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

Why you should listen

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

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

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

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

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

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

Tricia Wang: The human insights missing from big data

トリシア・ワン: ビッグデータから見落とされる人間的な洞察

Filmed:
1,688,539 views

多くの企業が、かつてないほどの膨大な量のデータが利用できるようになったのに、間違った決断を下します。それは何故でしょうか?トリシア・ワンは、ノキアからNetflix、古代ギリシアの神託の話を例に挙げながら、ビッグデータの謎を解き明かし、その落とし穴を特定します。「シックデータ(濃密データ)」という、実際の人から受ける貴重で数値化できない洞察を重要視し、ビジネス上の正しい判断を行って未知の世界で成功することを考えようではありませんか。
- Technology ethnographer
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers. Full bio

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

00:12
In ancient古代 Greeceギリシャ,
0
885
1545
古代ギリシアでは
00:15
when anyone誰でも from slaves奴隷 to soldiers兵隊,
poets詩人 and politicians政治家,
1
3436
3943
奴隷でも兵士でも詩人でも政治家でも
00:19
needed必要な to make a big大きい decision決定
on life's人生 most最も important重要 questions質問,
2
7403
4004
人生で最高に重要な問いに対して
大きな決断をしなければならない時 —
00:23
like, "Should I get married既婚?"
3
11431
1391
例えば
「結婚すべきか?」
00:24
or "Should we embark始まる on this voyage航海?"
4
12846
1857
あるいは
「この航海を始めるべきか?」
00:26
or "Should our army
advance前進 into this territory地域?"
5
14727
2928
あるいは
「自軍はこの地域に進出すべきか?」
00:29
they all consulted相談した the oracleオラクル.
6
17679
2579
「巫女(オラクル)」に伺いを立てました
00:33
So this is how it worked働いた:
7
21020
1440
やり方はこうです
00:34
you would bring持参する her a question質問
and you would get on your knees,
8
22484
3112
巫女に質問してひざまずくと
00:37
and then she would go into this tranceトランス.
9
25620
1871
巫女はトランス状態となります
00:39
It would take a coupleカップル of days日々,
10
27515
1549
2、3日経つと
00:41
and then eventually最終的に
she would come out of it,
11
29088
2163
最後に 巫女が正気に戻って
00:43
giving与える you her predictions予測 as your answer回答.
12
31275
2536
答えとして予言をしました
00:46
From the oracleオラクル bones骨格 of ancient古代 China中国
13
34910
2566
古代中国の 「占い(オラクル)」の骨から
00:49
to ancient古代 Greeceギリシャ to Mayanマヤ calendarsカレンダー,
14
37500
2345
古代ギリシアやマヤ暦まで
00:51
people have craved欲しがる for prophecy預言
15
39869
2296
人々は予言を切望してきました
00:54
in order注文 to find out
what's going to happen起こる next.
16
42189
3137
次に何が起きるか
知るためでした
00:58
And that's because we all want
to make the right decision決定.
17
46516
3239
私たちは皆 正しい決断を
下したいと願うからです
01:01
We don't want to missミス something.
18
49779
1545
見落したくないのです
01:03
The future未来 is scary怖い,
19
51892
1743
未来は怖いので
01:05
so it's much nicerより良い
knowing知っている that we can make a decision決定
20
53659
2717
結果に対して なんらかの保証があって
決断できると分れば
01:08
with some assurance保証 of the outcome結果.
21
56400
1982
すごくありがたいことなのです
01:11
Well, we have a new新しい oracleオラクル,
22
59079
1611
さて私たちには
新しい「オラクル」があります
01:12
and it's name is big大きい dataデータ,
23
60714
2145
その名も「ビッグデータ」や
01:14
or we call it "Watsonワトソン"
or "deep深い learning学習" or "neuralニューラル netネット."
24
62883
3939
「ワトソン」「ディープラーニング」
「ニューラルネット」呼び方は様々です
01:19
