito web IMDB,
01:25
and the rating goes from one to 10,
21
73040
2896
e la valutazione va da 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
e l'altezza indica quanti show
ottengono quella valutazione.
ottengono quella valutazione.
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
Perciò se il vostro show ha un voto
di nove punti o più, è uno vincente.
di nove punti o più, è uno vincente.
01:35
Then you have a top two percent show.
24
83680
1816
Quindi avrete uno show
nel 2% al top.
nel 2% al top.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
Cioè show come "Breaking Bad",
"Il Trono di Spade", "The Wire",
"Il Trono di Spade", "The Wire",
01:41
so all of these shows that are addictive,
26
89440
2296
tutti quegli spettacoli
che danno dipendenza,
che danno dipendenza,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
che se ne guardate una stagione,
il vostro cervello è tipo:
il vostro cervello è tipo:
"Dove posso guardare altri episodi?"
01:46
"Where can I get more of these episodes?"
28
94840
2176
01:49
That kind of show.
29
97040
1200
Quel tipo di spettacoli.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
Sul lato sinistro, tanto per chiarire,
lì in fondo,
lì in fondo,
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
avete uno spettacolo chiamato
"Toddlers and Tiaras"
"Toddlers and Tiaras"
(Risate)
01:56
(Laughter)
32
104640
2656
01:59
-- which should tell you enough
33
107320
1536
che dovrebbe dirvi abbastanza
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
di cosa succede
su quel lato della curva.
su quel lato della 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
Ora, Roy Pice non è preoccupato
di finire sul lato sinistro della curva,
di finire sul lato sinistro della curva,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
perché credo che vi servano
delle capacità mentali notevoli
delle capacità mentali notevoli
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
per svendere "Toddlers and Tiaras".
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
Perciò quel che lo preoccupa
è la gobba qui nel mezzo,
è la gobba qui nel mezzo,
02:15
the bulge of average TV,
39
123920
1816
la gobba della tv mediocre,
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
sapete, quegli show che non sono
né eccezionali né pessimi,
né eccezionali né pessimi,
02:20
they don't really get you excited.
41
128639
1656
che non vi entusiasmano molto.
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
Perciò dev'essere sicuro
di stare davvero qui sul lato destro.
di stare davvero qui sul lato destro.
02:27
So the pressure is on,
43
135200
1576
Quindi la pressione è alta,
02:28
and of course it's also the first time
44
136800
2176
e di certo è anche la prima volta
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
che Amazon fa qualcosa di questo genere,
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
dunque Roy Price non vuole correre rischi.
02:36
He wants to engineer success.
47
144560
2456
Vuole progettare con cura il successo.
02:39
He needs a guaranteed success,
48
147040
1776
Gli serve un successo garantito,
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
e quindi quel che fa è
organizzare un concorso.
organizzare un concorso.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Raccoglie alcune idee
per degli show televisivi,
per degli show televisivi,
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
e da queste idee,
dopo averle valutate,
dopo averle valutate,
02:48
they select eight candidates for TV shows,
52
156920
4096
scelgono otto candidati
a diventare spettacoli televisivi,
a diventare spettacoli televisivi,
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
poi semplicemente realizza
il primo episodio di ciascuno show
il primo episodio di ciascuno show
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
e li mette in rete gratuitamente
per farli vedere a chiunque.
per farli vedere a chiunque.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
E dunque, quando Amazon
offre cose gratis,
offre cose gratis,
03:01
you're going to take it, right?
56
169720
1536
le prendete, giusto?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Dunque milioni di spettatori
stanno guardando quegli episodi.
stanno guardando quegli episodi.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
Ciò di cui non si accorgono è che,
mentre guardano i loro show,
mentre guardano i loro show,
03:11
actually, they are being watched.
59
179680
2296
sono loro a venire osservati.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Vengono osservati da Roy Price
e dal suo team,
e dal suo team,
03:16
who record everything.
61
184360
1376
che registrano tutto.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
Registrano quando qualcuno preme play,
quando qualcuno mette in pausa,
quando qualcuno mette in pausa,
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
quali parti saltano,
quali parti guardano di nuovo.
quali parti guardano di nuovo.
