TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Hogyan készítsünk sikersorozatot adathalmazok segítségével?
Filmed:
Readability: 4
1,628,704 views
Több adat begyűjtése jobb döntéshozatalt eredményez? Kompetitív, adatközpontú cégek, mint az Amazon, a Google és a Netflix megtanulták, hogy az adatelemzés nem mindig jár optimális eredményekkel. Ebben a videóban Sebastian Wernicke, adattudós részletezi, hogy milyen hibákat véthetünk, ha kizárólag adathalmazok alapján hozunk döntéseket -- helyette pedig egy okosabb módszert javasol.
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
A legtöbben valószínűleg
még nem hallottatok Roy Price-ről,
még nem hallottatok Roy Price-ről,
00:17
even though he may have been responsible
1
5120
2496
pedig lehet, hogy neki köszönhettek
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
az életetekből kb. 22 középszerű percet
2013. április 19-én.
2013. április 19-én.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
Szintén lehet, hogy ő volt a felelős
22 nagyon szórakoztató percért
22 nagyon szórakoztató percért
00:29
but not very many of you.
4
17760
2256
de nem sok ember számára.
00:32
And all of that goes back to a decision
5
20040
1896
És mindez egy döntésből fakad,
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
amit Roy-nak kb. 3 éve
kellett meghoznia.
kellett meghoznia.
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
Roy Price felsővezető
az Amazon Studios-nál.
az Amazon Studios-nál.
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
Ez az Amazon tv-s produkciós cége.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
Roy 47 éves, vékony, tüskés hajú,
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
Twitteren így jellemzi magát:
"filmek, tv, technológia, taco."
"filmek, tv, technológia, taco."
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
Roy Price-nak nagyon felelősségteljes
munkája van, mert az ő felelőssége
munkája van, mert az ő felelőssége
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
kiválasztani a sorozatokat, az eredeti
tartalmat, amit az Amazon elkészít.
tartalmat, amit az Amazon elkészít.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
Ez természetesen nagyon kompetitív.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Hiszen már most
nagyon sok tv show létezik,
nagyon sok tv show létezik,
01:06
that Roy can't just choose any show.
15
54400
2176
Roy pedig nem választhat bármit.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Meg kell találnia
a nagyon, nagyon jó show-kat.
a nagyon, nagyon jó show-kat.
01:12
So in other words, he has to find shows
17
60720
2816
Más szóval, meg kell találnia
azokat a show-kat,
azokat a show-kat,
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
amelyek ennek a görbének
a jó végén vannak.
a jó végén vannak.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Ez a görbe kb. 2500 tv show
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
értékelési statisztikáját mutatja
az IMDB weboldalán
az IMDB weboldalán
01:25
and the rating goes from one to 10,
21
73040
2896
1-10-es skálán.
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
Itt pedig azt látjuk, mennyi show
kapja az adott osztályzatot.
kapja az adott osztályzatot.
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
Ha a műsorod 9 pontot, vagy többet kap,
az nyerő.
az nyerő.
01:35
Then you have a top two percent show.
24
83680
1816
Az egy top 2%-ba tartozó show.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
Mint pl. a "Totál szívás",
a "Trónok harca", vagy a "A drót".
a "Trónok harca", vagy a "A drót".
01:41
so all of these shows that are addictive,
26
89440
2296
Olyan addiktív sorozatok,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
amik egy évad megnézése után
felvetik a kérdést:
felvetik a kérdést:
01:46
"Where can I get more of these episodes?"
28
94840
2176
"Hol találom az újabb részeket?"
01:49
That kind of show.
29
97040
1200
Ilyenek.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
A skála bal szélén
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
van pl. az "Apró szépségek" --
01:56
(Laughter)
32
104640
2656
(Nevetés)
01:59
-- which should tell you enough
33
107320
1536
-- ami sokat elmond arról,
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
hogy mi zajlik a görbe rosszabbik végén.
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 nem amiatt aggódik,
hogy a görbe bal felére kerül,
hogy a görbe bal felére kerül,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
mert komoly agymunka kellene hozzá,
hogy rosszabbat csináljon
hogy rosszabbat csináljon
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
mint az "Apró szépségek".
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
Ami miatt aggódhat, az a középső rész,
02:15
the bulge of average TV,
39
123920
1816
az átlagos sorozatok része.
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
Azok a sorozatok, amik nem igazán
jók vagy rosszak,
jók vagy rosszak,
02:20
they don't really get you excited.
41
128639
1656
nem hoznak izgalomba.
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
Biztosra kell mennie,
hogy ennek a jó oldalán legyen.
hogy ennek a jó oldalán legyen.
