TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Comment utiliser des données pour créer une série à succès
Filmed:
Readability: 4
1,628,704 views
Est-ce que l'analyse de données nous permet de prendre de meilleures décisions ? Les entreprises les plus compétitives et avancées dans ce domaine, comme Amazon, Google et Netflix, savent que l'analyse de données n'apporte pas toujours les résultats espérés. Dans son exposé, Sebastian Wernicke, spécialiste en analyse de données, explique ce qui peut mal tourner lorsque nous prenons des décisions en nous appuyant uniquement sur les données et il suggère une manière plus intelligente de les utiliser.
Sebastian Wernicke - Data scientist
After making a splash in the field of bioinformatics, Sebastian Wernicke moved on to the corporate sphere, where he motivates and manages multidimensional projects. Full bio
After making a splash in the field of bioinformatics, Sebastian Wernicke moved on to the corporate sphere, where he motivates and manages multidimensional projects. Full bio
Double-click the English transcript below to play the video.
00:12
Roy Price is a man that most of you
have probably never heard about,
have probably never heard about,
0
820
4276
Roy Price est un homme que la plupart
d'entre vous ne connaissent sûrement pas,
d'entre vous ne connaissent sûrement pas,
00:17
even though he may have been responsible
1
5120
2496
même s'il est peut-être responsable
00:19
for 22 somewhat mediocre
minutes of your life on April 19, 2013.
minutes of your life on April 19, 2013.
2
7640
6896
de 22 minutes quelque peu médiocres
que vous avez vécues le 19 avril 2013.
que vous avez vécues le 19 avril 2013.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
Il a pu être responsable
de 22 minutes divertissantes,
de 22 minutes divertissantes,
00:29
but not very many of you.
4
17760
2256
mais pas pour beaucoup d'entre vous.
00:32
And all of that goes back to a decision
5
20040
1896
Cela est lié à une décision
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
que Roy a prise, il y a trois ans de ça.
Vous voyez, Roy Price est
cadre supérieur à Amazon Studios,
cadre supérieur à Amazon Studios,
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
la compagnie de production
de télévision d'Amazon.
de télévision d'Amazon.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
C'est un homme mince de 47 ans
avec des cheveux en bataille,
avec des cheveux en bataille,
qui a écrit sur Twitter pour se décrire
« films, télé, technologie, tacos ».
« films, télé, technologie, tacos ».
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
Et Roy Price joue un rôle important,
parce que c'est à lui
parce que c'est à lui
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
de choisir les séries,
le contenu original créé par Amazon.
le contenu original créé par Amazon.
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
Et, évidemment,
c'est un domaine très compétitif.
c'est un domaine très compétitif.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
Vu qu'il existe déjà
tellement de séries télés,
tellement de séries télés,
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
01:06
that Roy can't just choose any show.
15
54400
2176
Roy ne peut pas choisir
n'importe quelle série.
n'importe quelle série.
Il doit trouver des séries
vraiment, vraiment exceptionnelles.
vraiment, vraiment exceptionnelles.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Autrement dit, il doit trouver des séries
01:12
So in other words, he has to find shows
17
60720
2816
sur l'extrême droite de cette courbe.
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
Cette courbe représente
la distribution des notes
la distribution des notes
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
attribuées à 2 500 séries télés
sur le site IMDB,
sur le site IMDB,
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
ces notes allant de 1 à 10,
01:25
and the rating goes from one to 10,
21
73040
2896
et l'ordonnée montre combien
de séries obtiennent cette note.
de séries obtiennent cette note.
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
Donc, si votre série obtient une note
de neuf points ou plus, ça cartonne.
de neuf points ou plus, ça cartonne.
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
Elle est meilleure que 98 %
des autres.
des autres.
01:35
Then you have a top two percent show.
24
83680
1816
Ce sont des séries comme
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
« Breaking Bad »,
« Game of Thrones », « Sur écoute »,
« Game of Thrones », « Sur écoute »,
des séries auxquelles on devient accro,
01:41
so all of these shows that are addictive,
26
89440
2296
où après avoir regardé une saison,
votre cerveau vous dit :
votre cerveau vous dit :
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
« Il me faut plus d'épisodes ! »
01:46
"Where can I get more of these episodes?"
28
94840
2176
01:49
That kind of show.