03:23
So they collect millions of data points,
64
191720
2256
Quindi raccolgono
moltissimi dati,
moltissimi dati,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
perché vogliono avere questi dati
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
per poi decidere
quale show trasmettere.
quale show trasmettere.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
E sicuri di sè,
raccolgono i dati,
raccolgono i dati,
fanno tutti i calcoli,
e una risposta emerge,
e una risposta emerge,
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
03:35
and the answer is,
69
203640
1216
e la risposta è:
"Amazon dovrebbe fare una sitcom
su quattro senatori repubblicani in USA".
su quattro senatori repubblicani in USA".
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
03:42
They did that show.
71
210440
1216
Hanno fatto quella serie.
03:43
So does anyone know the name of the show?
72
211680
2160
Qualcuno sa come si intitola?
03:46
(Audience: "Alpha House.")
73
214720
1296
(Pubblico: "Alpha House")
03:48
Yes, "Alpha House,"
74
216040
1456
Sì, "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
ma sembra che non molti di voi qui
ricordino questo spettacolo, in realtà,
ricordino questo spettacolo, in realtà,
03:53
because it didn't turn out that great.
76
221640
1856
perché non si è rivelato un granché.
03:55
It's actually just an average show,
77
223520
1856
È in realtà uno show di medio livello,
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
letteralmente, appunto,
poiché la media di questa curva è a 7.4
poiché la media di questa curva è a 7.4
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
e "Alpha House" si trova a 7.5,
04:04
so a slightly above average show,
80
232440
2016
quindi di sopra
a uno spettacolo medio,
a uno spettacolo medio,
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
ma di certo non è quel che Roy Price
e il suo team speravano.
e il suo team speravano.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
Nel frattempo tuttavia,
più o meno nello stesso periodo,
più o meno nello stesso periodo,
04:13
at another company,
83
241200
1576
un'altra azienda,
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
un altro dirigente è riuscito a piazzare
una serie al top analizzando i dati
una serie al top analizzando i dati
04:19
and his name is Ted,
85
247040
1576
e il suo nome è Ted,
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Ted Sarandos, che è il direttore
dell'Ufficio Contenuti di Netflix
dell'Ufficio Contenuti di Netflix
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
e, come Roy,
la sua missione è sempre
la sua missione è sempre
di trovare
quel grande show,
quel grande show,
04:26
to find that great TV show,
88
254240
1496
04:27
and he uses data as well to do that,
89
255760
2016
e anche lui usa i dati per riuscirci,
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
solo che lui lo fa un po' diversamente.
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
Invece di indire una competizione,
ciò che ha fatto insieme al suo team
ciò che ha fatto insieme al suo team
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
era guardare tutti i dati
che avevano sugli utenti di Netflix,
che avevano sugli utenti di Netflix,
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
sapete, come votano
i loro spettacoli,
i loro spettacoli,
la cronologia delle visualizzazioni,
quali show piacciono ecc.
quali show piacciono ecc.
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
Poi hanno usato quei dati per trovare
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
tutti questi piccoli dettagli
sul pubblico:
sul pubblico:
04:48
what kinds of shows they like,
97
276560
1456
che tipi di show preferiscono,
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
quali produttori, quali attori.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
E una volta messi insieme
tutti questi pezzi,
tutti questi pezzi,
04:54
they took a leap of faith,
100
282760
1656
hanno fatto un salto nel vuoto,
04:56
and they decided to license
101
284440
2096
e hanno deciso di autorizzare
04:58
not a sitcom about four Senators
102
286560
2456
non una sitcom su quattro senatori,
05:01
but a drama series about a single Senator.
103
289040
2880
ma una serie drammatica
su un singolo senatore.
su un singolo senatore.
05:04
You guys know the show?
104
292760
1656
Conoscete quella serie?
05:06
(Laughter)
105
294440
1296
(Risate)
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
Sì, "House of Cards", e ovviamente
Netflix ha sbancato grazie ad esso.
Netflix ha sbancato grazie ad esso.
05:11
at least for the first two seasons.
107
299520
2136
almeno per le prime due stagioni.
05:13
(Laughter) (Applause)
108
301680
3976
(Risate) (Applausi)
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
"House of Cards" ha una valutazione
di 9.1 su questa curva,
di 9.1 su questa curva,
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
cioè esattamente dove
volevano essere.
volevano essere.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
Ora, l'ovvia domanda è
"cosa è successo qui?"
"cosa è successo qui?"
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Avete due aziende molto forti,
esperte di statistica,
esperte di statistica,
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
che incrociano questa
montagna di dati,
montagna di dati,
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
e funziona a meraviglia
per una di loro,
per una di loro,
05:34
and it doesn't work for the other one.
