TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Hoe gebruik je data om een succesvolle TV show te maken
Filmed:
Readability: 4
1,628,704 views
Leidt het verzamelen van meer data tot het nemen van betere beslissingen? Concurrerende, data-bewuste bedrijven zoals Amazon, Google en Netflix hebben geleerd dat alleen data-analyse niet altijd tot optimale resultaten leidt. In deze talk legt data-wetenschapper Sebastian Wernicke uit wat er fout gaat als we beslissingen nemen die louter op data gebaseerd zijn -- en stelt een slimmere manier voor om ermee om te gaan.
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
Van Roy Price hebben de meesten van jullie
waarschijnlijk nog nooit gehoord,
waarschijnlijk nog nooit gehoord,
00:17
even though he may have been responsible
1
5120
2496
hoewel hij verantwoordelijk
kan zijn geweest
kan zijn geweest
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
voor 22 middelmatige minuten
van je leven, op 19 april 2013.
van je leven, op 19 april 2013.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
Hij kan ook verantwoordelijk zijn
geweest voor 22 amusante minuten,
geweest voor 22 amusante minuten,
00:29
but not very many of you.
4
17760
2256
maar niet voor velen van jullie.
00:32
And all of that goes back to a decision
5
20040
1896
Dat had alles te maken met een beslissing
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
die Roy zo'n drie jaar geleden
moest maken.
moest maken.
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 is senior manager
bij de Amazon Studios,
bij de Amazon Studios,
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
het televisieproductiebedrijf van Amazon.
Hij is 47 jaar, slank, heeft stekelhaar
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
en omschrijft zichzelf op Twitter
als "film, tv, technologie, taco's".
als "film, tv, technologie, taco's".
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 heeft
een hele verantwoordelijke baan,
een hele verantwoordelijke baan,
want hij moet ervoor zorgen
de goede shows te kiezen,
de goede shows te kiezen,
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 originele producties
die Amazon gaat uitbrengen.
die Amazon gaat uitbrengen.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
Dat is natuurlijk
een zeer concurrerend terrein.
een zeer concurrerend terrein.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Er zijn al zoveel televisie-shows
01:06
that Roy can't just choose any show.
15
54400
2176
dat Roy niet zomaar een show kan kiezen.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Hij moet shows vinden
die echt heel goed zijn.
die echt heel goed zijn.
01:12
So in other words, he has to find shows
17
60720
2816
Met andere woorden,
hij moet shows vinden
hij moet shows vinden
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
die aan de goede kant
van deze curve zitten.
van deze curve zitten.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Deze curve toont de
waarderingsverdeling
waarderingsverdeling
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
van zo'n 2500 tv-shows
op de IMDb-website
op de IMDb-website
01:25
and the rating goes from one to 10,
21
73040
2896
en de waardering loopt van 1 tot 10.
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
De hoogte hier toont
hoeveel shows die waardering krijgen.
hoeveel shows die waardering krijgen.
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
Als je show dus een waardering krijgt
van 9 punten of meer, dat is een topper.
van 9 punten of meer, dat is een topper.
Dan hoort je show tot de top 2 procent.
01:35
Then you have a top two percent show.
24
83680
1816
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
Dat zijn shows als 'Breaking Bad',
'Game of Thrones' en 'The Wire',
'Game of Thrones' en 'The Wire',
01:41
so all of these shows that are addictive,
26
89440
2296
dus al die shows die verslavend zijn,
shows waarvan je hersenen
aan het einde van het seizoen zeggen:
aan het einde van het seizoen zeggen:
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
"Waar kan ik nog meer afleveringen zien?"
01:46
"Where can I get more of these episodes?"
28
94840
2176
01:49
That kind of show.
29
97040
1200
Zo'n soort show.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
Links, voor de duidelijkheid,
hier aan dit einde,
hier aan dit einde,
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
heb je een show getiteld
'Toddlers and Tiaras' --
'Toddlers and Tiaras' --
01:56
(Laughter)
32
104640
2656
(Gelach)
01:59
-- which should tell you enough
33
107320
1536
-- dan weet je direct
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
wat er aan dat eind
van de curve gebeurt.
van de curve gebeurt.
