ABOUT THE SPEAKER
Tricia Wang - Technology ethnographer
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers.

Why you should listen

For Tricia Wang, human behavior generates some of the most perplexing questions of our times. She has taught global organizations how to identify new customers and markets hidden behind their data, amplified IDEO's design thinking practice as an expert-in-residence, researched the social evolution of the Chinese internet, and written about the "elastic self," an emergent form of interaction in a virtual world. Wang is the co-founder of Sudden Compass, a consulting firm that helps companies unlock new growth opportunities by putting customer obsession into practice.

Wang's work has been featured in The Atlantic, Al Jazeera, and The Guardian. Fast Company spotlighted her work in China: "What Twitter Can Learn From Weibo: Field Notes From Global Tech Ethnographer Tricia Wang." In her latest op-ed on Slate, she discusses how attempts to stop terrorists on social media can harm our privacy and anonymity. Her Medium post, "Why Big Data Needs Thick Data," is a frequently cited industry piece on the importance of an integrated data approach. One of her favorite essays documents her day in the life of working as a street vendor in China.

Known for her lively presentations that are grounded in her research and observations about human behavior and data, Wang has spoken at organizations such as Proctor & Gamble, Nike, Wrigley, 21st Century Fox and Tumblr. Her most recent talk at Enterprise UX delved into why corporate innovation usually doesn’t work and what to do about it. She delivered the opening keynote at The Conference to a crowd of marketers and creatives, delving into the wild history of linear perspective and its influence on how we think and form organizations.

Wang holds affiliate positions at Data & Society, Harvard University's Berkman Klein Center for Internet Studies and New York University's Interactive Telecommunication Program. She oversees Ethnography Matters, a site that publishes articles about applied ethnography and technology. She co-started a Slack community for anyone who uses ethnographic methods in industry.

Wang began her career as a documentary filmmaker at NASA, an HIV/AIDS activist, and an educator specializing in culturally responsive pedagogy. She is also proud to have co-founded the first national hip-hop education initiative, which turned into the Hip Hop Education Center at New York University, and to have built after-school technology and arts programs for low-income youth at New York City public schools and the Queens Museum of Arts. Her life philosophy is that you have to go to the edge to discover what’s really happening. She's the proud companion of her internet famous dog, #ellethedog.

More profile about the speaker
Tricia Wang | Speaker | TED.com
TEDxCambridge

Tricia Wang: The human insights missing from big data

Тріша Ванг: У великих даних не вистачає людини

Filmed:
1,688,539 views

Чому так багато компаній приймають погані рішення, навіть з доступом до безпрецедентного доступу до даних? Розповідаючи історії від Nokia до Netflix, до оракула в стародавній Греції, Тріша Ванг демонструє великі дані та визначає їх слабкі місця, і пропонує нам натомість сфокусуватися на "насичених даних" - цінних поглядах від простих людей, які не піддаються кількісному вимірюванню -- щоб приймати правильні бізнес-рішення та успішно розвиватися серед невідомого.
- Technology ethnographer
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers. Full bio

Double-click the English transcript below to play the video.