115
322480
1856
ma non per l'altra.
05:36
So why?
116
324360
1216
Perché?
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
Perché la logica vi dice che dovrebbe
funzionare sempre.
funzionare sempre.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Cioè, raccogliere
milioni di dati
milioni di dati
05:43
on a decision you're going to make,
119
331560
1736
in vista di una decisione futura,
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
dovreste permettervi di prendere
una buona decisione.
una buona decisione.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
Avete 200 anni di dati
in cui confidare.
in cui confidare.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
Le avete amplificate con computer
molto potenti.
molto potenti.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
Il minimo che vi aspettate
è una buona TV, giusto?
è una buona TV, giusto?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
E se le informazioni non funzionano
in quel modo,
in quel modo,
06:01
then it actually gets a little scary,
125
349520
2056
c'è da preoccuparsi,
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
perché viviamo in un tempo
dove ci affidiamo sempre di più ai dati
dove ci affidiamo sempre di più ai dati
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
per prendere decisioni molto più serie
di quelle riguardanti la televisione.
di quelle riguardanti la televisione.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Qualcuno qui conosce l'azienda
Multi-Health System?
Multi-Health System?
06:17
No one. OK, that's good actually.
129
365080
1656
Nessuno. Ok, in realtà è un bene.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
Ok dunque, la Multi-Health System
è un'azienda di software,
è un'azienda di software,
06:22
and I hope that nobody here in this room
131
370000
2816
e spero che nessuno in questa stanza
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
abbia mai a che fare con quel software,
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
perché vorrebbe dire che
state in prigione.
state in prigione.
06:30
(Laughter)
134
378160
1176
(Risate)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Se qualcuno qui negli US è in galera
e chiede la libertà condizionale,
e chiede la libertà condizionale,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
allora è molto probabile che il software
per l'analisi dei dati di quella società
per l'analisi dei dati di quella società
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
sarà utilizzato per stabilire
se concedere la libertà condizionale.
se concedere la libertà condizionale.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
Perciò è lo stesso principio per Amazon
e Netflix,
e 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
ma ora, invece di decidere se uno show
sarà buono o no,
sarà buono o no,
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
state decidendo se una persona
sarà buona o no.
sarà buona o no.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
E una TV mediocre, 22 minuti,
può essere abbastanza spiacevole,
può essere abbastanza spiacevole,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
ma più anni in prigione,
credo siano anche peggio.
credo siano anche peggio.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
E sfortunatamente, ci sono delle prove
che questa analisi dei dati,
che questa analisi dei dati,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
nonostante la grossa mole di dati,
non porta sempre ottimi risultati.
non porta sempre ottimi risultati.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
E questo non perché un'azienda
come Multi-Health Systems
come Multi-Health Systems
07:13
doesn't know what to do with data.
146
421506
1627
non sa che fare coi dati.
Anche le aziende più esperte
sui dati sbagliano.
sui dati sbagliano.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Si, anche Google sbaglia qualche volta.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
Nel 2009 Google annunciò di essere capace,
tramite l'analisi dei dati,
tramite l'analisi dei dati,
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
di predire epidemie influenzali,
quelle brutte forme d'influenza,
quelle brutte forme d'influenza,
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
facendo l'analisi dei dati provenienti
dalle loro ricerche su Google.
dalle loro ricerche su 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
E ha funzionato magnificamente,
e ha fatto grande scalpore nei notiziari,
e ha fatto grande scalpore nei notiziari,
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
incluso il picco del successo scientifico:
07:39
a publication in the journal "Nature."
154
447200
2456
una pubblicazione sulla rivista "Nature".
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Ha funzionato magnificamente anno
dopo anno dopo anno,
dopo anno dopo anno,
07:45
until one year it failed.
156
453320
1656
finché un anno ha fallito.
07:47
And nobody could even tell exactly why.
157
455000
2256
E nessuno ha saputo dire
esattamente perché.
esattamente perché.
07:49
It just didn't work that year,
158
457280
1696
Non ha funzionato in quell'anno
07:51
and of course that again made big news,
159
459000
1936
e ovviamente ha fatto
di nuovo scalpore,
di nuovo scalpore,
07:52
including now a retraction
160
460960
1616
compreso il ritiro
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
di una pubblicazione
dal giornale "Nature".
dal giornale "Nature".
