TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
سباستین وِرنیک: چگونه از اطلاعات برای ساختن برنامه‌های تلویزونی موفق استفاده کنیم
Filmed:
Readability: 4
1,628,704 views
آیا جمع کردن اطلاعات به تصمیم‌گیری بهتر منجر می‌شود؟ شرکت های رقابت‌جو و خوره اطلاعات مثل گوگل، نتفلیکس و آمازون فهمیده‌اند که صرفاً تحلیل اطلاعات همیشه به بهترین نتیجه ختم نمی‌شود. در این سخنرانی، سباستین وِرنیک که دانشمند داده‌هاست، این قضیه را واشکافی می‌کند که چرا تصمیم‌گیری صِرف بر اساس اطلاعات ممکن است به مسیر اشتباه برود(والبته یه راه مغزمدارتر هم پیشنهاد می‌کند).
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
احتمالا بیشتر ما اسم "روی پرایس"
رو نشنیدیم،
رو نشنیدیم،
00:17
even though he may have been responsible
1
5120
2496
با اینکه مسئول
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
۲۲ دقیقه از اوقات نه چندان خوبه شما
در ۱۹ آوریل سال ۲۰۱۳ بوده.
در ۱۹ آوریل سال ۲۰۱۳ بوده.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
از طرفی هم شاید مسئول ۲۲ دقیقه بسیار
سرگرم کننده از اوقات شما بوده،
سرگرم کننده از اوقات شما بوده،
00:29
but not very many of you.
4
17760
2256
البته نه برای خیلیهاتون.
00:32
And all of that goes back to a decision
5
20040
1896
همه اینها به تصمیمی برمیگرده
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
که "رُوی" سه سال پیش باید میگرفت.
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
میدونید، "روی پرایس" یکی از مدیران اجرایی
بالا رتبه در آمازون استودیوز هست.
بالا رتبه در آمازون استودیوز هست.
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
شرکت تولیدکننده محصولات
رسانه‌ای متعلق به آمازون.
رسانه‌ای متعلق به آمازون.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
اون ۲۷ سال داره، لاغره، موهاش تیغ تیغیه،
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
خودش توی "توئیتر" میگه اهل سینما، تلویزیون،
تکنولوژی و پیراشکی مکزیکیه.
تکنولوژی و پیراشکی مکزیکیه.
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
خوب "روی پرایس" کار حساسی داره
چون مسئولیتش اینه که
چون مسئولیتش اینه که
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
برنامه‌هایی رو انتخاب کنه که
آمازون قراره اونا رو بسازه.
آمازون قراره اونا رو بسازه.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
و بدون شک در فضای رقابتی
شدیدی فعالیت میکنه.
شدیدی فعالیت میکنه.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
چون برنامه‌های تلویزیونی
خیلی زیادی وجود دارن،
خیلی زیادی وجود دارن،
01:06
that Roy can't just choose any show.
15
54400
2176
"روی" هر برنامه‌ای هم
نمیتونه انتخاب کنه.
نمیتونه انتخاب کنه.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
اون باید برنامه‌های رو انتخاب کنه
که واقعاً عالی هستن.
که واقعاً عالی هستن.
01:12
So in other words, he has to find shows
17
60720
2816
یعنی باید دنبال برنامه‌هایی باشه که
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
در انتهای سمت راست این منحنی بشینن،
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
این منحنی نشون دهنده
توزیع رتبه بندیِ
توزیع رتبه بندیِ
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
حدوداً ۲,۵۰۰ برنامه تلویزیونی
در تارنمایه IMDB هست،
در تارنمایه IMDB هست،
01:25
and the rating goes from one to 10,
21
73040
2896
و این رتبه بندی از یک تا ده هست.
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
و محور عمودی نشون میده چه تعداد
برنامه اون رتبه رو دارن،
برنامه اون رتبه رو دارن،
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
خوب اگر برنامه شما رتبه ۹ یا بالاتر
رو داشته باشه، برنده شده.
رو داشته باشه، برنده شده.
01:35
Then you have a top two percent show.
24
83680
1816
یعنی رتبه برنامتون
خیلی بالاست.
خیلی بالاست.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
سریالهایی مثل "Breaking Bad"
، "Game of Thrones" و "The Wire".
، "Game of Thrones" و "The Wire".
01:41
so all of these shows that are addictive,
26
89440
2296
همه این سریالها اعتیاد آورن.