00:12
In ancientстародавній GreeceГреція,
0
885
1545
В стародавній Греції,
00:15
when anyoneбудь хто from slavesраби to soldiersсолдати,
poetsпоетів and politiciansполітиків,
1
3436
3943
коли комусь: чи рабу чи солдату,
поету чи політику
потрібно було прийняти найважливіше
в житті рішення,
00:19
neededнеобхідний to make a bigвеликий decisionрішення
on life'sжиття mostнайбільше importantважливо questionsпитання,
2
7403
4004
типу: "Чи одружитися мені?",
00:23
like, "Should I get marriedодружений?"
3
11431
1391
або "Чи повинні ми розпочати
цю подорож?",
00:24
or "Should we embarkвстати on this voyageрейс?"
4
12846
1857
або " Чи потрібно армії рушати
на цю територію?",
00:26
or "Should our armyармія
advanceзаздалегідь into this territoryтериторія?"
5
14727
2928
вони всі йшли за порадою
до оракула.
00:29
they all consultedконсультації the oracleоракул.
6
17679
2579
Як це працювало:
00:33
So this is how it workedпрацював:
7
21020
1440
ви задаєте їй питання,
стаєте на коліна
00:34
you would bringпринести her a questionпитання
and you would get on your kneesколіна,
8
22484
3112
і тоді вона впадає в транс.
00:37
and then she would go into this tranceтранс.
9
25620
1871
Це займало кілька днів,
00:39
It would take a coupleпара of daysдні,
10
27515
1549
і тоді, врешті,
вона виходить з нього,
00:41
and then eventuallyврешті-решт
she would come out of it,
11
29088
2163
її передбачення і будуть вашою відповіддю.
00:43
givingдавати you her predictionsпрогнози as your answerвідповісти.
12
31275
2536
Від оракулів стародавнього Китаю
00:46
From the oracleоракул bonesкістки of ancientстародавній ChinaКитай
13
34910
2566
до стародавньої Греції та календарів майя,
00:49
to ancientстародавній GreeceГреція to MayanМайя calendarsкалендарі,
14
37500
2345
люди чекали на пророцтва,
00:51
people have cravedжадав for prophecyпророцтво
15
39869
2296
щоб дізнатися, що відбудеться
в майбутньому.
00:54
in orderзамовлення to find out
what's going to happenстатися nextдалі.
16
42189
3137
Все це тому, що нам потрібно
прийняти правильні рішення.
00:58
And that's because we all want
to make the right decisionрішення.
17
46516
3239
Ми не хочемо щось пропустити.
01:01
We don't want to missміс something.
18
49779
1545
Майбутнє є непевним,
01:03
The futureмайбутнє is scaryстрашно,
19
51892
1743
тож набагато краще
знати, що ми можемо прийняти рішення
01:05
so it's much nicerприємніше
knowingзнаючи that we can make a decisionрішення
20
53659
2717
з певною гарантією результату.
01:08
with some assuranceгарантія of the outcomeрезультат.
21
56400
1982
Що ж, у нас є новий оракул,
01:11
Well, we have a newновий oracleоракул,
22
59079
1611
його ім'я великі дані,
01:12
and it's nameім'я is bigвеликий dataдані,
23
60714
2145
ми звемо його "Ватсон" чи
"глибоке вивчення" або "нейронна мережа".
01:14
or we call it "WatsonВотсон"
or "deepглибоко learningнавчання" or "neuralнейронний netнетто."
24
62883
3939
І ось найтиповіші з питань,
які ми зараз питаємо нашого оракула,
01:19
And these are the kindsвидів of questionsпитання
we askзапитай of our oracleоракул now,
25
67340
4012
"Який найефективніший спосіб
переправити телефони
01:23
like, "What's the mostнайбільше efficientефективний way
to shipкорабель these phonesтелефони
26
71376
3922
з Китаю до Швеції?"
01:27
from ChinaКитай to SwedenШвеція?"
27
75322
1823
Або "Які шанси,
01:29
Or, "What are the oddsшанси
28
77169
1800
що моя дитина народиться
із вродженими вадами?"
01:30
of my childдитина beingбуття bornнародився
with a geneticгенетичний disorderрозлад?"
29
78993
3363
Чи "Який обсяг продажів можна передбачити
для цього товару?"
01:34
Or, "What are the salesпродажі volumeобсяг
we can predictпередбачати for this productпродукт?"
30
82952
3244
01:40
I have a dogпес. Her nameім'я is ElleElle,
and she hatesненавидить the rainдощ.
31
88108
4047
У мене є собака. Її звати Ель
і вона ненавидить дощ.
Я спробувала все, щоб
вона позбулась цього відчуття.
01:44
And I have triedспробував everything
to untrainuntrain her.
32
92179
3306
Але оскільки мені не вдалося,
01:47
But because I have failedне вдалося at this,
33
95509
2771
я мала консультуватися з
оракулом під назвою Темне Небо
01:50
I alsoтакож have to consultзверніться до
an oracleоракул, calledназивається DarkТемний SkyНебо,
34
98304
3286
кожного разу, коли виходила з нею
на прогулянку
01:53
everyкожен time before we go on a walkходити,
35
101614
1635
для точних прогнозів погоди кожні
10 хвилин.
01:55
for very accurateточний weatherпогода predictionsпрогнози
in the nextдалі 10 minutesхвилин.
36
103273
3577
02:01
She's so sweetсолодкий.
37
109535
1303
Вона така мила.
Через все це наш оракул -
це індустрія у 122 мільйони доларів.
02:03
So because of all of this,
our oracleоракул is a $122 billionмільярд industryпромисловість.
38
111827
5707
Та незважаючи на розмір цієї індустрії,
02:10
Now, despiteне дивлячись the sizeрозмір of this industryпромисловість,
39
118006
3376
прибутки є надзвичайно низькими.
02:13
the returnsповертає are surprisinglyдивно lowнизький.
40
121406
2456
Дуже легко інвестувати в великі дані,
02:16
InvestingІнвестування in bigвеликий dataдані is easyлегко,
41
124342
2494
але користуватися важко.
02:18
but usingвикористовуючи it is hardважко.
42
126860
1933
Більш ніж 73% проектів гігантських даних
навіть не є прибутковими,
02:21
Over 73 percentвідсоток of bigвеликий dataдані projectsпроекти
aren'tні even profitableвигідний,
43
129981
4040
деякі керівники підходять до мене
і кажуть,
02:26
and I have executivesкерівники
comingприходить up to me sayingкажучи,
44
134045
2431
"Ми помічаємо те ж саме.
02:28
"We're experiencingпереживає the sameтой же thing.
45
136500
1789
Ми інвестували в певну
систему даних,
02:30
We investedвкладено in some bigвеликий dataдані systemсистема,
46
138313
1753
та наші співробітники не приймають
кращі рішення.
02:32
and our employeesспівробітники aren'tні makingвиготовлення
better decisionsрішення.
47
140090
2968
І у них вже точно не з'являються
проривні ідеї."
02:35
And they're certainlyзвичайно not comingприходить up
with more breakthroughпрорив ideasідеї."
48
143082
3162
Це все дійсно мене цікавить,
02:38
So this is all really interestingцікаво to me,
49
146914
3184
оскільки я технологічний етнограф.
02:42
because I'm a technologyтехнологія ethnographerетнографа.
50
150122
2010
Я вивчаю та надаю компаніям
02:44
I studyвивчення and I adviseраджу companiesкомпаній
51
152630
2564
зразки, як використовувати технології,
02:47
on the patternsвізерунки
of how people use technologyтехнологія,
52
155218
2483
і одним із моїх інтересів є дані.
02:49
and one of my interestінтерес areasрайони is dataдані.
53
157725
2678
Чому накопичення більшої кількості даних
не допомагає приймати кращі рішення,
02:52
So why is havingмаючи more dataдані
not helpingдопомагає us make better decisionsрішення,
54
160427
5193
особливо для тих компаній,
котрі мають всі ці ресурси
02:57
especiallyособливо for companiesкомпаній
who have all these resourcesресурси
55
165644
2783
для інвестицій у великі системи даних?
03:00