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Per cui anche Amazon e Google, le aziende
più esperte sui dati,
più esperte sui dati,
08:01
they sometimes get it wrong.
163
469840
2136
possono sbagliare qualche volta.
08:04
And despite all those failures,
164
472000
2936
E nonostante tutti questi fallimenti,
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
i dati si stanno affermando rapidamente
nel processo decisionale della vita reale:
nel processo decisionale della vita reale:
08:10
into the workplace,
166
478840
1816
sul posto di lavoro,
08:12
law enforcement,
167
480680
1816
sull'applicazione della legge,
08:14
medicine.
168
482520
1200
in medicina.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Quindi dovremmo assicurarci meglio
che i dati stiano aiutando.
che i dati stiano aiutando.
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
Ora, ho visto di persona
molti di questi problemi coi dati,
molti di questi problemi coi dati,
08:22
because I work in computational genetics,
171
490920
1976
lavorando nella genetica computazionale,
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
un campo dove
moltissime persone intelligenti
moltissime persone intelligenti
usano quantità inimmaginabili di dati
per prendere decisioni alquanto serie
per prendere decisioni alquanto serie
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
come decidere su una terapia per il cancro
o sviluppare un farmaco.
o sviluppare un farmaco.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
E negli anni ho notato
una sorta di modello
una sorta di modello
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
o regola, se preferite,
riguardante la differenza
riguardante la differenza
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
tra un processo decisionale
di successo ,grazie ai dati,
di successo ,grazie ai dati,
08:43
and unsuccessful decision-making,
178
511120
1616
e uno fallimentare,
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
e ritengo utile condividere questo modello
che funziona più o meno così:
che funziona più o meno così:
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
quando state risolvendo
problemi complessi,
problemi complessi,
08:52
you're doing essentially two things.
181
520679
1737
state facendo due cose:
La prima è suddividere il problema
in piccole parti
in piccole parti
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
così da poterle analizzare a fondo,
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
e poi la seconda fase,
Rimettere tutte queste parti insieme
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
per arrivare alla conclusione.
09:05
to come to your conclusion.
186
533000
1336
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
E qualche volta dovete rifarlo di nuovo,
09:08
but it's always those two things:
188
536720
1656
ma sono sempre due fasi:
smembrare e rimettere insieme.
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
09:14
And now the crucial thing is
190
542280
1616
Ora il punto cruciale è
09:15
that data and data analysis
191
543920
2896
che i dati e l'analisi dei dati
09:18
is only good for the first part.
192
546840
2496
vanno bene solo per la prima fase.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
I dati e l'analisi,
non importa quanto potenti,
non importa quanto potenti,
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
possono solo aiutarvi a smontare
un problema e comprenderne le parti.
un problema e comprenderne le parti.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Non sono adatti a rimettere
le parti assieme
le parti assieme
09:31
and then to come to a conclusion.
196
559600
1896
per poi arrivare ad una conclusione.
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
C'è un altro strumento che può farlo,
e lo abbiamo tutti,
e lo abbiamo tutti,
09:36
and that tool is the brain.
198
564280
1296
il cervello.
09:37
If there's one thing a brain is good at,
199
565600
1936
Una cosa che il cervello fa bene
è rimettere insieme i pezzi,
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
anche quando abbiamo
informazioni incomplete,
informazioni incomplete,
09:41
even when you have incomplete information,
201
569840
2016
09:43
and coming to a good conclusion,
202
571880
1576
e trarne una buona conclusione,
09:45
especially if it's the brain of an expert.
203
573480
2936
specialmente se è il cervello
è quello di un esperto.
è quello di un esperto.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
Per questo credo che Netflix
abbia avuto successo,
abbia avuto successo,
perché hanno usato dati e cervelli
quando servivano durante il processo.
quando servivano durante il processo.
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Hanno utilizzato prima i dati per capire
molti aspetti dei loro spettatori,
molti aspetti dei loro spettatori,
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
non avrebbero potuto capirli
così a fondo altrimenti,
così a fondo altrimenti,
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
ma poi la decisione di prendere
tutti questi pezzi,
tutti questi pezzi,
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
rimetterli insieme
e fare una serie come "House of Cards",
e fare una serie come "House of Cards",
non ha dipeso affatto dai dati.
10:07
that was nowhere in the data.