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
Roy Price maakt zich geen zorgen
om links op de curve te komen,
om links op de curve te komen,
omdat je volgens mij
heel intelligent moet zijn
heel intelligent moet zijn
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
om onder 'Toddlers and Tiaras' te scoren.
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
Waar hij zich dus zorgen om maakt,
is deze bult in het midden,
is deze bult in het midden,
02:15
the bulge of average TV,
39
123920
1816
de bult van gemiddelde tv,
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
de shows die niet
echt goed of heel slecht zijn.
echt goed of heel slecht zijn.
Je raakt er niet echt opgewonden van.
02:20
they don't really get you excited.
41
128639
1656
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
Hij moet er dus voor zorgen
dat hij aan de rechterkant komt.
dat hij aan de rechterkant komt.
De druk is dus hoog
02:27
So the pressure is on,
43
135200
1576
02:28
and of course it's also the first time
44
136800
2176
en het is natuurlijk ook de eerste keer
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
dat Amazon iets dergelijks doet.
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
Roy Price wil dus geen risico lopen.
02:36
He wants to engineer success.
47
144560
2456
Hij wil succes creëren.
02:39
He needs a guaranteed success,
48
147040
1776
Hij wil gegarandeerd succes
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
en wat hij dus doet,
is een wedstrijd houden.
is een wedstrijd houden.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Hij neemt een aantal ideeën voor tv-shows
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
en door evaluatie
02:48
they select eight candidates for TV shows,
52
156920
4096
kiezen ze acht kandidaten voor tv-shows.
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
Dan maakt hij de eerste aflevering
van elk van deze shows
van elk van deze shows
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
en zet ze gratis online,
zodat iedereen ze kan zien.
zodat iedereen ze kan zien.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
Als Amazon dingen voor niks weggeeft,
03:01
you're going to take it, right?
56
169720
1536
dan wil je het hebben ook, toch?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Dus zien miljoenen kijkers
die afleveringen.
die afleveringen.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
Maar wat ze niet beseffen is dat,
terwijl ze zitten te kijken,
terwijl ze zitten te kijken,
03:11
actually, they are being watched.
59
179680
2296
zij zelf ook bekeken worden.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Ze worden bekeken
door Roy Price en zijn team,
door Roy Price en zijn team,
die alles opslaan.
03:16
who record everything.
61
184360
1376
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
Ze slaan op wanneer iemand
op 'afspelen' of op 'pauze' drukt,
op 'afspelen' of op 'pauze' drukt,
welke stukken ze overslaan,
welke worden herhaald.
welke worden herhaald.
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
03:23
So they collect millions of data points,
64
191720
2256
Ze verzamelen miljoenen gegevens,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
omdat ze die data willen hebben
om te kunnen beslissen
welke show ze moeten maken.
welke show ze moeten maken.
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
Dus verzamelen ze die data
en als die data zijn geanalyseerd
rolt daar een antwoord uit,
rolt daar een antwoord uit,
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
en dat antwoord is:
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"Amazon moet een serie maken
over vier Republikeinse senatoren".
over vier Republikeinse senatoren".
03:42
They did that show.
71
210440
1216
En dat deden ze.
03:43
So does anyone know the name of the show?
72
211680
2160
Weet iemand de naam van de show?
(Publiek) 'Alpha House'.
03:46
(Audience: "Alpha House.")
73
214720
1296
03:48
Yes, "Alpha House,"
74
216040
1456
Ja, '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
maar het lijkt erop dat niet veel mensen
zich die show herinneren,
zich die show herinneren,
03:53
because it didn't turn out that great.
76
221640
1856
hij pakte dan ook niet erg goed uit.