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
بعد از اینکه فصل اول رو ببینید
انگار مغزتون میگه،
انگار مغزتون میگه،
01:46
"Where can I get more of these episodes?"
28
94840
2176
«کجا میتونم قسمت های
بعدی رو پیدا کنم؟»
بعدی رو پیدا کنم؟»
01:49
That kind of show.
29
97040
1200
منظورم این برنامه‌هاست.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
برای اینکه روشنتون کنم سمت چپ
یعنی در این انتها،
یعنی در این انتها،
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
برنامه هایی مثله "Toddlers and Tiaras"
وجود دارنــ
وجود دارنــ
01:56
(Laughter)
32
104640
2656
(خنده)
01:59
-- which should tell you enough
33
107320
1536
ــکه به اندازه کافی بهتون میگه
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
انتهای این منحنی چی میگذره.
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
"روی پرایس" نگران این نیست که
به انتهای چپ این منحنی برسه،
به انتهای چپ این منحنی برسه،
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
چون من فکر کنم آدم باید واقعاً
قدرت ذهنی بالایی داشته باشه که
قدرت ذهنی بالایی داشته باشه که
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
Toddlers and Tiarasرو
زیرقیمت بفروشه.
زیرقیمت بفروشه.
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
نگرانیه اصلی اون چیزیه که
وسط این منحنی میگذره،
وسط این منحنی میگذره،
02:15
the bulge of average TV,
39
123920
1816
یعنی برنامه‌های متوسط،
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
منظورم برنامه‌هایی که
نه خیلی خوبن نه خیلی بد،
نه خیلی خوبن نه خیلی بد،
02:20
they don't really get you excited.
41
128639
1656
برنامه‌هایی که شما رو به وجد نمیارن.
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
اون میخواست مطمئن شه که واقعاً در
انتهای درست این ماجرا قرار بگیره.
انتهای درست این ماجرا قرار بگیره.
02:27
So the pressure is on,
43
135200
1576
پس همچنان فشار ادامه داره،
02:28
and of course it's also the first time
44
136800
2176
و البته اولین باریه که
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
آمازون داره چنین کاری انجام میده
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
پس "روی پرایس" نمیخواد
پای شانس رو بکشه وسط.
پای شانس رو بکشه وسط.
02:36
He wants to engineer success.
47
144560
2456
بلکه میخواست موفقیت رو مهندسی کنه.
02:39
He needs a guaranteed success,
48
147040
1776
اون باید موفقیت رو ضمانت کنه،
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
پس برای انجام این کار
یه مسابقه برگزار کرد.
یه مسابقه برگزار کرد.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
برای این کار تعدادی ایده برای ساخت
برنامه‌های تلویزیونی جمع کرد،
برنامه‌های تلویزیونی جمع کرد،
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
و با ارزیابی اون ایده‌ها،
02:48
they select eight candidates for TV shows,
52
156920
4096
هشت کاندیدا برای برنامه‌های
تلویزیونی انتخاب کردند،
تلویزیونی انتخاب کردند،
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
و قسمت اول هر کدوم از این
برنامه‌ها رو تهیه کرد
برنامه‌ها رو تهیه کرد
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
و اون برنامه‌ها را به صورت رایگان
روی اینترنت گذاشت تا همه ببینن.
روی اینترنت گذاشت تا همه ببینن.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
خوب وقتی آمازون چیزی رو
رایگان میذاره،
رایگان میذاره،
03:01
you're going to take it, right?
56
169720
1536
شما هم تماشایش میکنید، نه؟
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
خوب الان میلیونها نفر دارن
این برنامه‌ها رو میبینن.
این برنامه‌ها رو میبینن.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
اما نمیدونن که
درحالی که دارن برنامشون رو میبینن،
درحالی که دارن برنامشون رو میبینن،
03:11
actually, they are being watched.
59
179680
2296
در واقع تحت نظرند.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
"روی پرایس" و تیمش در حال تماشا
کردن اونا هستن،
کردن اونا هستن،
03:16
who record everything.
61
184360
1376
و همه چیز رو ثبت میکنن.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
اونها ثبت میکن فرد چند بار
پخش یا مکث رو فشار میده،
پخش یا مکث رو فشار میده،
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
یا اینکه بخشی رو رد میکنه،
یا دوباره میبینه.
یا دوباره میبینه.