to investінвестувати in these bigвеликий dataдані systemsсистеми?
56
168451
1736
Чому їм не стає легше?
03:02
Why isn't it gettingотримувати any easierлегше for them?
57
170211
2398
03:05
So, I've witnessedбув свідком the struggleборотьба firsthandз перших рук.
58
173990
2634
Тож я на власні очі бачила цю боротьбу.
В 2009 році я розпочала своє дослідження
в Nokia.
03:09
In 2009, I startedпочався
a researchдослідження positionпозиція with NokiaNokia.
59
177374
3484
В той час
03:13
And at the time,
60
181232
1158
Nokia була однією з найбільших
компаній мобільного зв'язку у світі,
03:14
NokiaNokia was one of the largestнайбільший
cellклітина phoneтелефон companiesкомпаній in the worldсвіт,
61
182414
3158
з основними ринками
в Китаї, Мексиці та Індії --
03:17
dominatingдомінуючий emergingз'являється marketsринки
like ChinaКитай, MexicoМексика and IndiaІндія --
62
185596
3202
це все місця, де я провела
чимало досліджень про те,
03:20
all placesмісць where I had doneзроблено
a lot of researchдослідження
63
188822
2502
як люди із низьким доходом
користуються технологіями.
03:23
on how low-incomeнизький дохід people use technologyтехнологія.
64
191348
2676
І я провела чимало часу в Китаї,
03:26
And I spentвитрачений a lot of extraдодатково time in ChinaКитай
65
194048
2330
ознайомлюючись із неформальною
економікою.
03:28
gettingотримувати to know the informalнеформальний economyекономіка.
66
196402
2592
Тож я працювала вуличним
постачальником,
03:31
So I did things like workingпрацює
as a streetвулиця vendorпостачальника
67
199018
2401
продавала пельмені будівельникам.
03:33
sellingпродаж dumplingsпельмені to constructionбудівництво workersпрацівники.
68
201443
2574
Або ж я працювала в полі,
03:36
Or I did fieldworkПольові дослідження,
69
204041
1358
проводила дні та ночі
в інтернет-кафе,
03:37
spendingвитрати nightsночі and daysдні
in internetІнтернет cafКАФés,
70
205423
2958
проводила час з китайською молоддю,
щоб зрозуміти,
03:40
hangingвисять out with Chineseкитайська youthмолодь,
so I could understandзрозуміти
71
208405
2546
як вони використовують
ігри та мобільні телефони
03:42
how they were usingвикористовуючи
gamesігри and mobileмобільний phonesтелефони
72
210975
2284
та користуються ними між поїздками
від сільських районів до міст.
03:45
and usingвикористовуючи it betweenміж movingрухаючись
from the ruralсільський areasрайони to the citiesмістах.
73
213283
3370
03:50
ThroughЧерез all of this qualitativeякісні evidenceсвідчення
that I was gatheringзбір,
74
218335
3927
Завдяки зібраним мною всім
якісним доказам,
я почала ясно бачити
03:54
I was startingпочинаючи to see so clearlyчітко
75
222286
2824
ту велику зміну, яка мала відбутися
серед китайців з низьким доходом.
03:57
that a bigвеликий changeзмінити was about to happenстатися
amongсеред low-incomeнизький дохід Chineseкитайська people.
76
225134
4472
04:03
Even thoughхоча they were surroundedоточений
by advertisementsреклама for luxuryрозкіш productsпродукти
77
231020
4367
Хоча їх оточувала реклама продуктів
для високого класу,
як чудернацькі туалети --
хто б такий не хотів? --
04:07
like fancyуява toiletsтуалети --
who wouldn'tне буде want one? --
78
235411
3495
чи квартира, чи автомобіль,
04:10
and apartmentsквартири and carsавтомобілі,
79
238930
2890
розмовляючи з ними
04:13
throughчерез my conversationsрозмови with them,
80
241844
1820
я побачила, що їх найбільше вабила
реклама
04:15
I foundзнайдено out that the adsреклама
the actuallyнасправді enticedзаманив them the mostнайбільше
81
243688
3841
одного з айфонів,
04:19
were the onesті, хто for iPhonesiPhone ' ов,
82
247553
1996
що обіцяло їм квиток до
такого високотехнологічного життя.
04:21
promisingперспективний them this entryвходження
into this high-techвисокотехнологічний life.
83
249573
3052
Навіть, коли я жила з ними в таких
міських нетрях, як ось це місце,
04:25
And even when I was livingживий with them
in urbanміський slumsнетрів like this one,
84
253469
3163
то бачила людей, котрі інвестували
більшу половину свого місячного доходу
04:28
I saw people investingінвестування
over halfполовина of theirїх monthlyщомісяця incomeдохід
85
256656
2996
в покупку телефона,
04:31
into buyingпокупка a phoneтелефон,
86
259676
1623
і переважно це були "шанджай",
04:33
and increasinglyвсе частіше, they were "shanzhaishanzhai,"
87
261323
2302
дешеві підробки айфонів
та інших марок.
04:35
whichкотрий are affordableдоступний knock-offsнокаут офф
of iPhonesiPhone ' ов and other brandsбренди.
88
263649
3388
Ними можна було користуватися.
04:40
They're very usableпридатні для використання.
89
268303
1625
Вони робили свою роботу.
04:42
Does the jobробота.
90
270890
1322
Після кількох років спільного проживання
з мігрантами та роботи з ними
04:44
And after yearsроків of livingживий
with migrantsмігранти and workingпрацює with them
91
272750
5789
і просто виконуючи все,
що робили і вони,
04:50
and just really doing everything
that they were doing,
92
278563
3434
я почала складати докупи
всі ці дані --
04:54
I startedпочався piecingсклеювання
all these dataдані pointsокуляри togetherразом --
93
282021
3597
від речей, що видаються випадковими,
тоді, коли я продавала пельмені,
04:57
from the things that seemздається randomвипадковий,
like me sellingпродаж dumplingsпельмені,
94
285642
3123
до більш очевидних речей,
05:00
to the things that were more obviousочевидний,
95
288789
1804
коли відслідковувала, скільки грошей
вони витрачають на мобільні телефони.
05:02
like trackingвідстеження how much they were spendingвитрати
on theirїх cellклітина phoneтелефон billsрахунки.
96
290617
3232
Я змогла створити більш цілісне
зображення
05:05
And I was ableздатний to createстворити
this much more holisticцілісний pictureкартина
97
293873
2639
того, що відбувається.
05:08
of what was happeningвідбувається.
98
296536
1156
Саме тоді я почала усвідомлювати,
05:09
And that's when I startedпочався to realizeусвідомити
99
297716
1722
що навіть найбідніша людина в Китаї
хотіла смартфон,
05:11
that even the poorestнайбідніший in ChinaКитай
would want a smartphoneсмартфон,
100
299462
3509
і що вони зроблять майже все,
щоб отримати його.
05:14
and that they would do almostмайже anything
to get theirїх handsруки on one.
101
302995
4985
Не забувайте,
05:21
You have to keep in mindрозум,
102
309073
2404
що Айфон тільки щойно вийшов,
це було в 2009,
05:23
iPhonesiPhone ' ов had just come out, it was 2009,
103
311501
3084
тож це було 8 років тому,
05:26
so this was, like, eightвісім yearsроків agoтому назад,
104
314609
1885
і андроїд тільки почав виглядати
як айфон.
05:28
and AndroidsАндроїди had just startedпочався
looking like iPhonesiPhone ' ов.
105
316518
2437
І чимало розумних та реалістичних
людей говорили:
05:30
And a lot of very smartрозумний
and realisticреалістичні people said,
106
318979
2507
"Ці смартфони - це просто примха.
05:33
"Those smartphonesсмартфони -- that's just a fadпримха.
107
321510
2207
Хто захоче носитися із цими
тяжкими речами,
05:36
Who wants to carryносити around
these heavyважкий things
108
324243
2996
коли батареї швидко розряджаються