03:55
It's actually just an average show,
77
223520
1856
Eigenlijk is het maar een doorsnee show,
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
letterlijk, omdat het gemiddelde
van deze curve hier 7,4 is
van deze curve hier 7,4 is
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
en 'Alpha House' kwam op 7,5,
04:04
so a slightly above average show,
80
232440
2016
dus net boven het gemiddelde,
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
zeker niet waar Roy Price
en zijn team op mikten.
en zijn team op mikten.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
In de tussentijd echter,
ongeveer tegelijkertijd,
ongeveer tegelijkertijd,
04:13
at another company,
83
241200
1576
bij een ander bedrijf,
slaagde een andere manager erin
een topproductie te maken met data-analyse
een topproductie te maken met data-analyse
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
04:19
and his name is Ted,
85
247040
1576
en zijn naam is Ted.
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Ted Sarandos is bij Netflix
hoofd 'eigen productie'
hoofd 'eigen productie'
en net als Roy is hij
op een constante missie
op een constante missie
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
die geweldige tv-show te vinden;
04:27
and he uses data as well to do that,
89
255760
2016
hij gebruikt daarbij ook data,
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
alleen doet hij het een beetje anders.
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
In plaats van een competitie te houden
keken hij -- en zijn team natuurlijk --
keken hij -- en zijn team natuurlijk --
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
naar alle data die ze al hadden
over Netflix-kijkers,
over Netflix-kijkers,
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
dus de waarderingscijfers die ze geven,
waar ze meestal naar kijken,
wat ze leuk vinden, enz.
wat ze leuk vinden, enz.
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
Vervolgens gebruikten ze die data
04:44
And then they use that data to discover
95
272000
1896
om elk detail
over het publiek te ontdekken:
over het publiek te ontdekken:
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
04:48
what kinds of shows they like,
97
276560
1456
welke shows ze leuk vinden,
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
welke producers, welke acteurs.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
Zodra ze al die details bij elkaar hadden,
04:54
they took a leap of faith,
100
282760
1656
namen ze een sprong in het diepe
04:56
and they decided to license
101
284440
2096
en besloten niet te kiezen
voor een programma over vier senatoren
voor een programma over vier senatoren
04:58
not a sitcom about four Senators
102
286560
2456
05:01
but a drama series about a single Senator.
103
289040
2880
maar voor een dramaserie over één senator.
05:04
You guys know the show?
104
292760
1656
Kennen jullie die serie?
05:06
(Laughter)
105
294440
1296
(Gelach)
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
Ja, 'House of Cards', en Netflix
had een voltreffer met die show,
had een voltreffer met die show,
in ieder geval
voor de eerste twee seizoenen.
voor de eerste twee seizoenen.
05:11
at least for the first two seasons.
107
299520
2136
05:13
(Laughter) (Applause)
108
301680
3976
(Gelach) (Applaus)
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' scoort 9.1 op deze curve,
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
precies waar ze wilden zitten.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
De vraag is nu natuurlijk:
wat gebeurde hier?
wat gebeurde hier?
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Je hebt twee concurrerende
data-bewuste bedrijven.
data-bewuste bedrijven.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
Ze koppelen al deze miljoenen gegevens
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
en dan pakt dat heel goed uit voor de een,
05:34
and it doesn't work for the other one.
115
322480
1856
maar niet voor de ander.
05:36
So why?
116
324360
1216
Waarom eigenlijk?
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
Het lijkt zo vanzelfsprekend
dat dit altijd zou moeten werken.
dat dit altijd zou moeten werken.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Ik bedoel, als je miljoenen
gegevens verzamelt
gegevens verzamelt
05:43
on a decision you're going to make,
119
331560
1736
voor een beslissing die je gaat nemen,
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
dan zou je toch een goede beslissing
moeten kunnen nemen.
moeten kunnen nemen.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
Je kunt steunen op 200 jaar statistiek.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
Je versterkt het nog
met hele krachtige computers.
met hele krachtige computers.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
Dan mag je toch in ieder geval
wel goede televisie verwachten, niet?
wel goede televisie verwachten, niet?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
Mocht data-analyse zo niet werken
06:01
then it actually gets a little scary,
125
349520
2056
dan wordt het een beetje griezelig,
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
want we leven in een tijd
waarin we steeds meer op data afgaan
waarin we steeds meer op data afgaan
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
om serieuze beslissingen te nemen
die televisie ver te boven gaan.
die televisie ver te boven gaan.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Kent iemand hier het bedrijf
Multi-Health Systems?
Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
365080
1656
Niemand. OK, gelukkig maar.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
Multi-Health Systems
is een software-bedrijf
is een software-bedrijf
06:22
and I hope that nobody here in this room
131
370000
2816
en ik hoop dat niemand hier in deze zaal
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
ooit in contact komt met die software,
want anders betekent het
dat je in de gevangenis zit.
dat je in de gevangenis zit.
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
(Gelach)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Als iemand in de VS in de gevangenis zit
en voorwaardelijk vrij wil komen,
en voorwaardelijk vrij wil komen,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
dan is het hoogstwaarschijnlijk
dat data-analysesoftware van dat bedrijf
dat data-analysesoftware van dat bedrijf
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
gebruikt wordt om te bepalen
of die aanvraag wordt gehonoreerd.
of die aanvraag wordt gehonoreerd.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
Het is dus hetzelfde principe
als bij Amazon en Netflix,
als bij Amazon en 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
maar in plaats van te beslissen
of een tv-show het goed zal doen,
of een tv-show het goed zal doen,
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
beslis je nu of een persoon
het goed of slecht gaat doen.
het goed of slecht gaat doen.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
Middelmatige tv, 22 minuten lang,
kan heel slecht zijn,
kan heel slecht zijn,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
maar meer tijd in de gevangenis
zelfs slechter, gok ik.
zelfs slechter, gok ik.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
Jammer genoeg zijn er zelfs bewijzen
dat deze data-analyse,
dat deze data-analyse,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
ondanks de beschikbaarheid van veel data,
niet altijd de optimale resultaten geeft.
niet altijd de optimale resultaten geeft.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
Dat komt niet omdat een bedrijf
als Multi-Health Systems
als Multi-Health Systems
07:13
doesn't know what to do with data.
146
421506
1627
niet met data om kan gaan.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
Zelfs de slimste data-analisten
kunnen fout zitten.
kunnen fout zitten.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Ja, zelfs Google zit soms fout.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
In 2009 berichtte Google
dat ze met data-analyse
dat ze met data-analyse
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
griep-epidemieën konden voorspellen,
het vervelende soort griep,
het vervelende soort griep,
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
door data-analyse los te laten
op wat mensen op Google opzochten.
op wat mensen op Google opzochten.
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
Het pakte wonderwel goed uit
en het werd een hit in het nieuws,
en het werd een hit in het nieuws,
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
tot en met het toppunt van
wetenschappelijk succes:
wetenschappelijk succes:
07:39
a publication in the journal "Nature."
154
447200
2456
een publicatie in het tijdschrift Nature.
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Eerst werkte het goed,
jaar na jaar na jaar,
jaar na jaar na jaar,
07:45
until one year it failed.
156
453320
1656
tot het een bepaald jaar niet werkte.
07:47
And nobody could even tell exactly why.
157
455000
2256
Niemand kon precies zeggen waarom.
07:49
It just didn't work that year,
158
457280
1696
Het werkte dat jaar gewoon niet
07:51
and of course that again made big news,
159
459000
1936
en dat haalde weer het nieuws natuurlijk,
07:52
including now a retraction
160
460960
1616
inclusief het terugtrekken
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
van een publicatie
in het tijdschrift Nature.
in het tijdschrift Nature.
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Dus zelfs de grootste data-verzamelaars,
Amazon en Google,
Amazon en Google,
08:01
they sometimes get it wrong.
163
469840
2136
hebben het soms mis.
08:04
And despite all those failures,
164
472000
2936
Ondanks al die mislukkingen
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
neemt het gebruik van data snel toe
bij beslissingen in het echte leven:
bij beslissingen in het echte leven:
08:10
into the workplace,
166
478840
1816
op de werkvloer,
08:12
law enforcement,
167
480680
1816
bij wetshandhaving,
08:14
medicine.
168
482520
1200
de geneeskunde.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
We kunnen er dus maar beter voor zorgen
dat die data ook helpen.
dat die data ook helpen.