03:23
So they collect millions of data points,
64
191720
2256
اونا میلیونها نقطه اطلاعاتی جمع میکنن،
03:26
because they want
to have those data points
to have those data points
65
194000
2096
چون به این نقاط اطلاعاتی
نیاز دارن تا
نیاز دارن تا
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
بتونن تصمیم بگیرن چه
نوع برنامه‌ای باید ساخت.
نوع برنامه‌ای باید ساخت.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
و برای اطمینان
تمامی اطلاعات رو جمع میکنن،
تمامی اطلاعات رو جمع میکنن،
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
تمام اطلاعات را پردازش میکنن
تا به یک جواب برسن،
تا به یک جواب برسن،
03:35
and the answer is,
69
203640
1216
و اون جواب اینه که
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
آمازون باید یه طنز بسازه
درباره چهار سناتور جمهوریخواه آمریکایی.
درباره چهار سناتور جمهوریخواه آمریکایی.
03:42
They did that show.
71
210440
1216
اونا این برنامه رو ساختن.
03:43
So does anyone know the name of the show?
72
211680
2160
کسی اسم اون برنامه رو میدونه؟
03:46
(Audience: "Alpha House.")
73
214720
1296
(حضار: Alpha House)
03:48
Yes, "Alpha House,"
74
216040
1456
درسته، «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
انگار خیلیهاتون اون برنامه رو
به خاطر نمیارید،
به خاطر نمیارید،
03:53
because it didn't turn out that great.
76
221640
1856
چون چیز جالبی از کار در نیومد.
03:55
It's actually just an average show,
77
223520
1856
واقعیتش یه برنامه متوسط بود،
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
دقیقاً همینطوره، چون در این منحنی
حد متوسط در نقطه ۷/۴ هست،
حد متوسط در نقطه ۷/۴ هست،
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
و برنامه آلفا هاوس
در نقطه ۷/۵ قرار داره،
در نقطه ۷/۵ قرار داره،
04:04
so a slightly above average show,
80
232440
2016
در واقع یه کمی بالای حد متوسط،
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
و صد البته این چیزی نیست که
"روی پرایس" و تیمش میخواستن.
"روی پرایس" و تیمش میخواستن.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
اما همون موقع،
04:13
at another company,
83
241200
1576
در یک شرکت دیگه،
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
یک مدیر اجرایی دیگه تونست با تجزیه و
تحیل اطلاعات یک برنامه عالی بسازه،
تحیل اطلاعات یک برنامه عالی بسازه،
04:19
and his name is Ted,
85
247040
1576
و اسم اون فرد «تد» هست،
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
«تد ساراندوز»، مدیر ارشد محتوی
در شرکت نتفلیکس،
در شرکت نتفلیکس،
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
اون هم دقیقاً مثله "روی"
کمر همت رو بسته بود
کمر همت رو بسته بود
04:26
to find that great TV show,
88
254240
1496
تا یه برنامه عالی پیدا کنه،
04:27
and he uses data as well to do that,
89
255760
2016
او هم از اطلاعات برای این کار استفاده کرد،
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
بجز اینکه یه فرق کوچیک
این وسط وجود داشت،
این وسط وجود داشت،
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
یعنی به جای برگزاری مسابقه، کاری که اون و
و البته تیمش کردن این بود که
و البته تیمش کردن این بود که
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
با دقت همه اطلاعاتی که درباره مخاطبین
نتفلیکس داشتن رو بررسی کردن،
نتفلیکس داشتن رو بررسی کردن،
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
مثل امتیازی که افراد
به برنامه‌ها داده بودن،
به برنامه‌ها داده بودن،
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
سابقه تماشای برنامه، اینکه مردم چی
دوست دارن و غیره.
دوست دارن و غیره.
04:44
And then they use that data to discover
95
272000
1896
اونها ازاین اطلاعات
بهره بردن تا
بهره بردن تا
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
زیر و بم مخاطبین رو بشناسن:
04:48
what kinds of shows they like,
97
276560
1456
مثلا چه برنامه‌هایی
دوست دارن،
دوست دارن،
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
یا کدوم تهیه کننده و کدوم بازگر رو میخوان،
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
وقتی که همه این اطلاعات رو کنار هم گذاشتن،
04:54
they took a leap of faith,
100
282760
1656
دل رو به دریا زدن،
04:56
and they decided to license
101
284440
2096
و تصمیم گرقتن تا اون برنامه رو بسازن،
04:58
not a sitcom about four Senators
102
286560
2456
اون هم نه یه کمدی درباره چهار سناتور،
05:01
but a drama series about a single Senator.