і розбиваються, коли падають?"
05:39
where batteriesакумулятори drainКаналізація quicklyшвидко
and they breakперерва everyкожен time you dropпадіння them?"
109
327263
3487
05:44
But I had a lot of dataдані,
110
332793
1201
Та у мене було чимало даних,
я була впевнена у своїх поглядах,
05:46
and I was very confidentвпевнений
about my insightsрозуміння,
111
334018
2260
тому я поспішила поділитися ними
з Nokia.
05:48
so I was very excitedсхвильований
to shareподілитися them with NokiaNokia.
112
336302
2829
05:53
But NokiaNokia was not convincedпереконаний,
113
341332
2517
Але Nokia було не переконати,
бо це не були великі дані.
05:55
because it wasn'tне було bigвеликий dataдані.
114
343873
2335
Вони сказали: " У нас мільйони
точок даних
05:59
They said, "We have
millionsмільйони of dataдані pointsокуляри,
115
347022
2404
і ми не бачимо жодних ознак,
що хтось хоче купити смартфон,
06:01
and we don't see any indicatorsпоказники
of anyoneбудь хто wantingбажаючий to buyкупити a smartphoneсмартфон,
116
349450
4247
а ваші дані базовані лише на ста точках,
при такому різноманітті це занадто мало,
06:05
and your dataдані setвстановити of 100,
as diverseрізноманітний as it is, is too weakслабкий
117
353721
4388
щоб ми сприйняли це серйозно."
06:10
for us to even take seriouslyсерйозно."
118
358133
1714
Я сказала, "Nokia, ви праві.
06:12
And I said, "NokiaNokia, you're right.
119
360908
1605
Звичайно, ви цього не побачите,
06:14
Of courseзвичайно you wouldn'tне буде see this,
120
362537
1560
бо ви проводите ваші дослідження
на базі того, що люди не знають,
06:16
because you're sendingвідправка out surveysопитування
assumingприпускаючи that people don't know
121
364121
3371
що таке смартфони,
06:19
what a smartphoneсмартфон is,
122
367516
1159
і тому ви не отримаєте
жодної інформації,
06:20
so of courseзвичайно you're not going
to get any dataдані back
123
368699
2366
про людей, які захочуть купити
смартфони через два роки.
06:23
about people wantingбажаючий to buyкупити
a smartphoneсмартфон in two yearsроків.
124
371089
2572
Ваші дослідженя, методи
створені,
06:25
Your surveysопитування, your methodsметоди
have been designedрозроблений
125
373685
2118
щоб оптимізувати вже існуючу
бізнес-модель,
06:27
to optimizeоптимізувати an existingіснуючий businessбізнес modelмодель,
126
375827
2022
а я шукаю серед цієї
людської динаміки,
06:29
and I'm looking
at these emergentвиникають humanлюдина dynamicsдинаміка
127
377873
2608
яка навіть ще не почала діяти.
06:32
that haven'tні happenedсталося yetвсе-таки.
128
380505
1354
Ми шукаємо поза ринковою динамікою,
06:33
We're looking outsideназовні of marketринок dynamicsдинаміка
129
381883
2438
щоб йти попереду неї."
06:36
so that we can get aheadвперед of it."
130
384345
1631
Ви знаєте, що трапилось із Nokia?
06:39
Well, you know what happenedсталося to NokiaNokia?
131
387373
2244
Їх бізнес розвалився.
06:41
TheirЇх businessбізнес fellвпав off a cliffСкеля.
132
389641
2365
Це ціна того, на що вони
не звернули увагу.
06:44
This -- this is the costвартість
of missingвідсутній something.
133
392791
3727
Цього не можна було передбачити.
06:49
It was unfathomableнезбагненною.
134
397163
1999
Та Nokia не єдині.
06:52
But Nokia'sNokia not aloneпоодинці.
135
400003
1651
Я бачила організації,
які весь час зневажали дані,
06:54
I see organizationsорганізації
throwingкидати out dataдані all the time
136
402258
2581
бо вони брались не від статистичної
моделі,
06:56
because it didn't come from a quantКвант modelмодель
137
404863
2561
або не узгоджувались із нею.
06:59
or it doesn't fitпридатний in one.
138
407448
1768
Але це не вина великих даних.
07:02
But it's not bigвеликий data'sданих faultвини.
139
410219
2048
Це спосіб, у який ми користуємось
великими даними; це наша відповідальність.
07:04
It's the way we use bigвеликий dataдані;
it's our responsibilityвідповідальність.
140
412942
3907
Успішна репутація великих даних
07:09
BigВеликий data'sданих reputationрепутація for successуспіх
141
417730
1911
береться зі статистичної оцінки
дуже специфічних середовищ,
07:11
comesприходить from quantifyingкількісної оцінки
very specificконкретний environmentsсередовища,
142
419665
3759
таких як електромережі, логістика доставок
чи генетичний код,
07:15
like electricityелектрика powerвлада gridsсітки
or deliveryдоставка logisticsлогістика or geneticгенетичний codeкод,
143
423448
4913
коли ми оцінюємо
більш-менш локалізовані системи.
07:20
when we're quantifyingкількісної оцінки in systemsсистеми
that are more or lessменше containedміститься.
144
428385
4318
Та не всі системи
є струнко організованими.
07:24
But not all systemsсистеми
are as neatlyакуратно containedміститься.
145
432727
2969
Коли ви робите перелік,
а системи є більш динамічними,
07:27
When you're quantifyingкількісної оцінки
and systemsсистеми are more dynamicдинамічний,
146
435720
3258
особливо системи,
які залучають людський фактор,
07:31
especiallyособливо systemsсистеми
that involveзалучити humanлюдина beingsістоти,
147
439002
3799
складні та непередбачувані сили,
07:34
forcesсили are complexкомплекс and unpredictableнепередбачуваний,
148
442825
2426
і всі інші речі, які ми не знаємо,
як саме внести до плану.
07:37
and these are things
that we don't know how to modelмодель so well.
149
445275
3486
Коли ти передбачиш
щось у людській поведінці,
07:41
OnceОдного разу you predictпередбачати something
about humanлюдина behaviorповедінка,
150
449204
2813
то виникне новий фактор,
07:44
newновий factorsфактори emergeз'являються,
151
452041
1855
бо умови
постійно змінюються.
07:45
because conditionsумови
are constantlyпостійно changingзмінюється.
152
453920
2365
Саме тому це нескінченний цикл.
07:48
That's why it's a never-endingнескінченна cycleцикл.
153
456309
1803
Ви думаєте, що щось знаєте,
07:50
You think you know something,
154
458136
1464
а тоді на картинці з'являється
щось невідоме.
07:51
and then something unknownНевідомий
entersвходить the pictureкартина.
155
459624
2242
Саме тому залежність
лише від великих даних
07:53
And that's why just relyingпокладаючись
on bigвеликий dataдані aloneпоодинці
156
461890
3322
збільшує шанси, на те що щось
пройде повз нашу увагу,
07:57
increasesзбільшується the chanceшанс
that we'llдобре missміс something,
157
465236
2849
але в той же час дає нам ілюзію
того, що ми вже все знаємо.
08:00
while givingдавати us this illusionілюзія
that we alreadyвже know everything.
158
468109
3777
Через що ми дійсно не помічаємо
цей парадокс,
08:04
And what makesробить it really hardважко
to see this paradoxпарадокс
159
472406
3856
08:08
and even wrapобернути our brainsмозок around it
160
476286
2659
та навіть озброюємо себе цим,
це річ, яку я називаю
кількісним зміщенням,
08:10
is that we have this thing
that I call the quantificationкількісне визначення biasупередження,
161
478969
3691
кількісна несвідома віра у перевагу
вимірюваного
08:14
whichкотрий is the unconsciousнесвідоме beliefвіра
of valuingоцінки the measurableвимірні
162
482684
3922
над невимірним.
08:18
over the immeasurableнезміряну.