02:27
So the pressure is on,
43
135200
1576
Tehát nagy a nyomás,
02:28
and of course it's also the first time
44
136800
2176
és ez az első alkalom,
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
hogy az Amazon ilyesmit csinál,
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
tehát Roy Price
semmit sem akar kockáztatni.
semmit sem akar kockáztatni.
02:36
He wants to engineer success.
47
144560
2456
Sikert akar építeni.
02:39
He needs a guaranteed success,
48
147040
1776
Garantált sikerre van szüksége.
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
Ennek érdekében versenyhelyzetet teremt.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Fog egy csomó sorozatötletet,
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
az ötleteket értékelik,
02:48
they select eight candidates for TV shows,
52
156920
4096
és kiválasztanak 8 sorozatjelölt show-t.
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
Aztán csak a sorozatok első részeit
készíti el,
készíti el,
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
online elérhetővé teszik,
ahol mindenki megnézheti.
ahol mindenki megnézheti.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
Amikor pedig az Amazon ingyen ad valamit,
03:01
you're going to take it, right?
56
169720
1536
lecsapunk rá, igaz?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Milliónyi néző tekinti meg
ezeket az epizódokat.
ezeket az epizódokat.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
Amit nem realizálnak,
hogy a show nézése közben
hogy a show nézése közben
03:11
actually, they are being watched.
59
179680
2296
igazából őket figyelik.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Őket figyeli Roy Price és csapata,
03:16
who record everything.
61
184360
1376
akik mindent rögzítenek.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
Rögzítik, ha valaki elindít,
szünetel egy videót,
szünetel egy videót,
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
melyik részeket ugorja át,
mely részeket néznek újra.
mely részeket néznek újra.
03:23
So they collect millions of data points,
64
191720
2256
És így milliónyi adatpontokat gyűjtenek,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
mert szükségük van az adatpontokra,
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
hogy eldönthessék,
melyik show-t rendeljék be.
melyik show-t rendeljék be.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
És be is gyűjtik az adatokat,
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
kielemzik őket, és előáll egy válasz.
03:35
and the answer is,
69
203640
1216
A válasz pedig:
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"Az Amazonnak csinálnia kell egy szitkomot
4 republikánus amerikai szenátorról."
4 republikánus amerikai szenátorról."
03:42
They did that show.
71
210440
1216
Meg is csinálták.
03:43
So does anyone know the name of the show?
72
211680
2160
Ismeri valaki a sorozatot?
03:46
(Audience: "Alpha House.")
73
214720
1296
(Közönség: "Alpha House")
03:48
Yes, "Alpha House,"
74
216040
1456
Igen, "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
de úgy tűnik,
igazából nem sokan emlékeztek rá,
igazából nem sokan emlékeztek rá,
03:53
because it didn't turn out that great.
76
221640
1856
mert nem volt jó.
03:55
It's actually just an average show,
77
223520
1856
Csak egy átlagos sorozat volt.
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
Tényleg átlagos, mert a görbe átlaga
7,4 körül van,
7,4 körül van,
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
Az "Alpha House"-t pedig 7,5-re
értékelték,
értékelték,
04:04
so a slightly above average show,
80
232440
2016
picit jobbra, mint egy átlagos show-t.
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
De Roy Price és csapata célja
egyáltalán nem ez volt.
egyáltalán nem ez volt.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
Eközben nagyjából ugyanekkor,
04:13
at another company,
83
241200
1576
egy másik cégnél
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
egy másik vezető top sorozatot
gyártott adatelemzés segítségével,
gyártott adatelemzés segítségével,
04:19
and his name is Ted,
85
247040
1576
az ő neve Ted,
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Ted Sarandos,
a Netflix tartalmakért felelős nagyfőnöke.
a Netflix tartalmakért felelős nagyfőnöke.
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
Akinek állandó feladata Roy-hoz hasonlóan
04:26
to find that great TV show,
88
254240
1496
rátalálni a sikersorozatokra.
04:27
and he uses data as well to do that,
89
255760
2016
Ő is adatokat elemez ennek érdekében,
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
viszont egy kicsit másképp csinálja.
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
Ahelyett, hogy versenyeztetné a
sorozatokat,
sorozatokat,
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
csapatával megvizsgálta
a Netflix már létező adatait a nézőkről.
a Netflix már létező adatait a nézőkről.
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
Olyanokat, mint az értékelések,
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
a korábban nézett sorozatok,
mely show-kat kedvelik stb.
mely show-kat kedvelik stb.