And these are the kinds種類 of questions質問
we ask尋ねる of our oracleオラクル now,
25
67340
4012
私たちが「オラクル」に 尋ねる問いは
例えば
01:23
like, "What's the most最も efficient効率的な way
to ship these phones電話機
26
71376
3922
「中国からスウェーデンに
スマホを発送するための
01:27
from China中国 to Swedenスウェーデン?"
27
75322
1823
一番効率の良い方法は?」
01:29
Or, "What are the oddsオッズ
28
77169
1800
あるいは「私の子が
01:30
of my child beingであること bornうまれた
with a genetic遺伝的な disorder障害?"
29
78993
3363
遺伝性疾患を持って生まれてくる確率は?」
01:34
Or, "What are the sales販売 volumeボリューム
we can predict予測する for this product製品?"
30
82952
3244
あるいは
「この製品の 売り上げ予想は?」などです
01:40
I have a dog. Her name is Elleエル,
and she hates嫌う the rain.
31
88108
4047
私の犬は エルという名前で
雨が大嫌いです
01:44
And I have tried試した everything
to untrainトレイン her.
32
92179
3306
雨嫌いをなくそうと
あらゆることをしました
01:47
But because I have failed失敗した at this,
33
95509
2771
でも 失敗に終わったので
01:50
I alsoまた、 have to consult相談する
an oracleオラクル, calledと呼ばれる Darkダーク Sky,
34
98304
3286
私も「ダークスカイ」というアプリの
「予測(オラクル)」に頼らねばなりません
01:53
everyすべて time before we go on a walk歩く,
35
101614
1635
散歩前にいつも
01:55
for very accurate正確 weather天気 predictions予測
in the next 10 minutes.
36
103273
3577
今から10分間の正確な
天気予想を調べるのです
02:01
She's so sweet甘い.
37
109535
1303
とても可愛い犬です
02:03
So because of all of this,
our oracleオラクル is a $122 billion industry業界.
38
111827
5707
このような用向きのため
私たちの予測は1220億ドルの産業です
02:10
Now, despite何と the sizeサイズ of this industry業界,
39
118006
3376
巨大な産業にも関わらず
02:13
the returns返品 are surprisingly驚くほど low低い.
40
121406
2456
利益は驚くほど低いです
02:16
Investing投資 in big大きい dataデータ is easy簡単,
41
124342
2494
ビッグデータへの投資は容易ですが
02:18
but usingを使用して it is hardハード.
42
126860
1933
活用するのは困難です
02:21
Over 73 percentパーセント of big大きい dataデータ projectsプロジェクト
aren'tない even profitable収益性の高い,
43
129981
4040
ビッグデータを使ったプロジェクトの
73%以上は 赤字で
02:26
and I have executivesエグゼクティブ
coming到来 up to me saying言って,
44
134045
2431
重役が私の所にやってきて
こう言います
02:28
"We're experiencing経験する the same同じ thing.
45
136500
1789
「私たちも同じ経験をしている
02:30
We invested投資した in some big大きい dataデータ systemシステム,
46
138313
1753
ビッグデータのシステムに投資したが
02:32
and our employees従業員 aren'tない making作る
better decisions決定.
47
140090
2968
従業員たちは良い決定ができない
02:35
And they're certainly確かに not coming到来 up
with more breakthrough画期的な ideasアイデア."
48
143082
3162
さらにブレークスルーになるような
アイデアも出てこない」と
02:38
So this is all really interesting面白い to me,
49
146914
3184
これは全て実に私にとって興味深いことです
02:42
because I'm a technology技術 ethnographer民族学者.
50
150122
2010
私は テクノロジー・エスノグラファー
(IT民族誌学者)だからです
02:44
I study調査 and I adviseアドバイス companies企業
51
152630
2564
私は人がテクノロジーを
利用するパターンについて
02:47
on the patternsパターン
of how people use technology技術,
52
155218
2483
研究し 企業に助言していて
02:49
and one of my interest利子 areasエリア is dataデータ.
53
157725
2678
私が関心をもつ分野の一つが
データなのです
02:52
So why is having持つ more dataデータ
not helping助ける us make better decisions決定,
54
160427
5193
得られるデータが増えても
より良い決定の助けにならないのはなぜか?
02:57
especially特に for companies企業
who have all these resourcesリソース
55
165644
2783
こういったビッグデータの
システムに投資するための
03:00
to invest投資する in these big大きい dataデータ systemsシステム?
56
168451
1736
あらゆるリソースを持つ