163
486630
1594
Ми часто спостерігаємо це на роботі.
08:21
And we oftenчасто experienceдосвід this at our work.
164
489222
3284
Можливо, ми працюємо поруч
із такими колегами
08:24
Maybe we work alongsideпоряд з
colleaguesколеги who are like this,
165
492530
2650
чи, можливо, з цілою компанією,
08:27
or even our wholeцілий entireцілий
companyкомпанія mayможе be like this,
166
495204
2428
де люди стають такими
націленими на числа,
08:29
where people becomeстати
so fixatedфіксується on that numberномер,
167
497656
2546
що не помічають нічого поза ними,
08:32
that they can't see anything
outsideназовні of it,
168
500226
2067
навіть, коли ви показуєте їм очевидні
речі прямо перед їх носом.
08:34
even when you presentприсутній them evidenceсвідчення
right in frontфронт of theirїх faceобличчя.
169
502317
3948
Це повідомлення із закликом,
08:39
And this is a very appealingоскарження messageповідомлення,
170
507123
3371
бо в кількісній оцінці немає
нічого поганого,
08:42
because there's nothing
wrongнеправильно with quantifyingкількісної оцінки;
171
510518
2343
власне, це дуже добре.
08:44
it's actuallyнасправді very satisfyingзадоволення.
172
512885
1430
Я відчуваю такий комфорт при перегляді
таблиці Excel,
08:46
I get a great senseсенс of comfortкомфорт
from looking at an ExcelExcel spreadsheetелектронна таблиця,
173
514339
4362
навіть дуже простої.
08:50
even very simpleпростий onesті, хто.
174
518725
1401
(Сміх)
08:52
(LaughterСміх)
175
520150
1014
Хочеться сказати:
08:53
It's just kindдоброзичливий of like,
176
521188
1152
"Так! Формула працює. Все чудово.
Все під контролем.
08:54
"Yes! The formulaформула workedпрацював. It's all OK.
Everything is underпід controlКОНТРОЛЬ."
177
522364
3504
Але проблема в тому,
08:58
But the problemпроблема is
178
526792
2390
що кількісна оцінка викликає звикання.
09:01
that quantifyingкількісної оцінки is addictiveзвикання.
179
529206
2661
І коли ми це забуваємо,
09:03
And when we forgetзабувай that
180
531891
1382
у нас немає нічого, що можна
нанести на чек,
09:05
and when we don't have something
to kindдоброзичливий of keep that in checkперевірити,
181
533297
3038
тож викинути дані дуже легко,
09:08
it's very easyлегко to just throwкинути out dataдані
182
536359
2118
бо їх не можна показати кількісно.
09:10
because it can't be expressedвиражений
as a numericalчисловий valueвартість.
183
538501
2718
Дуже легко просто шукати
парочку-виручалочку,
09:13
It's very easyлегко just to slipковзати
into silver-bulletСрібло куля thinkingмислення,
184
541243
2921
ніби існує якесь просте рішення.
09:16
as if some simpleпростий solutionрішення existedіснував.
185
544188
2579
Це небезпечний момент
для будь-якої організації,
09:19
Because this is a great momentмомент of dangerнебезпека
for any organizationорганізація,
186
547600
4062
бо часто майбутнє,
яке нам потрібно передбачити --
09:23
because oftentimesчасто,
the futureмайбутнє we need to predictпередбачати --
187
551686
2634
не в тому стозі сіна,
09:26
it isn't in that haystackкопиці сіна,
188
554344
2166
а в торнадо, яке викидає нас
09:28
but it's that tornado"Торнадо"
that's bearingпідшипник down on us
189
556534
2538
із амбару.
09:31
outsideназовні of the barnсарай.
190
559096
1488
09:34
There is no greaterбільший riskризик
191
562960
2326
Небає більшого ризику,
ніж не бачити невідоме.
09:37
than beingбуття blindсліпий to the unknownНевідомий.
192
565310
1666
Ви можете прийняти неправильне
рішення.
09:39
It can causeпричина you to make
the wrongнеправильно decisionsрішення.
193
567000
2149
Ви можете пропустити щось
велике.
09:41
It can causeпричина you to missміс something bigвеликий.
194
569173
1974
Але ми не маємо йти
цією стежкою.
09:43
But we don't have to go down this pathшлях.
195
571734
3101
Виявляється, що оракул
стародавньої Греції,
09:47
It turnsвиявляється out that the oracleоракул
of ancientстародавній GreeceГреція
196
575453
3195
має таємний ключ, який
направляє нас по стежці.
09:50
holdsтримає the secretтаємниця keyключ
that showsшоу us the pathшлях forwardвперед.
197
578672
3966
Сучасні геологічні дослідження
показали,
09:55
Now, recentостаннім часом geologicalгеологічний researchдослідження has shownпоказано
198
583654
2595
що храм Аполлона, одне з найбільших місць
розташування оракулів,
09:58
that the TempleХрам of ApolloApollo,
where the mostнайбільше famousзнаменитий oracleоракул satсидів,
199
586273
3564
був побудований
на двох геологічних розломах.
10:01
was actuallyнасправді builtпобудований
over two earthquakeземлетрус faultsнесправності.
200
589861
3084
І ці розломи вивільняли
нафтохімічні випаровування
10:04
And these faultsнесправності would releaseвипуск
these petrochemicalнафтохімічний fumesГази
201
592969
2886
з-під земної кори,
10:07
from underneathвнизу the Earth'sЗемлі crustглазурі кондитерські,
202
595879
1685
тож оракули буквально сиділи
на цих розломах
10:09
and the oracleоракул literallyбуквально satсидів
right aboveвище these faultsнесправності,
203
597588
3866
і вдихали неймовірну кількість
етиленового газу з цих тріщин.
10:13
inhalingвдихаючи enormousвеличезний amountsсуми
of ethyleneетилен gasгаз, these fissuresтріщини.
204
601478
3588
(Сміх)
10:17
(LaughterСміх)
205
605090
1008
Це правда.
10:18
It's trueправда.
206
606122
1173
(Сміх)
10:19
(LaughterСміх)
207
607319
1017
Це все правда, саме це змушувало
її бубніти та бачити галюцинації
10:20
It's all trueправда, and that's what madeзроблений her
babbleBabble and hallucinateгалюцинації
208
608360
3509
і поринати в стан трансу.
10:23
and go into this trance-likeТранс, як stateдержава.
209
611893
1724
Вона літала в височині!
10:25
She was highвисокий as a kiteкайт!
210
613641
1770
(Сміх)
10:27
(LaughterСміх)
211
615435
4461
Як комусь...
10:31
So how did anyoneбудь хто --
212
619920
2779
Як комусь вдавалось
отримати від неї корисну пораду
10:34
How did anyoneбудь хто get
any usefulкорисний adviceпоради out of her
213
622723
3030
в такому стані?
10:37
in this stateдержава?
214
625777
1190
Ви бачите людей поруч з оракулом?
10:39
Well, you see those people
surroundingоточуючих the oracleоракул?
215
627497
2381
Ви бачите, що вони піднімають її,
10:41
You see those people holdingпроведення her up,
216
629902
1879
бо вона наче сп'яніла?
10:43
because she's, like, a little woozyочманілий?
217
631805
1717
І бачите того хлопця зліва,
10:45
And you see that guy
on your left-handліва рука sideсторона
218
633546
2308
котрий тримає оранжеву книгу?
10:47
holdingпроведення the orangeапельсин notebookноутбук?
219
635878
1598
Вони були охоронцями храму
10:50
Well, those were the templeхрам guidesнапрямні,
220
638105
1730
і працювали пліч-о-пліч
з оракулом.
10:51
and they workedпрацював handрука in handрука
with the oracleоракул.
221
639859
3016
Коли приходили прохачі
і ставали на коліна,
10:56
When inquisitorsінквізитори would come
and get on theirїх kneesколіна,
222
644084
2516
саме тоді починали працювати
охоронці храму,
10:58
that's when the templeхрам guidesнапрямні
would get to work,
223
646624
2340
бо коли вони задавали
їй питання,
11:00