04:44
And then they use that data to discover
95
272000
1896
És ezeket az adatokat arra használják,
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
hogy minden apró részletet
megtudjanak a közönségről:
megtudjanak a közönségről:
04:48
what kinds of shows they like,
97
276560
1456
milyen sorozatokat kedvelnek,
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
milyen producereket,
milyen színészeket.
milyen színészeket.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
És amikor összerakták a kirakót,
04:54
they took a leap of faith,
100
282760
1656
hittek benne, és úgy döntöttek,
04:56
and they decided to license
101
284440
2096
hogy nem egy 4 szenátorról
04:58
not a sitcom about four Senators
102
286560
2456
szóló szitkomot készítenek,
05:01
but a drama series about a single Senator.
103
289040
2880
hanem egy drámasorozatot egy szenátorról.
05:04
You guys know the show?
104
292760
1656
Ismeritek a sorozatot?
05:06
(Laughter)
105
294440
1296
(Nevetés)
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
Igen, a "Kártyavár", ami nagyon
bejött a Netflixnek,
bejött a Netflixnek,
05:11
at least for the first two seasons.
107
299520
2136
legalábbis az első két évadban.
05:13
(Laughter) (Applause)
108
301680
3976
(Nevetés) (Taps)
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
A "Kártyavár" 9,1-es értékelést
kapott ezen a görbén,
kapott ezen a görbén,
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
ezzel pontosan ott van, ahova tervezték.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
A kérdés a következő: mi történt?
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Adott két nagyon kompetitív,
adatmániás cég.
adatmániás cég.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
Milliónyi adatpontokat gyűjtenek,
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
aztán az egyiküknek összejön,
05:34
and it doesn't work for the other one.
115
322480
1856
míg a másiknak nem.
05:36
So why?
116
324360
1216
Miért?
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
A logika szerint mindig működnie kellene.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Úgy értem, ha egy meghozandó döntésről
05:43
on a decision you're going to make,
119
331560
1736
milliónyi adatpontot összegyűjtesz,
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
abból elég jó döntésre
lehetne következtetni.
lehetne következtetni.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
200 évnyi statisztikára alapozhatod,
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
nagyon erős számítógépek segítségével.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
A minimum, amit elvársz,
az a jó tv, nem igaz?
az a jó tv, nem igaz?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
Amikor pedig az adatelemzés
nem így működik,
nem így működik,
06:01
then it actually gets a little scary,
125
349520
2056
egy kissé ijesztővé válik a helyzet,
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
mert olyan korban élünk, amikor
egyre többször fordulunk az adatokhoz,
egyre többször fordulunk az adatokhoz,
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
hogy a tv-nél sokkal komolyabb
döntéseket hozzunk.
döntéseket hozzunk.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Ismeri valaki
a Multi-Health Systems céget?
a Multi-Health Systems céget?
06:17
No one. OK, that's good actually.
129
365080
1656
Senki. Oké, az a jó.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
A Multi-Health Systems egy szoftvercég,
06:22
and I hope that nobody here in this room
131
370000
2816
és remélem, a jelenlévők közül
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
soha, senkinek
nem kell használnia a szoftverüket.
nem kell használnia a szoftverüket.
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
Mert aki használja, börtönben van.
06:30
(Laughter)
134
378160
1176
(Nevetés)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Ha valaki az USA-ban börtönben van,
és feltételest kérvényez,
és feltételest kérvényez,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
nagy eséllyel a cég adatelemző szoftverét
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
fogják használni a döntésnél.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
Az elv ugyanaz,
mint az Amazonnál és a Netflixnél,
mint az Amazonnál és a Netflixnél,
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
de nem egy tv show-ról döntik el,
hogy jó, vagy rossz-e,
hogy jó, vagy rossz-e,
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
hanem arról,
hogy egy ember jó, vagy rossz-e.
hogy egy ember jó, vagy rossz-e.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
Egy középszerű, 22 perces sorozat
is elég rossz lehet,
is elég rossz lehet,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
de több év börtönben
szerintem még rosszabb.
szerintem még rosszabb.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
Sajnos van rá bizonyíték,
hogy ez az adatelemzés
hogy ez az adatelemzés
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
a sok adat ellenére, nem mindig
zárul optimális eredményekkel.
zárul optimális eredményekkel.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
De nem azért, mert a Multi-Health Systems
és hasonló cégek
és hasonló cégek
07:13
doesn't know what to do with data.
146
421506
1627
nem tudják az adatokat kezelni.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
Még a legprofibb adatelemző cégek
is elrontják.
is elrontják.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Igen, néha még a Google is.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
2009-ben a Google bejelentette,
hogy adatelemzéssel
hogy adatelemzéssel
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
előre tudják jelezni
az influenzajárvány kitöréseit,
az influenzajárvány kitöréseit,
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
a Google keresések adatelemzésével.