企業にとっては特にそうです
03:02
Why isn't it getting取得 any easierより簡単に for them?
57
170211
2398
どうして彼らにとって
簡単にならないのか?
03:05
So, I've witnessed目撃した the struggle闘争 firsthand直接.
58
173990
2634
さて 私はこのような葛藤を
直接見てきました
03:09
In 2009, I started開始した
a research研究 positionポジション with Nokiaノキア.
59
177374
3484
2009年に 私は
ノキアで調査研究の仕事を始めました
03:13
And at the time,
60
181232
1158
そして当時
03:14
Nokiaノキア was one of the largest最大
cell細胞 phone電話 companies企業 in the world世界,
61
182414
3158
ノキアは世界で最大手の
携帯電話会社であり
03:17
dominating優位 emerging新興 markets市場
like China中国, Mexicoメキシコ and Indiaインド --
62
185596
3202
中国、メキシコ、インドなどの
新興市場を支配し —
03:20
all places場所 where I had done完了
a lot of research研究
63
188822
2502
これら全ての国において
低所得層の人が
03:23
on how low-income低収入 people use technology技術.
64
191348
2676
どのようにテクノロジーを利用するか
調査研究をしました
03:26
And I spent過ごした a lot of extra余分な time in China中国
65
194048
2330
また非正規経済を知るために
03:28
getting取得 to know the informal非公式 economy経済.
66
196402
2592
特に中国には時間をかけました
03:31
So I did things like workingワーキング
as a street通り vendorベンダー
67
199018
2401
そこで 私は 建設労働者に
点心を売る
03:33
selling販売 dumplings餃子 to construction建設 workers労働者.
68
201443
2574
露天商をしました
03:36
Or I did fieldworkフィールドワーク,
69
204041
1358
また フィールドワークで
03:37
spending支出 nights夜間 and days日々
in internetインターネット cafカフェés,
70
205423
2958
何日も夜も昼もネットカフェで過ごし
中国の若者と出歩いたりして
03:40
hanging吊るす out with Chinese中国語 youth若者,
so I could understandわかる
71
208405
2546
若者が ゲームや携帯電話を
どう利用しているか
03:42
how they were usingを使用して
gamesゲーム and mobileモバイル phones電話機
72
210975
2284
田舎から都市部への移動時に
携帯をどう使うかを
03:45
and usingを使用して it betweenの間に moving動く
from the rural農村 areasエリア to the cities都市.
73
213283
3370
理解することもしました
03:50
Throughスルー all of this qualitative定性 evidence証拠
that I was gathering集まる,
74
218335
3927
こういった 自分が集めた
質的証拠の全てを通して
03:54
I was starting起動 to see so clearlyはっきりと
75
222286
2824
私にはっきりと見え始めたのは
03:57
that a big大きい change変化する was about to happen起こる
among low-income低収入 Chinese中国語 people.
76
225134
4472
中国の低所得者層に まさに
大きな変化が起ころうとしていることでした
04:03
Even thoughしかし they were surrounded囲まれた
by advertisements広告 for luxury贅沢 products製品
77
231020
4367
彼らは様々な贅沢品の広告に
囲まれていましたが
04:07
like fancyファンシー toiletsトイレ --
who wouldn'tしないだろう want one? --
78
235411
3495
例えば 高機能トイレなどは
誰もが欲しいと思いますよね?
04:10
and apartmentsアパート and cars,
79
238930
2890
それとアパートや車などなど
04:13
throughを通して my conversations会話 with them,
80
241844
1820
でも 彼らと会話して気づいたのですが
04:15
I found見つけた out that the ads広告
the actually実際に enticed誘惑された them the most最も
81
243688
3841
彼らが一番惹きつけられていた広告は
04:19
were the onesもの for iPhonesiPhone,
82
247553
1996
iPhoneの広告で
04:21
promising有望 them this entryエントリ
into this high-techハイテク life.
83
249573
3052
ハイテク生活へのデビューを
約束する広告でした
04:25
And even when I was living生活 with them
in urban都市 slumsスラム like this one,
84
253469
3163
そして私がこんな 都会のスラムに
暮らしていた時でさえ
04:28
I saw people investing投資
over halfハーフ of their彼らの monthly毎月 income所得
85
256656
2996
人々が 月収の半分以上を投じて
04:31
into buying買う a phone電話,
86
259676
1623
電話を買うのを目にしました
04:33
and increasinglyますます, they were "shanzhaiシャンハイ,"
87
261323
2302