because after they askedзапитав her questionsпитання,
224
648988
1864
вони дивились на їх емоційний стан
11:02
they would observeспостерігати theirїх emotionalемоційний stateдержава,
225
650876
2001
і запитували наступне:
11:04
and then they would askзапитай them
follow-upFollow-Up questionsпитання,
226
652901
2324
"Чому ти хочеш це пророцтво?
Хто ти?
11:07
like, "Why do you want to know
this prophecyпророцтво? Who are you?
227
655249
2834
Що ти хочеш зробити
з цією інформацієїю?"
11:10
What are you going to do
with this informationінформація?"
228
658107
2264
А потім охоронці храму
візьмуть цю етнографічну,
11:12
And then the templeхрам guidesнапрямні would take
this more ethnographicетнографічний,
229
660395
3182
більш якісну інформацію,
11:15
this more qualitativeякісні informationінформація,
230
663601
2156
і перекладуть
бурмотіння оракула.
11:17
and interpretінтерпретувати the oracle'sOracle babblingsbabblings.
231
665781
2075
11:21
So the oracleоракул didn't standстояти aloneпоодинці,
232
669428
2292
Тож оракул не працює один,
так само має бути із нашою
системою великих даних.
11:23
and neitherні should our bigвеликий dataдані systemsсистеми.
233
671744
2148
Пояснюю ще раз,
11:26
Now to be clearясно,
234
674630
1161
я не хочу сказати, що система великих даних
вдихає етиленовий газ
11:27
I'm not sayingкажучи that bigвеликий dataдані systemsсистеми
are huffingHuffing ethyleneетилен gasгаз,
235
675815
3459
або видає
неправильні передбачення.
11:31
or that they're even givingдавати
invalidнеприпустимі predictionsпрогнози.
236
679298
2353
Ні, зовсім протилежне.
11:33
The totalзагальна кількість oppositeнавпаки.
237
681675
1161
Я хочу сказати,
11:34
But what I am sayingкажучи
238
682860
2068
що так само, як оракулові були потрібні
охоронці храму,
11:36
is that in the sameтой же way
that the oracleоракул neededнеобхідний her templeхрам guidesнапрямні,
239
684952
3832
так само їх потребує і наша система.
11:40
our bigвеликий dataдані systemsсистеми need them, too.
240
688808
2288
Їм потрібні такі люди, як етнографи,
дослідники користувачів,
11:43
They need people like ethnographersетнографів
and userкористувач researchersдослідники
241
691120
4109
щоб зібрати те, що я називаю
насиченими даними.
11:47
who can gatherзібрати what I call thickгустий dataдані.
242
695253
2506
Це цінні дані від людей,
11:50
This is preciousдорогоцінний dataдані from humansлюди,
243
698502
2991
як історії, емоції та спілкування,
які не перевести в числа.
11:53
like storiesоповідання, emotionsемоції and interactionsвзаємодії
that cannotне можу be quantifiedкількісно.
244
701517
4102
Це ті дані, які я зібрала
для Nokia,
11:57
It's the kindдоброзичливий of dataдані
that I collectedзібрані for NokiaNokia
245
705643
2322
що мають форму дуже маленького
зразка,
11:59
that comesприходить in in the formформа
of a very smallмаленький sampleзразок sizeрозмір,
246
707989
2669
але несуть в собі неймовірне значення.
12:02
but deliversдоставляє incredibleнеймовірний depthглибина of meaningсенс.
247
710682
2955
Такими насиченими та значними
їх робить
12:05
And what makesробить it so thickгустий and meatyм'ясисті
248
713661
3680
досвід розуміння
людської природи.
12:10
is the experienceдосвід of understandingрозуміння
the humanлюдина narrativeрозповідь.
249
718445
4029
Це допомагає побачити, чого не вистачає
в наших моделях.
12:14
And that's what helpsдопомагає to see
what's missingвідсутній in our modelsмоделі.
250
722498
3639
насичені дані приземляють питання бізнесу
до питань людини,
12:18
ThickТовста dataдані groundsпідстави our businessбізнес questionsпитання
in humanлюдина questionsпитання,
251
726851
4045
і саме тому інтеграція великих
та насичених даних
12:22
and that's why integratingінтеграція
bigвеликий and thickгустий dataдані
252
730920
3562
дає більш комплексну картину.
12:26
formsформи a more completeзавершити pictureкартина.
253
734506
1689
Великі дані можуть показати
масштабне розуміння
12:28
BigВеликий dataдані is ableздатний to offerпропозиція
insightsрозуміння at scaleмасштаб
254
736772
2881
та використовують всі можливості
машинного інтелекту,
12:31
and leverageважелі впливу the bestнайкраще
of machineмашина intelligenceрозвідка,
255
739677
2647
в той час, як насичені дані можуть
допомогти врятувати контекст,
12:34
whereasв той час як thickгустий dataдані can help us
rescueпорятунок the contextконтекст lossвтрата
256
742348
3572
що втрачається при використанні
великих даних,
12:37
that comesприходить from makingвиготовлення bigвеликий dataдані usableпридатні для використання,
257
745944
2098
та зможуть використати всі можливості
людського інтелекту.
12:40
and leverageважелі впливу the bestнайкраще
of humanлюдина intelligenceрозвідка.
258
748066
2181
І коли ви поєднаєте їх,
то буде справді цікаво,
12:42
And when you actuallyнасправді integrateінтегрувати the two,
that's when things get really funвесело,
259
750271
3552
бо ви вже не працюватимете
12:45
because then you're no longerдовше
just workingпрацює with dataдані
260
753847
2436
із зібраними даними.
12:48
you've alreadyвже collectedзібрані.
261
756307
1196
Ви будете працювати
із ще не зібраними даними.
12:49
You get to alsoтакож work with dataдані
that hasn'tне має been collectedзібрані.
262
757527
2737
Ви ставитимете питання чому:
12:52
You get to askзапитай questionsпитання about why:
263
760288
1719
Чому це відбувається?
12:54
Why is this happeningвідбувається?
264
762031
1317
Коли в компанії Netflix зробили це,
12:55
Now, when NetflixNetflix did this,
265
763778
1379
вони відкрили абсолютно новий
шлях для зміни бізнесу.
12:57
they unlockedрозблокована a wholeцілий newновий way
to transformперетворити theirїх businessбізнес.
266
765181
3035
Netflix стали відомими за свій
справді чудовий алгоритм корисних дій,
13:01
NetflixNetflix is knownвідомий for theirїх really great
recommendationрекомендація algorithmалгоритм,
267
769406
3956
і вони мали приз для кожного,
хто зміг би поліпшити його.
13:05
and they had this $1 millionмільйон prizeприз
for anyoneбудь хто who could improveполіпшити it.
268
773386
4797
І були переможці.
13:10
And there were winnersпереможці.
269
778207
1314
Та Netflix помітили, що всі зміни
підходили лише для першого етапу.
13:12
But NetflixNetflix discoveredвідкритий
the improvementsполіпшення were only incrementalінкрементний.
270
780255
4323
Щоб зрозуміти, що відбувається
насправді,
13:17
So to really find out what was going on,
271
785404
1964
вони запросили етнографа
Гранта МакКракена,
13:19
they hiredнайнятий an ethnographerетнографа,
GrantГрант McCrackenМаккракен,
272
787392
3741
щоб він зібрав насичені дані.
13:23
to gatherзібрати thickгустий dataдані insightsрозуміння.
273
791157
1546
Він відкрив те, що вони спочатку
і не помічали
13:24
And what he discoveredвідкритий was something
that they hadn'tне було seenбачив initiallyспочатку
274
792727
3924
в числових даних.
13:28
in the quantitativeкількісний dataдані.
275
796675
1355
Він помітив, що люди обожнюють
тупитися в телевізор.
13:31
He discoveredвідкритий that people lovedлюбив