29
97040
1200
Ce genre d'émission.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
Pour être clair,
du côté gauche,
du côté gauche,
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
on retrouve une émission
appelé « Toddlers & Tiaras » ;
appelé « Toddlers & Tiaras » ;
(Rires)
01:56
(Laughter)
32
104640
2656
ce qui illustre bien
01:59
-- which should tell you enough
33
107320
1536
ce à quoi on a affaire
de ce côté de la courbe.
de ce côté de la courbe.
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
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 ne s'inquiète pas d'être
placé du côté gauche de la courbe,
placé du côté gauche de la courbe,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
parce que je pense
qu'il faudrait être un génie
qu'il faudrait être un génie
pour faire pire que « Toddlers & Tiaras ».
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
Il fait attention
à cette partie au milieu,
à cette partie au milieu,
la partie moyenne de la télé,
02:15
the bulge of average TV,
39
123920
1816
les séries qui ne sont
ni bonnes ni mauvaises,
ni bonnes ni mauvaises,
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
mais ne vous font pas vibrer.
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
Il doit s'assurer
qu'il est vraiment du bon côté.
qu'il est vraiment du bon côté.
02:27
So the pressure is on,
43
135200
1576
Donc, on lui met la pression,
et bien sûr c'est aussi la première fois
02:28
and of course it's also the first time
44
136800
2176
qu'Amazon fait quelque chose comme ça,
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
donc Roy Price ne veut pas
prendre de risque.
prendre de risque.
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
Il veut être à la tête d'un succès.
02:36
He wants to engineer success.
47
144560
2456
Il lui faut un succès garanti,
02:39
He needs a guaranteed success,
48
147040
1776
donc il décide d'organiser
une compétition.
une compétition.
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
Il prend plein d'idées de séries télés,
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
les évalue et, parmi ces idées,
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
il retient huit idées de séries.
02:48
they select eight candidates for TV shows,
52
156920
4096
Ensuite, il se lance dans la création
du premier épisode de chacune des séries
du premier épisode de chacune des séries
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
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
et les met en ligne gratuitement
pour tout le monde.
pour tout le monde.
Et quand Amazon
offre quelque chose de gratuit,
offre quelque chose de gratuit,
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
on le prend, n'est-ce pas ?
03:01
you're going to take it, right?
56
169720
1536
Donc, des millions de gens
regardent ces épisodes.
regardent ces épisodes.
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Ils ne se rendent pas compte que,
lorsqu'ils regardent leurs séries,
lorsqu'ils regardent leurs séries,
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
03:11
actually, they are being watched.
59
179680
2296
ils sont en train d'être regardés
eux-mêmes.
eux-mêmes.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Roy Price et son équipe les surveillent
03:16
who record everything.
61
184360
1376
et enregistrent tout.
Ils enregistrent quand quelqu'un
appuie sur lecture ou sur pause,
appuie sur lecture ou sur pause,
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
les parties sautées,
les parties re-regardées.
les parties re-regardées.
03:23
So they collect millions of data points,
64
191720
2256
Ils rassemblent des millions de données,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
car ils veulent avoir ces données
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
pour ensuite décider
quelle série sera réalisée.
quelle série sera réalisée.
Donc ils rassemblent ces données,
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
ils traitent ces données,
et une réponse en est déduite,
et une réponse en est déduite,
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
la réponse est :
03:35
and the answer is,
69
203640
1216
« Amazon devrait réaliser un sitcom
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
sur quatre sénateurs
républicains américains. »
républicains américains. »
(Rires)
Et elle a été réalisée.
03:42
They did that show.
71
210440
1216
03:43
So does anyone know the name of the show?
72
211680
2160
Quelqu'un connaît le nom de cette série ?
03:46
(Audience: "Alpha House.")
73
214720
1296
(Public) :
« Alpha House. »
« Alpha House. »
03:48
Yes, "Alpha House,"
74
216040
1456
Exactement, « Alpha House »,
mais on dirait que presque personne
ne se souvient de cette série
ne se souvient de cette série
03:49
but it seems like not too many of you here
remember that show, actually,
remember that show, actually,
75
217520
4096
03:53
because it didn't turn out that great.
76
221640
1856
car elle n'a pas eu un très grand succès.