そうして増えたのが「シャンザイ」という
04:35
whichどの are affordable手頃な価格 knock-offsノックオフ
of iPhonesiPhone and other brandsブランド.
88
263649
3388
iPhoneやその他のブランドの
安い模倣品でした
04:40
They're very usable使用可能な.
89
268303
1625
かなり使い物になります
04:42
Does the jobジョブ.
90
270890
1322
十分機能を果たします
04:44
And after years of living生活
with migrants移民 and workingワーキング with them
91
272750
5789
数年間 移動労働者と生活や仕事を共にして
04:50
and just really doing everything
that they were doing,
92
278563
3434
移動労働者がやることを
ほぼ全てやった後で
04:54
I started開始した piecing縫う
all these dataデータ pointsポイント together一緒に --
93
282021
3597
私は 全てのデータポイントを
まとめ始めて—
04:57
from the things that seem思われる randomランダム,
like me selling販売 dumplings餃子,
94
285642
3123
点心売りのような
バラバラに見えるものから
05:00
to the things that were more obvious明らか,
95
288789
1804
携帯電話料金の
支払額の推移のような
05:02
like tracking追跡 how much they were spending支出
on their彼らの cell細胞 phone電話 bills紙幣.
96
290617
3232
より明確なことまでをまとめ始めました
05:05
And I was ableできる to create作成する
this much more holisticホリスティックな picture画像
97
293873
2639
そして
何が起ころうとしているかの
05:08
of what was happeningハプニング.
98
296536
1156
全体像を作ることができました
05:09
And that's when I started開始した to realize実現する
99
297716
1722
そのときに分かり始めたことがあります
05:11
that even the poorest最貧 in China中国
would want a smartphoneスマートフォン,
100
299462
3509
それは 中国では 底辺所得者層の人々もが
スマホを欲しいと考えていて
05:14
and that they would do almostほぼ anything
to get their彼らの hands on one.
101
302995
4985
一台手に入れるためなら
ほぼ何でもするということです
05:21
You have to keep in mindマインド,
102
309073
2404
思い出してください
05:23
iPhonesiPhone had just come out, it was 2009,
103
311501
3084
iPhoneが出たての2009年 つまり
05:26
so this was, like, eight8 years ago,
104
314609
1885
約8年前
05:28
and Androidsアンドロイド had just started開始した
looking like iPhonesiPhone.
105
316518
2437
iPhoneのような見た目の
アンドロイド携帯も登場しました
05:30
And a lot of very smartスマート
and realistic現実的な people said,
106
318979
2507
賢くて 現実的な人たちの
多くがこう言っていました
05:33
"Those smartphonesスマートフォン -- that's just a fad流行.
107
321510
2207
「スマホなんて 一時の流行にすぎない
05:36
Who wants to carryキャリー around
these heavyヘビー things
108
324243
2996
誰がこんな重いものを
持ち歩きたいと思うか?
05:39
where batteries電池 drainドレイン quickly早く
and they breakブレーク everyすべて time you dropドロップ them?"
109
327263
3487
バッテリだってすぐに切れるし
一度落としたら故障するのに」
05:44
But I had a lot of dataデータ,
110
332793
1201
でも 私は多くのデータを元に
05:46
and I was very confident自信を持って
about my insights洞察,
111
334018
2260
すごく自信を持って予見できました
05:48
so I was very excited興奮した
to shareシェア them with Nokiaノキア.
112
336302
2829
ワクワクしながら
その予見をノキアに知らせました
05:53
But Nokiaノキア was not convinced確信している,
113
341332
2517
でも ノキアは懐疑的でした
05:55
because it wasn'tなかった big大きい dataデータ.
114
343873
2335
それがビッグデータでは
なかったからです
05:59
They said, "We have
millions何百万 of dataデータ pointsポイント,
115
347022
2404
「我々は何百万もの
データポイントを持っている
06:01
and we don't see any indicators指標
of anyone誰でも wanting欲しい to buy購入 a smartphoneスマートフォン,
116
349450
4247
けれど スマホを購入したいと
思う人の指標は見えないし
06:05
and your dataデータ setセット of 100,
as diverse多様 as it is, is too weak弱い
117
353721
4388
たった100件の
バラバラのデータでは弱すぎる
06:10
for us to even take seriously真剣に."
118
358133
1714