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
Nagyszerűen működött,
nagy visszhangja volt a hírekben,
nagy visszhangja volt a hírekben,
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
többek között
a tudományos siker tetőpontján,
a tudományos siker tetőpontján,
07:39
a publication in the journal "Nature."
154
447200
2456
a "Nature" folyóiratban is publikálták.
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Gyönyörűen működött évről évre,
07:45
until one year it failed.
156
453320
1656
amíg egyszer csak mégsem.
07:47
And nobody could even tell exactly why.
157
455000
2256
Senki sem tudta, hogy pontosan miért.
07:49
It just didn't work that year,
158
457280
1696
Egyszerűen nem működött akkor,
07:51
and of course that again made big news,
159
459000
1936
persze megint nagy visszhangot keltett,
07:52
including now a retraction
160
460960
1616
visszavonták a "Nature"-ben
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
megjelent publikációt is.
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Tehát még a legjobb adatelemző cégek,
az Amazon és a Google is
az Amazon és a Google is
08:01
they sometimes get it wrong.
163
469840
2136
elrontja néha.
08:04
And despite all those failures,
164
472000
2936
Mindezen kudarcok ellenére
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
az adatok villámgyorsan épülnek
be az igazi döntéshozatalba
be az igazi döntéshozatalba
08:10
into the workplace,
166
478840
1816
a munkahelyen,
08:12
law enforcement,
167
480680
1816
a jogalkalmazásban,
08:14
medicine.
168
482520
1200
a gyógyászatban.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Ezért biztosra kell mennünk,
hogy az adatok segítenek.
hogy az adatok segítenek.
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
Személy szerint sok küzdelmet
megéltem adatokkal,
megéltem adatokkal,
08:22
because I work in computational genetics,
171
490920
1976
mert számítógépes genomikával foglalkozom
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
és ezen a területen sok nagyon okos ember
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
használ elképzelhetetlen mennyiségű adatot
fontos döntések meghozatalára,
fontos döntések meghozatalára,
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
pl. rákterápiát és
új gyógyszereket érintő kérdésekben.
új gyógyszereket érintő kérdésekben.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
Az évek során észrevettem egy mintát
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
vagy egy szabályt
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
az adatok segítségével
történő sikeres és sikertelen
történő sikeres és sikertelen
08:43
and unsuccessful decision-making,
178
511120
1616
döntéshozatal között.
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
Úgy gondolom,
érdemes megosztanom ezt a mintát.
érdemes megosztanom ezt a mintát.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
Amikor egy komplex problémával
nézünk szembe,
nézünk szembe,
08:52
you're doing essentially two things.
181
520679
1737
lényegében két dolgot csinálunk.
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
Az első: darabokra szedjük a problémát,
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
hogy azokat a darabokat
behatóan elemezzük.
behatóan elemezzük.
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
Aztán jön a második rész,
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
amikor újra összerakjuk a darabkákat,
09:05
to come to your conclusion.
186
533000
1336
hogy konklúzióra jussunk.
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
Néha újra és újra meg kell csinálnunk,
09:08
but it's always those two things:
188
536720
1656
de mindig ez a két rész a fontos:
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
szétszedni és újra összerakni.
09:14
And now the crucial thing is
190
542280
1616
A kritikus rész az,
09:15
that data and data analysis
191
543920
2896
hogy az adatok és az adatelemzés
09:18
is only good for the first part.
192
546840
2496
csak az első részre jók.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
Az adatok és az adatelemzés,
mindegy, milyen jó,
mindegy, milyen jó,
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
csak a probléma szétszedésében
és a darabok megértésében segíthet.
és a darabok megértésében segíthet.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Nem alkalmas
a darabok újbóli összerakására,
a darabok újbóli összerakására,
09:31
and then to come to a conclusion.
196
559600
1896
majd a konklúzió meghozatalára.
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
Van erre egy másik eszközünk,
amivel mindenki rendelkezik.
amivel mindenki rendelkezik.
09:36
and that tool is the brain.
198
564280
1296
Ez az eszköz az agyunk.
09:37
If there's one thing a brain is good at,
199
565600
1936
Ha valamire jó az agyunk,
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
az a darabkák újra összerakása,
09:41
even when you have incomplete information,
201
569840
2016
akkor is, ha az információ nem teljes,
09:43
and coming to a good conclusion,
202
571880
1576
és a jó következtetés,
09:45
especially if it's the brain of an expert.