03:55
It's actually just an average show,
77
223520
1856
En réalité, c'est une série moyenne,
littéralement en fait, car 7,4 représente
la moyenne de la courbe
la moyenne de la courbe
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
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
et « Alpha House » tombe sur 7,5,
04:04
so a slightly above average show,
80
232440
2016
elle est juste au-dessus de la moyenne,
mais ce n'est certainement pas
Roy Price et son équipe espéraient.
Roy Price et son équipe espéraient.
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
Cependant, au même moment,
04:13
at another company,
83
241200
1576
dans une autre entreprise,
04:14
another executive did manage
to land a top show using data analysis,
to land a top show using data analysis,
84
242800
4216
un autre cadre a trouver une bonne série
grâce à l'analyse des données,
grâce à l'analyse des données,
et il s'appelle Ted,
04:19
and his name is Ted,
85
247040
1576
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Ted Sarandos, directeur de l'acquisition
des programmes de Netflix.
des programmes de Netflix.
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
Et comme Roy,
il est toujours à la recherche
il est toujours à la recherche
04:26
to find that great TV show,
88
254240
1496
d'une excellente série,
et il utilise aussi des données,
04:27
and he uses data as well to do that,
89
255760
2016
sauf qu'il s'y prend un peu différemment.
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
Au lieu d'organiser une compétition,
lui et son équipe
lui et son équipe
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
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
ont pris les données qu'ils avaient déjà
sur les utilisateurs de Netflix,
sur les utilisateurs de Netflix,
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
comme les notes attribuées aux séries,
leur historique,
leurs séries préférées et tout ça.
leurs séries préférées et tout ça.
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
Puis ils utilisent
ces données pour découvrir
ces données pour découvrir
04:44
And then they use that data to discover
95
272000
1896
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
pleins de petites infos sur le public :
04:48
what kinds of shows they like,
97
276560
1456
le genre de séries, de producteurs,
d'acteurs ils apprécient.
d'acteurs ils apprécient.
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
Et au moment où ils ont
tous les éléments nécessaires,
tous les éléments nécessaires,
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
ils ont accompli un acte de foi
04:54
they took a leap of faith,
100
282760
1656
04:56
and they decided to license
101
284440
2096
et ont décidé de créer
04:58
not a sitcom about four Senators
102
286560
2456
non pas un sitcom sur quatre sénateurs
mais une série dramatique
sur un seul sénateur.
sur un seul sénateur.
05:01
but a drama series about a single Senator.
103
289040
2880
05:04
You guys know the show?
104
292760
1656
Vous connaissez cette série ?
(Rires)
05:06
(Laughter)
105
294440
1296
Oui ! « House of Cards » et, bien sûr,
Netflix a eu un grand succès,
Netflix a eu un grand succès,
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
05:11
at least for the first two seasons.
107
299520
2136
au moins pour les deux premières saisons.
05:13
(Laughter) (Applause)
108
301680
3976
(Rires)
(Applaudissements)
(Applaudissements)
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 » a obtenu
une note de 9,1 sur cette courbe,
une note de 9,1 sur cette courbe,
donc, exactement ce qu'ils voulaient.
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
Évidemment, la question est :
que s'est-il passé ?
que s'est-il passé ?
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
On a deux entreprises concurrentes
maîtrisant les données.
maîtrisant les données.
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Elles lient ces millions
de points de données
de points de données
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
et ça marche superbement pour une,
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
mais pas pour l'autre.
05:34
and it doesn't work for the other one.
115
322480
1856
Alors, pourquoi ?
05:36
So why?
116
324360
1216
La logique nous dit que
ça devrait marcher à tous les coups.
ça devrait marcher à tous les coups.
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
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Si vous rassemblez
des millions de données
des millions de données
sur une décision à prendre,
05:43
on a decision you're going to make,
119
331560
1736
vous devriez être capable
de prendre la bonne décision.
de prendre la bonne décision.
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
On peut se fier
à plus de 200 ans de statistiques.
à plus de 200 ans de statistiques.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
On l'amplifie à l'aide
des meilleurs ordinateurs.
des meilleurs ordinateurs.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
La moindre des choses à laquelle
on s'attend, c'est une bonne série, non ?
on s'attend, c'est une bonne série, non ?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
Et si l'analyse des données
ne fonctionne pas comme ça,
ne fonctionne pas comme ça,
06:01
then it actually gets a little scary,
125
349520
2056
on peut commencer à s'inquiéter,
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
parce que nous vivons à une époque
où on utilise de plus en plus ces données
où on utilise de plus en plus ces données
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
pour prendre des décisions sérieuses
en dehors du monde de la télévision.
en dehors du monde de la télévision.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Est-ce-que quelqu'un ici connaît
l'entreprise Multi-Health Systems ?
l'entreprise Multi-Health Systems ?