まともに取り上げるに値しない」と
06:12
And I said, "Nokiaノキア, you're right.
119
360908
1605
私は言いました
「御社のいう通りです
06:14
Of courseコース you wouldn'tしないだろう see this,
120
362537
1560
スマートフォンがどういうものかを
06:16
because you're sending送信 out surveysアンケート
assuming前提 that people don't know
121
364121
3371
人が知らないという前提で
調査していれば
06:19
what a smartphoneスマートフォン is,
122
367516
1159
当然 見えないでしょうね
06:20
so of courseコース you're not going
to get any dataデータ back
123
368699
2366
だから当然 これから2年間で
スマホの購入を希望する人についての
06:23
about people wanting欲しい to buy購入
a smartphoneスマートフォン in two years.
124
371089
2572
データを手にすることはありません
06:25
Your surveysアンケート, your methodsメソッド
have been designed設計
125
373685
2118
御社の調査と手法は
既存のビジネスモデルを
06:27
to optimize最適化する an existing既存の businessビジネス modelモデル,
126
375827
2022
最適化するためのデザインですが
06:29
and I'm looking
at these emergent緊急の human人間 dynamicsダイナミクス
127
377873
2608
私が見ている人間の動態は
これから出てくるもので
06:32
that haven't持っていない happened起こった yetまだ.
128
380505
1354
まだ起きていない事象なんです
06:33
We're looking outside外側 of market市場 dynamicsダイナミクス
129
381883
2438
私たちは市場力学の外側を見て
06:36
so that we can get ahead前方に of it."
130
384345
1631
その先を行けるよう 努めています」と
06:39
Well, you know what happened起こった to Nokiaノキア?
131
387373
2244
そして ノキアの結末は ご存知の通りです
06:41
Their彼らの businessビジネス fell落ちた off a cliff.
132
389641
2365
業績は崖から落ちるように下がりました
06:44
This -- this is the costコスト
of missing行方不明 something.
133
392791
3727
これは 大切なものを
見落としたことの代償です
06:49
It was unfathomable理解できない.
134
397163
1999
それは計り知れないものでした
06:52
But Nokia'sノキア not alone単独で.
135
400003
1651
でもノキアだけではありませんでした
06:54
I see organizations組織
throwing投げ out dataデータ all the time
136
402258
2581
様々な組織が いつもデータを
廃棄するのを見て来ました
06:56
because it didn't come from a quant定量 modelモデル
137
404863
2561
理由は 定量モデルから
出たものではないとか
06:59
or it doesn't fitフィット in one.
138
407448
1768
合致するモデルが
ないというものでした
07:02
But it's not big大きい data'sデータ fault不具合.
139
410219
2048
でもそれはビッグデータのせいではありません
07:04
It's the way we use big大きい dataデータ;
it's our responsibility責任.
140
412942
3907
ビッグデータを 私たちがどう扱うかであり
私たちの責任です
07:09
Big大きい data'sデータ reputation評判 for success成功
141
417730
1911
ビッグデータを使用した成功例は
07:11
comes来る from quantifying定量化する
very specific特定 environments環境,
142
419665
3759
ごく限定された環境の定量化に
基づいたものであり
07:15
like electricity電気 powerパワー gridsグリッド
or delivery配達 logisticsロジスティクス or genetic遺伝的な codeコード,
143
423448
4913
送電網や物流システムや
遺伝子コードなど
07:20
when we're quantifying定量化する in systemsシステム
that are more or lessもっと少なく contained含まれる.
144
428385
4318
ほぼ閉じたシステムを
定量化した場合です
07:24
But not all systemsシステム
are as neatlyきれいに contained含まれる.
145
432727
2969
でも 全てのシステムが
きちんと閉じている訳ではありません
07:27
When you're quantifying定量化する
and systemsシステム are more dynamic動的,
146
435720
3258
より動的なシステムで
定量化を行う場合
07:31
especially特に systemsシステム
that involve関与する human人間 beings存在,
147
439002
3799
特にシステムに
人間が関与している場合は
07:34
forces are complex複合体 and unpredictable予測不可能な,
148
442825
2426
影響を与える要素は複雑で
予想不可能になり
07:37
and these are things
that we don't know how to modelモデル so well.
149
445275
3486
これらに関して
うまくモデル化する術がありません
07:41
Once一度 you predict予測する something