210
595720
1416
Ted Sarandos e la sua squadra hanno preso
la decisione di autorizzare quella serie,
la decisione di autorizzare quella serie,
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
il che ha significato anche prendersi
un bel rischio personale
con tale scelta.
con tale scelta.
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
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
Quelli di Amazon invece,
l'hanno fatto al contrario sbagliando.
l'hanno fatto al contrario sbagliando.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Hanno utilizzato solo i dati
per il processo decisionale,
per il processo decisionale,
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
prima con il loro concorso
sulle idee per la TV,
sulle idee per la TV,
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
poi quando hanno selezionato
"Alpha House" per farne una serie,
"Alpha House" per farne una serie,
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
Il che certamente era
una scelta sicura per loro,
una scelta sicura per loro,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
potendo sempre indicare i dati dicendo
"Questo dicono i dati."
10:35
"This is what the data tells us."
220
623400
1696
Ma ciò non li ha condotti
ai risultati eccezionali che speravano.
ai risultati eccezionali che speravano.
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
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Perciò i dati sono di certo uno strumento
estremamente utile per decisioni migliori,
estremamente utile per decisioni migliori,
10:47
but I believe that things go wrong
223
635120
2376
ma credo che le cose vadano a finire male
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
se i dati iniziano a guidare
quelle decisioni.
quelle decisioni.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
Non importa quanto efficienti,
i dati sono solo uno strumento
i dati sono solo uno strumento
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
e trovo questo apparecchio molto utile
per tenerlo a mente.
per tenerlo a mente.
10:59
Many of you will ...
227
647280
1216
Molti di voi...
11:00
(Laughter)
228
648520
1216
(Risate)
Prima che ci fossero i dati,
11:01
Before there was data,
229
649760
1216
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
questo era lo strumento
per il processo decisionale.
per il processo decisionale.
(Risate)
11:05
(Laughter)
231
653880
1256
11:07
Many of you will know this.
232
655160
1336
Molti di voi sapranno co'è,
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Questo giocattolo è la Magica Palla 8,
11:10
and it's really amazing,
234
658497
1199
ed è incredibile,
perché se c'è da fare una scelta
o rispondere si o no,
o rispondere si o no,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
tutto quello che dovete fare è agitare
la palla e avrete la risposta -
la palla e avrete la risposta -
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
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
"Quasi certo" - proprio ora
su questa finestrella, dal vivo.
su questa finestrella, dal vivo.
11:21
I'll have it out later for tech demos.
238
669240
2096
Lo farò aprire
per delle demo di tecnologia.
per delle demo di tecnologia.
11:23
(Laughter)
239
671360
1216
(Risate)
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
Ora, ovviamente il fatto è che ho
preso alcune decisioni nella mia vita
preso alcune decisioni nella mia vita
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
dove, a ragion veduta,
avrei dovuto solo ascoltare la palla.
avrei dovuto solo ascoltare la palla.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Ma sapete, di certo,
se avete i dati a disposizione,
se avete i dati a disposizione,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
vorrete sostituire questa con qualcosa
di molto più sofisticato,
di molto più sofisticato,
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
come l'analisi dei dati,
per arrivare ad una decisione migliore.
per arrivare ad una decisione migliore.
11:41
But that does not change the basic setup.
245
689200
2616
Ma ciò non cambia l'impostazione di base.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
Perciò la palla può diventare
sempre più intelligente,
sempre più intelligente,
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
ma credo che stia ancora a noi
prendere le decisioni,
prendere le decisioni,
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
se vogliamo raggiungere
qualcosa di straordinario,
qualcosa di straordinario,
11:52
on the right end of the curve.
249
700920
1936
sul lato destro della curva.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
E trovo che questo sia un messaggio
molto incoraggiante, appunto,
molto incoraggiante, appunto,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
che anche davanti ad una
quantità di dati enorme,
quantità di dati enorme,
12:03
it still pays off to make decisions,
252
711400
4096
ripaga ancora il prendere decisioni,
12:07
to be an expert in what you're doing
253
715520
2656
l'essere un esperto in ciò
che state facendo
che state facendo
12:10
and take risks.
254
718200
2096
e il prendere rischi.
12:12
Because in the end, it's not data,
255
720320
2776
Perché, alla fine,non sono i dati,
ma i rischi che ti faranno raggiungere
il lato destro della curva.
il lato destro della curva.
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
12:19
Thank you.
257
727840
1216
Grazie.
(Applausi)
12:21
(Applause)
258
729080
3680
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