Personne, tant mieux.
06:17
No one. OK, that's good actually.
129
365080
1656
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
Multi-Health Systems est
une entreprise de logiciels,
une entreprise de logiciels,
et j'espère que personne du public
n'aura à utiliser ce logiciel,
n'aura à utiliser ce logiciel,
06:22
and I hope that nobody here in this room
131
370000
2816
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
car si c'est le cas, vous êtes en prison.
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
(Rires)
06:30
(Laughter)
134
378160
1176
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Si un prisonnier des États-Unis
demande une libération conditionnelle,
demande une libération conditionnelle,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
il est très probable que le logiciel
d'analyse de données de cette compagnie
d'analyse de données de cette compagnie
sera utilisé pour savoir
s'il devrait l'obtenir.
s'il devrait l'obtenir.
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
C'est le même principe
qu'Amazon et Netflix,
qu'Amazon et Netflix,
sauf que au lieu de voir
si une série télé devrait sortir,
si une série télé devrait sortir,
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
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
on décide si la personne devrait sortir.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
Si une série télé médiocre
de 22 minutes peut être mauvaise,
de 22 minutes peut être mauvaise,
je suppose que passer
plus longtemps en prison est pire.
plus longtemps en prison est pire.
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
Et malheureusement, il existe
des preuves que cette analyse de données,
des preuves que cette analyse de données,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
malgré leur abondance, ne donne pas
toujours des résultats optimaux.
toujours des résultats optimaux.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
Mais, ce n'est pas
parce que Multi-Health Systems
parce que Multi-Health Systems
07:13
doesn't know what to do with data.
146
421506
1627
ignore que faire de ces données.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
Même en maîtrisant les données,
on peut se tromper.
on peut se tromper.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Oui, parfois même Google se trompe.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
En 2009, Google a annoncé
qu'ils étaient capables,
qu'ils étaient capables,
à l'aide de l'analyse des données,
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
de prédire les épidémies
d'influenza, la mauvaise grippe,
d'influenza, la mauvaise grippe,
en analysant les données
des recherches sur leur site.
des recherches sur leur site.
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
Ça a bien marché,
et ça a fait le buzz aux infos
et ça a fait le buzz aux infos
07:33
And it worked beautifully,
and it made a big splash in the news,
and it made a big splash in the news,
152
441160
3856
y compris l'apogée
des réussites scientifiques :
des réussites scientifiques :
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
07:39
a publication in the journal "Nature."
154
447200
2456
un article dans le journal « Nature ».
Ça marchait à tous les coups,
année après année,
année après année,
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
jusqu'à l'année où ça a échoué.
07:45
until one year it failed.
156
453320
1656
Et personne ne savait pourquoi.
07:47
And nobody could even tell exactly why.
157
455000
2256
07:49
It just didn't work that year,
158
457280
1696
Cette année-là, ça n'a pas marché
et, bien sûr, ça a refait le buzz,
07:51
and of course that again made big news,
159
459000
1936
y compris la rétraction
07:52
including now a retraction
160
460960
1616
de la publication dans
le journal « Nature ».
le journal « Nature ».
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Même les entreprises
maîtrisant ces données,
maîtrisant ces données,
comme Amazon et Google,
08:01
they sometimes get it wrong.
163
469840
2136
font parfois des erreurs.
08:04
And despite all those failures,
164
472000
2936
Et malgré tous ces échecs,
les données arrivent de plus en plus
dans nos décisions de tous les jours :
dans nos décisions de tous les jours :
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
dans le monde professionnel,
08:10
into the workplace,
166
478840
1816
le monde du droit,
08:12
law enforcement,
167
480680
1816
08:14
medicine.
168
482520
1200
le monde de la médécine.