about human人間 behavior動作,
150
449204
2813
人間の行動について 一旦何かを予想すると
07:44
new新しい factors要因 emerge出現する,
151
452041
1855
新たなファクターが出現します
07:45
because conditions条件
are constantly常に changing変化.
152
453920
2365
なぜなら 常に条件は変化するからです
07:48
That's why it's a never-ending終わりのない cycleサイクル.
153
456309
1803
そのため 終わりのない循環となります
07:50
You think you know something,
154
458136
1464
何かを理解したと思ったら
07:51
and then something unknown未知の
enters入る the picture画像.
155
459624
2242
未知のものが 関与してきます
07:53
And that's why just relying信頼
on big大きい dataデータ alone単独で
156
461890
3322
だから ビッグデータに頼るだけでは
07:57
increases増加する the chanceチャンス
that we'll私たちは missミス something,
157
465236
2849
何かを見落とす可能性が高まる一方で
08:00
while giving与える us this illusion錯覚
that we already既に know everything.
158
468109
3777
全てが分かっているかのような
幻想が生まれるのです
08:04
And what makes作る it really hardハード
to see this paradox逆説
159
472406
3856
このパラドックスに気付き 理解することが
非常に困難なのは
08:08
and even wrapラップ our brains頭脳 around it
160
476286
2659
08:10
is that we have this thing
that I call the quantification定量 biasバイアス,
161
478969
3691
私が 「定量化バイアス」と呼ぶ
状況があるからです
08:14
whichどの is the unconscious無意識 belief信念
of valuing評価 the measurable測定可能な
162
482684
3922
それは 測定可能なものを
測定不可能なものよりも重視するという
08:18
over the immeasurable計り知れない.
163
486630
1594
無意識の信念です
08:21
And we oftenしばしば experience経験 this at our work.
164
489222
3284
そして これは
私たちの仕事において ありがちな経験です
08:24
Maybe we work alongside一緒に
colleagues同僚 who are like this,
165
492530
2650
多分 私たちは
このような同僚の傍で働いているか
08:27
or even our whole全体 entire全体
company会社 mayかもしれない be like this,
166
495204
2428
会社全体がこのような状態
なのかもしれません
08:29
where people become〜になる
so fixated固定された on that number,
167
497656
2546
そこでは人が数字に固執していて
08:32
that they can't see anything
outside外側 of it,
168
500226
2067
目の前に証拠を突きつけられても
08:34
even when you presentプレゼント them evidence証拠
right in frontフロント of their彼らの face.
169
502317
3948
それ以外のものを見ることができないのです
08:39
And this is a very appealing訴える messageメッセージ,
170
507123
3371
定量化が とても訴えかけるメッセージなのは
08:42
because there's nothing
wrong違う with quantifying定量化する;
171
510518
2343
なぜなら そこに何ら間違いはなく
08:44
it's actually実際に very satisfying満足する.
172
512885
1430
実際 とても満足のいくことだからです
08:46
I get a great senseセンス of comfort快適
from looking at an ExcelExcel spreadsheetスプレッドシート,
173
514339
4362
ごく単純なエクセルの
スプレッドシートを見ても
08:50
even very simple単純 onesもの.
174
518725
1401
私はとても心地よさを感じます
08:52
(Laughter笑い)
175
520150
1014
(笑)
08:53
It's just kind種類 of like,
176
521188
1152
ちょうどこんな感じです
08:54
"Yes! The formula worked働いた. It's all OK.
Everything is under controlコントロール."
177
522364
3504
「そう!数式がうまく働いたから大丈夫
全てうまくいっている」
08:58
But the problem問題 is
178
526792
2390
でも問題なのは
09:01
that quantifying定量化する is addictive中毒性の.
179
529206
2661
定量化には依存性があることです
09:03
And when we forget忘れる that
180
531891
1382
そのことを忘れて
09:05
and when we don't have something
to kind種類 of keep that in checkチェック,
181
533297
3038
その確認を常に促す
何かを備えていなければ
09:08
it's very easy簡単 to just throwスロー out dataデータ
182
536359
2118
数値で示せないからという理由で
09:10
because it can't be expressed表現された
as a numerical数値 value.
183
538501