to binge-watchвипивка дивитися.
276
799072
2728
Фактично, їх за це не мучить совість.
13:33
In factфакт, people didn't even
feel guiltyвинний about it.
277
801824
2353
Їм це подобається.
13:36
They enjoyedнасолоджувався it.
278
804201
1255
(Сміх)
13:37
(LaughterСміх)
279
805480
1026
Тож Netflix сказали:
"О. Це новий погляд."
13:38
So NetflixNetflix was like,
"Oh. This is a newновий insightв поле зору."
280
806530
2356
Вони звернулися
до своєї наукової команди з даних,
13:40
So they wentпішов to theirїх dataдані scienceнаука teamкоманда,
281
808910
1938
і вже змогли
виміряти нові дані
13:42
and they were ableздатний to scaleмасштаб
this bigвеликий dataдані insightв поле зору
282
810872
2318
поруч із чисельними даними.
13:45
in with theirїх quantitativeкількісний dataдані.
283
813214
2587
Як тільки вони засвідчили це,
13:47
And onceодин раз they verifiedперевірено it
and validatedперевірено it,
284
815825
3170
Netflix вирішили зробити
дещо просте, але значне.
13:51
NetflixNetflix decidedвирішив to do something
very simpleпростий but impactfulimpactful.
285
819019
4761
Вони сказали, що замість того, щоб
пропонувати те ж саме шоу в різних жанрах
13:56
They said, insteadзамість цього of offeringпропозиція
the sameтой же showпоказати from differentінший genresжанри
286
824834
6492
чи різні шоу від подібних ведучих,
14:03
or more of the differentінший showsшоу
from similarподібний usersкористувачів,
287
831350
3888
ми просто запропонуємо більше
того самого шоу.
14:07
we'llдобре just offerпропозиція more of the sameтой же showпоказати.
288
835262
2554
Ваше зависання з телевізором
ми зробимо легшим.
14:09
We'llМи будемо make it easierлегше
for you to binge-watchвипивка дивитися.
289
837840
2105
Вони на зупинились на цьому.
14:11
And they didn't stop there.
290
839969
1486
Вони зробили все можливе,
14:13
They did all these things
291
841479
1474
щоб переробити весь глядацький
досвід,
14:14
to redesignредизайн theirїх entireцілий
viewerглядач experienceдосвід,
292
842977
2959
щоб справді заохотити
споглядання телевізора.
14:17
to really encourageзаохочувати binge-watchingспостерігаючи запою.
293
845960
1758
Саме тому люди та їх знайомі зникають
на цілі вихідні в один і той же час,
14:20
It's why people and friendsдрузі disappearзникати
for wholeцілий weekendsвихідні at a time,
294
848230
3241
присівши на шоу типу
"Майстер не на всі руки".
14:23
catchingловити up on showsшоу
like "MasterМайстер of NoneЖоден."
295
851495
2343
Поєднавши великі дані та грубі дані,
вони не тільки покращили свій бізнес,
14:25
By integratingінтеграція bigвеликий dataдані and thickгустий dataдані,
they not only improvedпокращився theirїх businessбізнес,
296
853862
4173
але і трансформували спосіб
споживання телебачення.
14:30
but they transformedтрансформується how we consumeспоживати mediaЗМІ.
297
858059
2812
А зараз їх акції у наступні кілька років
за прогнозами збільшаться.
14:32
And now theirїх stocksакції are projectedпроектований
to doubleподвійний in the nextдалі fewмало хто yearsроків.
298
860895
4552
Це не просто означає більше
дивитися більше відео
14:38
But this isn't just about
watchingдивитися more videosвідеоролики
299
866280
3830
чи продавати більше смартфонів.
14:42
or sellingпродаж more smartphonesсмартфони.
300
870134
1620
Для деяких приєднання насичених даних
до алгоритмів
14:44
For some, integratingінтеграція thickгустий dataдані
insightsрозуміння into the algorithmалгоритм
301
872143
4050
буде питанням життя і смерті,
14:48
could mean life or deathсмерть,
302
876217
2263
особливо для соціально
відокремлених.
14:50
especiallyособливо for the marginalizedмаргінальних.
303
878504
2146
По всій країні поліцейські відділи
використовують великі дані
14:53
All around the countryкраїна,
policeполіція departmentsкафедри are usingвикористовуючи bigвеликий dataдані
304
881738
3434
для прогнозу поліцейської діяльності,
14:57
for predictiveІнтелектуальне policingполіцейські,
305
885196
1963
щоб встановити сталі числа
та рекомендації щодо винесення вироку,
14:59
to setвстановити bondоблігація amountsсуми
and sentencingвинесення вироків recommendationsрекомендації
306
887183
3084
щоб змінити існуючі настрої.
15:02
in waysшляхи that reinforceпідкріпити existingіснуючий biasesупередження.
307
890291
3147
Алгоритм НАСА навчання машин Skynet
(Скайнет)
15:06
NSA'sВід NSA SkynetSkyNet machineмашина learningнавчання algorithmалгоритм
308
894296
2423
можливо, посприяв смерті тисяч
цивільних в Пакистані
15:08
has possiblyможливо aidedсистем автоматизованого in the deathsсмерть
of thousandsтисячі of civiliansцивільних осіб in PakistanПакистан
309
896743
5444
від неправильного прочитання метаданих
стільникового пристрою.
15:14
from misreadingрезультатом неправильного тлумачення cellularстільниковий deviceпристрій metadataметадані.
310
902211
2721
15:19
As all of our livesживе becomeстати more automatedавтоматизований,
311
907131
3403
Життя всіх стало більш автоматизованим,
від автомобілів до медичної страхівки
чи до пошуку роботи,
15:22
from automobilesавтомобілі to healthздоров'я insuranceстрахування
or to employmentзайнятість,
312
910558
3080
ймовірно, на всіх нас
15:25
it is likelyшвидше за все that all of us
313
913662
2350
впливають чисельні дані.
15:28
will be impactedвплив
by the quantificationкількісне визначення biasупередження.
314
916036
2989
15:32
Now, the good newsновини
is that we'veми маємо come a long way
315
920972
2621
Тепер, гарні новини,
до яких ми довго йшли
від запаху етиленового газу
до прогнозів.
15:35
from huffingHuffing ethyleneетилен gasгаз
to make predictionsпрогнози.
316
923617
2450
У нас є кращі пристрої,
тож давайте їх краще використовувати.
15:38
We have better toolsінструменти,
so let's just use them better.
317
926091
3070
Давайте інтегрувати великі дані
з насиченими даними.
15:41
Let's integrateінтегрувати the bigвеликий dataдані
with the thickгустий dataдані.
318
929185
2323
Давайте поєднаємо наших охоронців храму
з оракулом,
15:43
Let's bringпринести our templeхрам guidesнапрямні
with the oraclesОракули,
319
931532
2261
немає значення, чи це трапляється
в компаніях, благодійних організаціях,
15:45
and whetherчи то this work happensбуває
in companiesкомпаній or nonprofitsнекомерційні організації
320
933817
3376
урядах чи навіть в програмах,
15:49
or governmentуряд or even in the softwareпрограмне забезпечення,
321
937217
2469
все це має значення,
15:51
all of it mattersмає значення,
322
939710
1792
бо означає,
що ми всі разом змогли
15:53
because that meansзасоби
we're collectivelyколективно committedвчинено
323
941526
3023
створити кращі дані,
15:56
to makingвиготовлення better dataдані,
324
944573
2191
кращі алгоритми, кращі результати
15:58
better algorithmsалгоритми, better outputsвиходи
325
946788
1836
та кращі рішення.
16:00
and better decisionsрішення.
326
948648
1643
Саме так ми не пропустимо
чогось важливого.
16:02
This is how we'llдобре avoidуникати
missingвідсутній that something.
327
950315
3558
16:07
(ApplauseОплески)
328
955222
3948
(Оплески)
Translated by Inna Fedorenko
Reviewed by Khrystyna Romashko