103
289040
2880
بلکه یه سریال درام درباره
یک و فقط یه سناتور ساختن.
یک و فقط یه سناتور ساختن.
05:04
You guys know the show?
104
292760
1656
فکر کنم بدونین اسمش چی بود؟
05:06
(Laughter)
105
294440
1296
(خنده)
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
آره،درسته، سریال «خانه پوشالی»
و البته شرکت نتفلیکس زدن به هدف،
و البته شرکت نتفلیکس زدن به هدف،
05:11
at least for the first two seasons.
107
299520
2136
حداقلش برای دو فصل اول که اینجور بود.
05:13
(Laughter) (Applause)
108
301680
3976
(خنده) (تشویق)
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
سریال «خانه پوشالی» در نمودار ما
در امتیاز ۹/۱ نشست،
در امتیاز ۹/۱ نشست،
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
یعنی دقیقاً همونجایی که
سازندهاش میخواستن باشه.
سازندهاش میخواستن باشه.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
خوب سؤالی که پیش میاد اینه که
«چی شد که این شد؟»
«چی شد که این شد؟»
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
خوب ما اینجا دوتا شرکت خیلی رقیب و
خوره اطلاعات داریم.
خوره اطلاعات داریم.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
اونها این میلیونها نقطه اطلاعاتی رو
با هم ربط دادن
با هم ربط دادن
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
و این کار برای
یه برنامه جواب داد،
یه برنامه جواب داد،
05:34
and it doesn't work for the other one.
115
322480
1856
ولی برای بقیه جواب نداد.
05:36
So why?
116
324360
1216
اما چرا؟
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
چون منطقیش اینه که این کار باید برای
همه برنامه‌ها جواب بده.
همه برنامه‌ها جواب بده.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
یعنی وقتی شما میلیونها نقطه
اطلاعاتی جمع میکنید
اطلاعاتی جمع میکنید
05:43
on a decision you're going to make,
119
331560
1736
برای تصمیمی که قرار بگیرید،
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
پس قاعدتاً باید تصمیم خوبی
بتونید بگیرید.
بتونید بگیرید.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
اندازه ۲۰۰ سال عدد و
رقم دارید که روش حساب کنید.
رقم دارید که روش حساب کنید.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
و با کامپیوترهای خیلی قوی
اونا رو تعبیر و تفسیر میکنید.
اونا رو تعبیر و تفسیر میکنید.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
حداقل چیزی که باید انتظارشو داشت
برنامه‌های تلویزیونی خوبه.
برنامه‌های تلویزیونی خوبه.
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
اگر تجزیه و تحلیل داده‌ها خوب کار نکنه،
06:01
then it actually gets a little scary,
125
349520
2056
یه جورایی قضیه ترسناک میشه،
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
چون داریم تو دوره‌ای زندگی میکنیم
که خیلی بیشتر از قبل به اطلاعات نیاز داریم
که خیلی بیشتر از قبل به اطلاعات نیاز داریم
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
برای گرفتن تصمیمهایی که خیلی
فراتر از برنامه های تلویزونیه.
فراتر از برنامه های تلویزونیه.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
کسی اینجا شرکت "Multi-Health Systems"
رو میشناسه؟
رو میشناسه؟
06:17
No one. OK, that's good actually.
129
365080
1656
هیچ کس. خوب این واقعاً خوبه
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
"Multi-Health Systems" یه شرکت نرم افزاریه
06:22
and I hope that nobody here in this room
131
370000
2816
و امیدوارم هیچ کسی اینجا
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
تا حالا به اون برنامشون
بر نخورده باشه،
بر نخورده باشه،
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
چون انجام این کار
مساوی با زندانی شدنتون هست.
مساوی با زندانی شدنتون هست.
06:30
(Laughter)
134
378160
1176
(خنده)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
اگر اینجا، در آمریکا کسی در زندان باشه
و درخواست آزادی مشروط کنه،
و درخواست آزادی مشروط کنه،
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
به احتمال خیلی زیاد نرم افزار تحلیل
اطلاعات این شرکت
اطلاعات این شرکت
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
بکار میره تا تعین کنند این آزادی
به فرد تعلق میگیره یا نه.
به فرد تعلق میگیره یا نه.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
یعنی اصولش مثل آمازون و نتفلیکس میمونه،
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
اما به جای اینکه تصمیم بگیرن که یه برنامه
تلویزیونی خوبه یا بد،
تلویزیونی خوبه یا بد،
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
اونها تصمیم میگیرن که آیا
یک نفر خوبه یا بد.