Donc, il faut nous assurer
que ces données nous aident.
que ces données nous aident.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Moi-même, j'ai beaucoup vu
ce problème avec les données
ce problème avec les données
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
car je travaille
dans l'informatique génomique,
dans l'informatique génomique,
08:22
because I work in computational genetics,
171
490920
1976
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
un secteur rempli
de personnes très intelligentes
de personnes très intelligentes
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
qui utilisent un grand nombre de données
pour prendre des décisions sérieuses
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
comme choisir un traitement pour cancer,
développer un médicament.
développer un médicament.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
Au cours des années,
j'ai remarqué un modèle,
j'ai remarqué un modèle,
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
ou même une règle, sur la différence
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
entre des bonnes décisions
à l'aide des données
à l'aide des données
08:43
and unsuccessful decision-making,
178
511120
1616
et des mauvaises décisions,
et je trouve que ce modèle
vaut la peine d'être partagé,
vaut la peine d'être partagé,
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
ça se présente comme ceci.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
Quand il faut résoudre
un problème compliqué,
un problème compliqué,
08:52
you're doing essentially two things.
181
520679
1737
il y a deux étapes essentielles.
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
Un : il faut diviser
le problème en plusieurs parties
le problème en plusieurs parties
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
pour pouvoir les analyser
de manière profonde,
de manière profonde,
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
et puis deux : bien sûr,
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
il s'agit de remettre ces pièces ensemble
pour conclure.
09:05
to come to your conclusion.
186
533000
1336
Et parfois il faut réessayer,
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
mais c'est toujours ces deux choses :
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
déconstruire le problème et le remonter.
09:14
And now the crucial thing is
190
542280
1616
Et la partie clé
09:15
that data and data analysis
191
543920
2896
est que l'analyse de ces données
n'est valable que pour la première partie.
09:18
is only good for the first part.
192
546840
2496
Les données et l'analyse,
peu importe leur puissance,
peu importe leur puissance,
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
n'aideront qu'à déconstruire le problème
pour comprendre les éléments
qui le composent.
qui le composent.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Ça n'aidera pas à remettre
les pièces ensemble
les pièces ensemble
09:31
and then to come to a conclusion.
196
559600
1896
pour en arriver à une conclusion.
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
Il existe un outil qui fait ça,
que nous possédons tous :
que nous possédons tous :
09:36
and that tool is the brain.
198
564280
1296
le cerveau.
09:37
If there's one thing a brain is good at,
199
565600
1936
Si notre cerveau est bon pour une chose,
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
c'est assembler divers éléments ensemble,
même avec des pièces manquantes,
09:41
even when you have incomplete information,
201
569840
2016
et arriver à une
bonne conclusion,
bonne conclusion,
09:43
and coming to a good conclusion,
202
571880
1576
09:45
especially if it's the brain of an expert.
203
573480
2936
surtout si c'est le cerveau d'un expert.
Et c'est grâce à ça que Netflix
a eu un tel succès :
a eu un tel succès :
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
ils ont utilisé les données
et les cerveaux au moment où il fallait.
et les cerveaux au moment où il fallait.
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Ils ont d'abord utilisé les données
pour comprendre leur public,
pour comprendre leur public,
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
ce qu'ils n'auraient pas été capables
de comprendre sans ça,
de comprendre sans ça,
mais la décision de prendre
toutes ces informations
toutes ces informations
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
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
et les remettre ensemble pour
créer une série comme « House of Cards »,
créer une série comme « House of Cards »,
n'était pas dans les données.
10:07
that was nowhere in the data.
210
595720
1416
Ted Sarandos et son équipe ont décidé
d'autoriser la création de cette série,
d'autoriser la création de cette série,
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
ce qui voulait aussi dire qu'ils prenaient
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
un grand risque personnel
avec cette décision.
avec cette décision.
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
À l'inverse, Amazon a fait cela
dans le mauvais ordre.
dans le mauvais ordre.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Ils ont utilisé beaucoup de données
pour faire leur choix,
pour faire leur choix,
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
en organisant une compétition
d'idées de séries,
d'idées de séries,
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
puis en choisissant
de produire « Alpha House ».
de produire « Alpha House ».
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
C'était bien sûr prudent
comme décision de leur part,
comme décision de leur part,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
car ils pouvaient accuser
les donnés et dire :
les donnés et dire :
« C'est ce que disaient les données. »
10:35
"This is what the data tells us."
220
623400
1696
10:37
But it didn't lead to the exceptional
results that they were hoping for.
results that they were hoping for.