▲Back to top

ABOUT THE SPEAKER
Tricia Wang - Technology ethnographer
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers.

Why you should listen

For Tricia Wang, human behavior generates some of the most perplexing questions of our times. She has taught global organizations how to identify new customers and markets hidden behind their data, amplified IDEO's design thinking practice as an expert-in-residence, researched the social evolution of the Chinese internet, and written about the "elastic self," an emergent form of interaction in a virtual world. Wang is the co-founder of Sudden Compass, a consulting firm that helps companies unlock new growth opportunities by putting customer obsession into practice.

Wang's work has been featured in The Atlantic, Al Jazeera, and The Guardian. Fast Company spotlighted her work in China: "What Twitter Can Learn From Weibo: Field Notes From Global Tech Ethnographer Tricia Wang." In her latest op-ed on Slate, she discusses how attempts to stop terrorists on social media can harm our privacy and anonymity. Her Medium post, "Why Big Data Needs Thick Data," is a frequently cited industry piece on the importance of an integrated data approach. One of her favorite essays documents her day in the life of working as a street vendor in China.

Known for her lively presentations that are grounded in her research and observations about human behavior and data, Wang has spoken at organizations such as Proctor & Gamble, Nike, Wrigley, 21st Century Fox and Tumblr. Her most recent talk at Enterprise UX delved into why corporate innovation usually doesn’t work and what to do about it. She delivered the opening keynote at The Conference to a crowd of marketers and creatives, delving into the wild history of linear perspective and its influence on how we think and form organizations.

Wang holds affiliate positions at Data & Society, Harvard University's Berkman Klein Center for Internet Studies and New York University's Interactive Telecommunication Program. She oversees Ethnography Matters, a site that publishes articles about applied ethnography and technology. She co-started a Slack community for anyone who uses ethnographic methods in industry.

Wang began her career as a documentary filmmaker at NASA, an HIV/AIDS activist, and an educator specializing in culturally responsive pedagogy. She is also proud to have co-founded the first national hip-hop education initiative, which turned into the Hip Hop Education Center at New York University, and to have built after-school technology and arts programs for low-income youth at New York City public schools and the Queens Museum of Arts. Her life philosophy is that you have to go to the edge to discover what’s really happening. She's the proud companion of her internet famous dog, #ellethedog.

More profile about the speaker
Tricia Wang | Speaker | TED.com