یک نفر خوبه یا بد.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
و اگه فرد هم مثل سریالهای متوسط
۲۲ دقیقه‌ای تلویزیون خیلی بد باشه،
۲۲ دقیقه‌ای تلویزیون خیلی بد باشه،
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
خوب سالهای بیشتری باید در
زندان باشه شایدم بدتر از این.
زندان باشه شایدم بدتر از این.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
متأسفانه شواهدی هست که
نشون میده این تحلیل اطلاعات
نشون میده این تحلیل اطلاعات
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
با اینکه حجم زیادی داده داره
همیشخ بهترین نتیجه رو نداره.
همیشخ بهترین نتیجه رو نداره.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
نه به این خاطر که شر کتی مثل
"Multi-Health Systems"
"Multi-Health Systems"
07:13
doesn't know what to do with data.
146
421506
1627
نمیدونه با این اطلاعات چه کار کنه.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
حتی بیشتر شرکتهای خوره اطلاعات
هم اشتباه میکنن.
هم اشتباه میکنن.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
بله حتی گاهی گوگل هم اشتباه میکنه.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
سال ۲۰۰۹، گوگل اعلام کرد که اونها با تحلیل
داده‌ها تونستن،
داده‌ها تونستن،
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
شیوع آنفولانزا رو پیش بینی کنن،
اون هم از اون نوع خیلی بدش،
اون هم از اون نوع خیلی بدش،
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
با کمک تحلیل اطلاعات بدست اومده
از جستجوهای گوگلی.
از جستجوهای گوگلی.
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
خوب این مسئله خیلی عالی کار کرد
و مثله بمب تو خبرها ترکید،
و مثله بمب تو خبرها ترکید،
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
و در زمره بهترینهای علمی قرار گرفت.
07:39
a publication in the journal "Nature."
154
447200
2456
یعنی انتشار این کار در مجله "Nature".
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
این روش برای سالهای متمادی
خیلی خوب جواب داد،
خیلی خوب جواب داد،
07:45
until one year it failed.
156
453320
1656
تا اینکه یک سال شکست خورد.
07:47
And nobody could even tell exactly why.
157
455000
2256
هیچ کسم نمیتونست بگه دقیقاً به چه علت.
07:49
It just didn't work that year,
158
457280
1696
فقط اون سال جواب نداد، همین
07:51
and of course that again made big news,
159
459000
1936
خوب معلومه که
این مسئله هم خبرساز شد،
این مسئله هم خبرساز شد،
07:52
including now a retraction
160
460960
1616
از جمله اعلام اشتباه
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
در یکی از شماره های مجله نیچر.
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
ببینید، بزرگترین شرکت های خوره اطلاعات
مثله آمازون و گوگل،
مثله آمازون و گوگل،
08:01
they sometimes get it wrong.
163
469840
2136
هم اشتباه می کنن.
08:04
And despite all those failures,
164
472000
2936
و علی رغم تمام این اشتباهات،
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
اطلاعات به سرعت وارد
تصمیم گیری درزندگی روزمرمون میشن--
تصمیم گیری درزندگی روزمرمون میشن--
08:10
into the workplace,
166
478840
1816
مثلا
سر کارمون،
سر کارمون،
08:12
law enforcement,
167
480680
1816
اجرای قانون،
08:14
medicine.
168
482520
1200
دارو.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
با این تفاصیل بهتره مطمئن بشیم که
اطلاعات دارن به ما کمک می کنن.
اطلاعات دارن به ما کمک می کنن.
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
من خودم شخصاً با اطلاعات
درگیری‌های زیادی داشتم،
درگیری‌های زیادی داشتم،
08:22
because I work in computational genetics,
171
490920
1976
چون در زمینه ژنتیک محاسباتی کارمی‌کنم،
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
در این زمینه انسانهای بسیار با هوشی
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
حجمی باور نکردنی از اطلاعات رو برای
گرفتن تصمیمات جدی بکار میبرن
گرفتن تصمیمات جدی بکار میبرن
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
مثل تصمیمات مربوط به درمان سرطان
یا ساختن یک دارو.