221
625120
4240
Mais ça ne leur a pas donné les résultats
exceptionnels qu'ils espéraient.
exceptionnels qu'ils espéraient.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Les données sont extrêmement utiles
pour prendre de meilleures décisions
pour prendre de meilleures décisions
mais je pense qu'il y a un problème
10:47
but I believe that things go wrong
223
635120
2376
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
quand les données
nous mènent à ces décisions.
nous mènent à ces décisions.
Peu importe leur puissance,
les données ne sont qu'un outil,
les données ne sont qu'un outil,
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
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
et pour toujours garder ça en tête,
j'ai trouvé un outil très utile.
j'ai trouvé un outil très utile.
10:59
Many of you will ...
227
647280
1216
La plupart d'entre vous...
11:00
(Laughter)
228
648520
1216
(Rires)
Avant les données,
11:01
Before there was data,
229
649760
1216
on utilisait cet outil
pour prendre des décisions.
pour prendre des décisions.
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
(Rires)
11:05
(Laughter)
231
653880
1256
11:07
Many of you will know this.
232
655160
1336
Vous le connaissez,
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
ce jouet s'appelle la Magic 8 Ball
et il est génial,
11:10
and it's really amazing,
234
658497
1199
car si vous avez un choix à faire,
une question fermée,
une question fermée,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
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
il suffit de secouer la boule
pour obtenir une réponse --
pour obtenir une réponse --
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
« Très Probable » -- juste ici,
une réponse en temps réel.
une réponse en temps réel.
J'en ferai la démonstration plus tard.
11:21
I'll have it out later for tech demos.
238
669240
2096
11:23
(Laughter)
239
671360
1216
(Rires)
Le truc c'est que, évidemment --
j'ai pris des décisions dans la vie
j'ai pris des décisions dans la vie
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
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
où, en rétrospective,
j'aurais dû écouter la boule.
j'aurais dû écouter la boule.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Mais, évidemment,
si les données sont disponibles,
si les données sont disponibles,
on veut remplacer ça
avec quelque chose de plus sophistiqué,
avec quelque chose de plus sophistiqué,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
comme l'analyse des données,
pour en arriver à une meilleure décision.
pour en arriver à une meilleure décision.
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
Mais cela ne change
pas le concept de base.
pas le concept de base.
11:41
But that does not change the basic setup.
245
689200
2616
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
La boule peut devenir
de plus en plus intelligente,
de plus en plus intelligente,
mais je pense que c'est toujours
à nous de décider
à nous de décider
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
si on veut faire
quelque chose d'extraordinaire,
quelque chose d'extraordinaire,
11:52
on the right end of the curve.
249
700920
1936
du côté droit de la courbe.
Et je trouve ça très encourageant
comme message en fait,
comme message en fait,
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
que même quand on a
toutes ces données devant nous,
toutes ces données devant nous,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
ça nous rapporte quelque chose
de prendre ces décisions,
de prendre ces décisions,
12:03
it still pays off to make decisions,
252
711400
4096
d'être expert dans notre domaine
12:07
to be an expert in what you're doing
253
715520
2656
et de prendre des risques.
12:10
and take risks.
254
718200
2096
Car à la fin, ce ne sont pas les données,
12:12
Because in the end, it's not data,
255
720320
2776
ce sont les risques qui vous amènent
du côté droit de la courbe.
du côté droit de la courbe.
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
Merci.
(Applaudissements)
12:21
(Applause)
258
729080
3680
ABOUT THE SPEAKER
Sebastian Wernicke - Data scientistAfter making a splash in the field of bioinformatics, Sebastian Wernicke moved on to the corporate sphere, where he motivates and manages multidimensional projects.
Why you should listen
Dr. Sebastian Wernicke is the Chief Data Scientist of ONE LOGIC, a data science boutique that supports organizations across industries to make sense of their vast data collections to improve operations and gain strategic advantages. Wernicke originally studied bioinformatics and previously led the strategy and growth of Seven Bridges Genomics, a Cambridge-based startup that builds platforms for genetic analysis.
Before his career in statistics began, Wernicke worked stints as both a paramedic and successful short animated filmmaker. He's also the author of the TEDPad app, an irreverent tool for creating an infinite number of "amazing and really bad" and mostly completely meaningless talks. He's the author of the statistically authoritative and yet completely ridiculous "How to Give the Perfect TEDTalk."
Sebastian Wernicke | Speaker | TED.com