203
573480
2936
különösképp, ha az agy egy szakértőé.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
Szerintem a Netflix azért olyan sikeres,
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
mert ott használják az adatokat
és az agyat, ahol szükséges.
és az agyat, ahol szükséges.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Először az adatokat használják, hogy
megtudjanak sok mindent a közönségről,
megtudjanak sok mindent a közönségről,
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
amit másképp nem tudnának
olyan mélyen megérteni,
olyan mélyen megérteni,
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
de a döntés a darabkák összerakásáról
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
egy olyan sorozat létrehozásánál,
mint a "Kártyavár",
mint a "Kártyavár",
az nem az adatoknak köszönhető.
10:07
that was nowhere in the data.
210
595720
1416
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
Ted Sarandos és csapata hozta a döntést
a sorozat berendeléséről,
a sorozat berendeléséről,
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
ami azt is jelentette, hogy elég nagy
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
személyes kockázatot vállaltak vele.
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
Az Amazonnál pedig rosszul csinálták.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Végig adatokat használtak
a döntéshozatalban.
a döntéshozatalban.
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
Először amikor versenyeztették
az ötleteket,
az ötleteket,
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
majd amikor kiválasztották
az "Alpha House"-t.
az "Alpha House"-t.
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
Ami persze nagyon biztonságos döntés
volt számukra,
volt számukra,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
mert mindig mutogathattak az adatokra,
mondván, hogy
mondván, hogy
10:35
"This is what the data tells us."
220
623400
1696
"Az adatokból ez következik."
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
De mégsem hozta az elvárt
kiugró eredményeket.
kiugró eredményeket.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Az adatelemzés persze nagyon hasznos
eszköz a jobb döntéshozatalban,
eszköz a jobb döntéshozatalban,
10:47
but I believe that things go wrong
223
635120
2376
de szerintem az már rossz,
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
ha adatok kezdik
meghatározni a döntéseket.
meghatározni a döntéseket.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
Mindegy, milyen erőteljes,
az adat csak eszköz.
az adat csak eszköz.
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
Van egy nagyon hasznos eszköz arra,
hogy ezt ne felejtsük el.
hogy ezt ne felejtsük el.
10:59
Many of you will ...
227
647280
1216
Ez ismerős lesz...
11:00
(Laughter)
228
648520
1216
(Nevetés)
11:01
Before there was data,
229
649760
1216
Az adatelemzés előtt
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
ezt az eszközt használták
döntéshozatalra.
döntéshozatalra.
11:05
(Laughter)
231
653880
1256
(Nevetés)
11:07
Many of you will know this.
232
655160
1336
Sokan ismeritek.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Ez a játék a Varázslatos 8-as golyó,
11:10
and it's really amazing,
234
658497
1199
és valóban lenyűgöző.
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
Ha van egy eldöntendő kérdésed,
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
csak megrázod a labdát,
és választ kapsz rá:
és választ kapsz rá:
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
"Nagyon valószínű"
olvasható rajta máris.
olvasható rajta máris.
11:21
I'll have it out later for tech demos.
238
669240
2096
Később kipróbálhatjátok.
11:23
(Laughter)
239
671360
1216
(Nevetés)
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
Hoztam pár olyan döntést az életben,
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
amikor csak a golyóra kellett volna
hallgatnom.
hallgatnom.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
De persze, ha van
elérhető háttérinformáció,
elérhető háttérinformáció,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
valami ennél kifinomultabbat
is használnánk,
is használnánk,
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
mint például az adatelemzést,
hogy jobb döntést hozzunk.
hogy jobb döntést hozzunk.
11:41
But that does not change the basic setup.
245
689200
2616
De ez nem változtat az alapfelálláson.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
lehet, hogy a golyó egyre okosabb lesz,
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
de még mindig nekünk kell döntenünk,
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
ha valami rendkívülit akarunk elérni
11:52
on the right end of the curve.
249
700920
1936
a görbe jó végén.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
Nagyon ösztönzőnek tartom,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
hogy még hatalmas adathalmazok
12:03
it still pays off to make decisions,
252
711400
4096
mellett is kifizetődik a döntéshozatal,
12:07
to be an expert in what you're doing
253
715520
2656
hogy szakértője legyél a témának,
12:10
and take risks.
254
718200
2096
és hogy kockáztass.
12:12
Because in the end, it's not data,
255
720320
2776
Mert végül is nem az adatok,
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
hanem a kockázat segít át
a görbe jó oldalára.
a görbe jó oldalára.
12:19
Thank you.
257
727840
1216
Köszönöm.
12:21
(Applause)
258
729080
3680
(Taps)
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