یا ساختن یک دارو.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
در مدت چند سال
من متوجه نوعی الگو
من متوجه نوعی الگو
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
یا قانون درباره تفاوت بین
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
تصمیم‌گیریهای موفق با استفاده از اطلاعات
08:43
and unsuccessful decision-making,
178
511120
1616
و تصمیم‌گیریهای ناموفق شدم،
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
و الگویی پیدا کردم که ارزش به
اشتراک گذاشتن داره.
اشتراک گذاشتن داره.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
وقتی شما دارید یه
مسئله پیچیده رو حل میکنید،
مسئله پیچیده رو حل میکنید،
08:52
you're doing essentially two things.
181
520679
1737
الزاماً دو کار رو انجام می‌دهید.
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
اول اینکه اون مسئله رو به اجزاء
کوچکتر می‌شکنید
کوچکتر می‌شکنید
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
تا بتونید اون اجزاء رو تجزیه وتحلیل کنید.
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
خوب بعدشم مرحله دوم را انجام میدین.
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
یعنی دوباره این اجزا رو به هم می‌چسبونید
09:05
to come to your conclusion.
186
533000
1336
تا به نتیجه برسید.
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
گاهی هم باید این کار رو
چندین بار انجام بدین،
چندین بار انجام بدین،
09:08
but it's always those two things:
188
536720
1656
اما همیشه همین دوتا مرحله هست:
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
جدا کردن و به هم چسبوندن.
09:14
And now the crucial thing is
190
542280
1616
اما چیزی که مسئله میسازه اینه که
09:15
that data and data analysis
191
543920
2896
اطلاعات و تجزیه و تحلیل
09:18
is only good for the first part.
192
546840
2496
فقط برای بخش اول خوبه.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
اطلاعات و تجزیه و تحلیل،
هر قدر قدرتمند باشه،
هر قدر قدرتمند باشه،
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
فقط به شما کمک میکنه مسئله رو بشکنید و
اجزاء اون رو درک کنید.
اجزاء اون رو درک کنید.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
اما اصلا برای به هم چسبوندشون مناسب نیست
09:31
and then to come to a conclusion.
196
559600
1896
تا بشه به یک نتیجه رسید.
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
ابزار دیگری وجود داره که میتونه این
کار رو انجام بده،
کار رو انجام بده،
09:36
and that tool is the brain.
198
564280
1296
اون ابزارهم مغزماست.
09:37
If there's one thing a brain is good at,
199
565600
1936
اگر مغز فقط تو یه کار
خوب باشه،
خوب باشه،
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
اینه که اجزاء رو دوباره به هم بچسبونه،
09:41
even when you have incomplete information,
201
569840
2016
حتی وقتی اطلاعاتتون کامل نباشه،
09:43
and coming to a good conclusion,
202
571880
1576
تا به یک نتیجه خوب رسید،
09:45
especially if it's the brain of an expert.
203
573480
2936
بخصوص اگه مغز یک متخصص باشه.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
برای همینه که من فکر میکنم
نتفلیکس خیلی موفق بود،
نتفلیکس خیلی موفق بود،
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
چون اونها از اطلاعات و مغز در جای
مناسبشون استفاده کردن.
مناسبشون استفاده کردن.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
اول از اطلاعات استفاده کردن تا
اجزاء زیادی رو درباره مخاطبینشون بفهمن
اجزاء زیادی رو درباره مخاطبینشون بفهمن
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
غیر از این نمیتونستن اینقدر
عمیق متوجه بشن،
عمیق متوجه بشن،
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
اما بعدش، موقع تصمیم درباره
بهم چسبودن اطلاعات
بهم چسبودن اطلاعات
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
و ساختن سریال خانه پوشالی
10:07
that was nowhere in the data.
210
595720
1416
از اطلاعات استفاده نکردن.
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
تد ساراندوز و تیمش بودن که
تصمیم گرفتن اون برنامه رو بسازن،
تصمیم گرفتن اون برنامه رو بسازن،
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
که معنیش اینه که اونها
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
با گرفتن اون تصمیم
ریسک خیلی بزرگی کردن.
ریسک خیلی بزرگی کردن.
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
اما آمازون بی راهه رفت.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
اونها از اطلاعات برای تصمیم گیری
استفاده کردن،
استفاده کردن،
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
اول جایی که مسابقه ایده‌های
تلویزیونی راه افتاد،
تلویزیونی راه افتاد،
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
بعدشم انتخاب« خانه آلفا»به عنوان
برنامه تلویزونیشون.
برنامه تلویزونیشون.