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
Zelf heb ik veel gesteggel gezien
bij het gebruiken van data,
bij het gebruiken van data,
08:22
because I work in computational genetics,
171
490920
1976
omdat ik werk in de computer-genetica,
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
wat ook een terrein is
waar veel slimme mensen
waar veel slimme mensen
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
ongelooflijke hoeveelheden data gebruiken
om serieuze beslissingen te nemen,
om serieuze beslissingen te nemen,
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
zoals over een kankertherapie
of het ontwikkelen van een medicijn.
of het ontwikkelen van een medicijn.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
Door de jaren heb ik
een patroon zien ontstaan,
een patroon zien ontstaan,
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
of een soort regel als je wilt,
over wat het verschil maakt
over wat het verschil maakt
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
tussen succesvolle beslissingen
op basis van data
op basis van data
08:43
and unsuccessful decision-making,
178
511120
1616
en niet-succesvolle beslissingen.
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
Ik vind dit een patroon dat ik wil delen
en het gaat als volgt.
en het gaat als volgt.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
Als je een complex probleem wilt oplossen,
08:52
you're doing essentially two things.
181
520679
1737
doe je in wezen twee dingen.
Eerst deel je het probleem op
in kleine stukjes,
in kleine stukjes,
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
zodat je die onderdelen
grondig kunt analyseren,
grondig kunt analyseren,
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
en dan zet je natuurlijk de tweede stap:
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
je doet al die stukjes weer bij elkaar
09:05
to come to your conclusion.
186
533000
1336
en je komt tot een conclusie.
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
Soms moet je het nog een keer doen,
maar steeds draait het om twee dingen:
09:08
but it's always those two things:
188
536720
1656
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
uit elkaar halen en terug zetten.
09:14
And now the crucial thing is
190
542280
1616
Het cruciale is
09:15
that data and data analysis
191
543920
2896
dat voor data en data-analyse
09:18
is only good for the first part.
192
546840
2496
alleen het eerste deel werkt.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
Data en data-analyse,
hoe indrukwekkend ook,
hoe indrukwekkend ook,
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
helpen je alleen een probleem
te ontrafelen en details te begrijpen.
te ontrafelen en details te begrijpen.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Het is niet geschikt om die stukjes
weer bij elkaar te brengen
weer bij elkaar te brengen
en dan tot een conclusie te komen.
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
Een ander hulpmiddel kan dat wel,
en we hebben het allemaal:
en we hebben het allemaal:
09:36
and that tool is the brain.
198
564280
1296
het brein.
09:37
If there's one thing a brain is good at,
199
565600
1936
Waar het brein echt goed in is,
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
is stukjes weer bij elkaar brengen,
09:41
even when you have incomplete information,
201
569840
2016
zelfs als je onvolledige informatie hebt,
09:43
and coming to a good conclusion,
202
571880
1576
en tot een goede conclusie komen,
09:45
especially if it's the brain of an expert.
203
573480
2936
zeker als het het brein van een expert is.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
Daarom geloof ik
dat Netflix zo'n succes had,
dat Netflix zo'n succes had,
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
omdat ze de data en het brein gebruikten
waar ze in het proces thuishoren.
waar ze in het proces thuishoren.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Ze gebruiken data om eerst veel details
van hun publiek te begrijpen,
van hun publiek te begrijpen,
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
details die ze anders nooit zo grondig
hadden kunnen begrijpen.
hadden kunnen begrijpen.
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
Maar de beslissing
om al deze losse stukjes
om al deze losse stukjes
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
weer bijeen te brengen
en een show als House of Cards te maken,
en een show als House of Cards te maken,
dat stond nergens in de data.
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 en zijn team namen
de beslissing om die serie goed te keuren,
de beslissing om die serie goed te keuren,
waarmee ze trouwens ook
een groot persoonlijk risico namen.
een groot persoonlijk risico namen.
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
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
Bij Amazon deden ze
het echter omgekeerd, dus fout.
het echter omgekeerd, dus fout.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Ze gebruikten steeds data
om hun beslissing te sturen,
om hun beslissing te sturen,
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
eerst toen ze hun wedstrijd
van tv-ideeën hielden,
van tv-ideeën hielden,
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
en later toen ze besloten
'Alpha House' te maken.