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
البته این تصمیم برای اونها
کاملا مطمئن بود،
کاملا مطمئن بود،
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
چون همیشه میتونستن به اطلاعاتشون
اشاره کنن و بگن،
اشاره کنن و بگن،
10:35
"This is what the data tells us."
220
623400
1696
«این چیزیه که اطلاعات به ما میگه.»
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
اما این کار به نتیجه فوق العاده‌ای
که دنبالش بودن ختم نشد.
که دنبالش بودن ختم نشد.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
خوب اطلاعات بدون شک ابزاری بسیار
کاربردی برای تصمیم گیریه،
کاربردی برای تصمیم گیریه،
10:47
but I believe that things go wrong
223
635120
2376
اما فکر میکنم اون موارد
موقعی اشتباه از کار در اومد
موقعی اشتباه از کار در اومد
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
که خود همون اطلاعات تصمیم گیرنده بود.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
اطلاعات هرقدرم قوی باشه
چیزی جز یک ابزار نیست،
چیزی جز یک ابزار نیست،
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
برای اینکه این مسئله رو به ذهن بسپاریم
این وسیله خیلی کمکمون میکنه.
این وسیله خیلی کمکمون میکنه.
10:59
Many of you will ...
227
647280
1216
خیلیهاتون میدونید--
11:00
(Laughter)
228
648520
1216
(خنده)
11:01
Before there was data,
229
649760
1216
قبل از اطلاعات،
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
از این برایه تصمیم گیری استفاده میکردن.
11:05
(Laughter)
231
653880
1256
(خنده)
11:07
Many of you will know this.
232
655160
1336
خیلیهاتون باهاش آشنایید.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
به این ماسماسک میگن «توپ ۸ جادویی»،
11:10
and it's really amazing,
234
658497
1199
و واقعاً چیزِ جالبیه،
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
چون وقتی میخواید تصمیمی بگیرید
و موندید بله بگید یا نه،
و موندید بله بگید یا نه،
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
کافیه که توپ رو تکون بدید و
بعدش جواب رو بفهمید--
بعدش جواب رو بفهمید--
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
جوابم اینه،«به احتمال خیلی زیاد»
دقیقا اینجا در دنیای واقعی.
دقیقا اینجا در دنیای واقعی.
11:21
I'll have it out later for tech demos.
238
669240
2096
بعداً برای دموهای تکنولوژی
میندازمش کنار.
میندازمش کنار.
11:23
(Laughter)
239
671360
1216
(خنده)
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
خوب مسئله اینه که
منم هم تصمیماتی در زندگیم گرفتم
منم هم تصمیماتی در زندگیم گرفتم
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
جایی که با نگاهی به گذشته
به حرفای این توپ گوش دادم.
به حرفای این توپ گوش دادم.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
اما اگه اطلاعاتی در دست دارید،
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
بهتره توپ را با چیزی
ماهرانه‌تر جایگزین کنید،
ماهرانه‌تر جایگزین کنید،
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
مثلا تجزیه و تحلیل اطلاعات
برای تصمیم‌گیری.
برای تصمیم‌گیری.
11:41
But that does not change the basic setup.
245
689200
2616
اما اصل قضیه فرقی نمیکنه.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
این توپ همچنان باهوشتر و با هوشتر میشه،
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
من همچنان فکر میکنم ما خودمون
باید تصمیم بگیریم
باید تصمیم بگیریم
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
اگز بخواهیم به چیز فوق العاده ای برسیم،
11:52
on the right end of the curve.
249
700920
1936
یعنی سمت راست این منحنی.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
پیام الهام بخشی که من در
این قضیه متوجه شدم،
این قضیه متوجه شدم،
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
اینه که حتی با داشتن
حجم زیادی از اطلاعات،
حجم زیادی از اطلاعات،
12:03
it still pays off to make decisions,
252
711400
4096
هنوز هم می ارزه که تصمیم بگیرید،
12:07
to be an expert in what you're doing
253
715520
2656
تا بتونید در کارتون خبره بشین
12:10
and take risks.
254
718200
2096
و خطر کنید.
12:12
Because in the end, it's not data,
255
720320
2776
چن در آخر، این اطلاعات نیست
که شما رو
که شما رو
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
به سمت راست منحنی میبره،
بلکه ریسکه.
بلکه ریسکه.
12:19
Thank you.
257
727840
1216
متشکرم.
12:21
(Applause)
258
729080
3680
(تشویق)
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