'Alpha House' te maken.
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
Dat was voor hen
een hele veilige beslissing,
een hele veilige beslissing,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
omdat ze altijd konden wijzen
naar de data en zeggen:
naar de data en zeggen:
10:35
"This is what the data tells us."
220
623400
1696
"Dit zeggen de data ons."
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
Maar het leidde niet
tot de uitzonderlijke resultaten
die ze hadden gehoopt.
die ze hadden gehoopt.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Data zijn dus een enorm nuttig middel
om betere beslissingen te nemen,
om betere beslissingen te nemen,
10:47
but I believe that things go wrong
223
635120
2376
maar ik denk dat dingen fout gaan
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
zodra data die beslissingen
beginnen te sturen.
beginnen te sturen.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
Hoe sterk ze ook zijn,
data zijn slechts een hulpmiddel
data zijn slechts een hulpmiddel
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
en met dat in je achterhoofd
vind ik dit ding hier heel nuttig.
vind ik dit ding hier heel nuttig.
10:59
Many of you will ...
227
647280
1216
Velen van jullie zullen .....
11:00
(Laughter)
228
648520
1216
(Gelach)
Voordat er data waren,
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
was dit het hulpmiddel
om beslissingen te nemen.
om beslissingen te nemen.
11:05
(Laughter)
231
653880
1256
(Gelach)
11:07
Many of you will know this.
232
655160
1336
Velen van jullie kennen het.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Dit speeltje hier heet de Magic 8 Ball,
11:10
and it's really amazing,
234
658497
1199
heel verbazingwekkend,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
omdat als je een besluit moet nemen,
een ja of nee vraag,
een ja of nee vraag,
je alleen de bal maar hoeft te schudden
en dan krijg je het antwoord
en dan krijg je het antwoord
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
-- "Hoogstwaarschijnlijk" --
hier in dit venster, hier en nu.
hier in dit venster, hier en nu.
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
11:21
I'll have it out later for tech demos.
238
669240
2096
Ik laat hem straks
rondgaan ter demonstratie.
rondgaan ter demonstratie.
11:23
(Laughter)
239
671360
1216
(Gelach)
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
Wat ik natuurlijk wil zeggen is
dat ik besluiten heb genomen in mijn leven
dat ik besluiten heb genomen in mijn leven
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
waarbij ik achteraf toch naar de bal
had moeten luisteren.
had moeten luisteren.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Maar als je de data
tot je beschikking hebt,
tot je beschikking hebt,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
wil je zo'n bal door iets
veel geavanceerders vervangen,
veel geavanceerders vervangen,
zoals data-analyse,
om tot een besluit te komen.
om tot een besluit te komen.
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
11:41
But that does not change the basic setup.
245
689200
2616
Maar fundamenteel verandert er niets.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
De bal kan slimmer
en slimmer en slimmer worden,
en slimmer en slimmer worden,
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
maar ik denk dat wij nog steeds
de beslissingen moeten nemen
de beslissingen moeten nemen
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
als we iets buitengewoons willen bereiken
11:52
on the right end of the curve.
249
700920
1936
aan de rechterkant van de curve.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
Ik vind dat eigenlijk
een hele bemoedigende boodschap,
een hele bemoedigende boodschap,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
dat het zelfs onder het oog
van grote hoeveelheden data
van grote hoeveelheden data
12:03
it still pays off to make decisions,
252
711400
4096
loont om besluiten te nemen,
12:07
to be an expert in what you're doing
253
715520
2656
om expert te zijn bij wat je doet
12:10
and take risks.
254
718200
2096
en om risico's te nemen.
12:12
Because in the end, it's not data,
255
720320
2776
Want uiteindelijk zijn het niet de data
maar de risico's die je doen belanden
aan de rechterzijde van de curve.
aan de rechterzijde van de curve.
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
Dank je wel.
12:21
(Applause)
258
729080
3680
(Applaus)
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