2718
データを棄ててしまいがちです
09:13
It's very easy簡単 just to slipスリップ
into silver-bullet銀色の弾丸 thinking考え,
184
541243
2921
あたかも 簡単な解決策が存在するかのような
09:16
as if some simple単純 solution溶液 existed存在した.
185
544188
2579
特効薬的な思考に陥るのは
非常に簡単なことです
09:19
Because this is a great moment瞬間 of danger危険
for any organization組織,
186
547600
4062
これはどんな組織にとっても
危険な瞬間です
09:23
because oftentimesしばしば,
the future未来 we need to predict予測する --
187
551686
2634
しばしば 私たちが
予測しなければならない未来は
09:26
it isn't in that haystackヘイスタック,
188
554344
2166
干し草の山の中ではなく
09:28
but it's that tornado竜巻
that's bearingベアリング down on us
189
556534
2538
納屋の外で迫ってくる
09:31
outside外側 of the barn納屋.
190
559096
1488
竜巻そのものなのです
09:34
There is no greater大きい riskリスク
191
562960
2326
未知のものが見えないことほど
09:37
than beingであること blindブラインド to the unknown未知の.
192
565310
1666
大きなリスクはありません
09:39
It can cause原因 you to make
the wrong違う decisions決定.
193
567000
2149
間違った結論に至りかねません
09:41
It can cause原因 you to missミス something big大きい.
194
569173
1974
大きなものを見落とす結果になりかねません
09:43
But we don't have to go down this pathパス.
195
571734
3101
でも この道を進まなくても良いのです
09:47
It turnsターン out that the oracleオラクル
of ancient古代 Greeceギリシャ
196
575453
3195
古代ギリシアの神託が
行く末を私たちに示す
09:50
holds保持 the secret秘密 keyキー
that showsショー us the pathパス forward前進.
197
578672
3966
秘密の鍵を握っていることが分かりました
09:55
Now, recent最近 geological地質学的 research研究 has shown示された
198
583654
2595
さて 最近の地質調査によると
09:58
that the Temple寺院 of Apolloアポロ,
where the most最も famous有名な oracleオラクル sat座っている,
199
586273
3564
もっとも有名な巫女が神託をもたらした
アポロの神殿は
10:01
was actually実際に built建てられた
over two earthquake地震 faults不具合.
200
589861
3084
なんと 2つの地震断層の上に
建造されているのです
10:04
And these faults不具合 would release解放
these petrochemical石油化学 fumes
201
592969
2886
そして これらの断層は地殻の下から
10:07
from underneath下の the Earth's地球の crust地殻,
202
595879
1685
原油由来の蒸気を放出し
10:09
and the oracleオラクル literally文字通り sat座っている
right above上の these faults不具合,
203
597588
3866
巫女は文字通り
この断層の真上に座して
10:13
inhaling吸入 enormous巨大な amounts金額
of ethyleneエチレン gasガス, these fissures亀裂.
204
601478
3588
亀裂から放出された
大量のエチレンガスを吸い込んでいました
10:17
(Laughter笑い)
205
605090
1008
(笑)
10:18
It's true真実.
206
606122
1173
実話ですよ
10:19
(Laughter笑い)
207
607319
1017
(笑)
10:20
It's all true真実, and that's what made her
babble手を振る and hallucinate幻覚する
208
608360
3509
実話であり このため巫女は
大声でわめきながら 幻覚を見て
10:23
and go into this trance-likeトランスのような state状態.
209
611893
1724
トランス状態になったのです
10:25
She was high高い as a kite!
210
613641
1770
彼女は凧のように舞い上がりました
10:27
(Laughter笑い)
211
615435
4461
(笑)
10:31
So how did anyone誰でも --
212
619920
2779
どうしたら —
10:34
How did anyone誰でも get
any useful有用 advice助言 out of her
213
622723
3030
このような状態にある彼女から
有益な助言を
10:37
in this state状態?
214
625777
1190
受けることができたでしょうか?
10:39
Well, you see those people
surrounding周囲 the oracleオラクル?
215
627497
2381
巫女を取り囲む人たちを見てください
10:41
You see those people holdingホールディング her up,
216
629902
1879
人々が彼女を抱え上げています
10:43
because she's, like, a little woozyうぬぼれた?
217
631805
1717
彼女は少しふらついていますよね?
10:45
And you see that guy
on your left-hand左手 side
218
633546
2308
そして左手の男性が 見えますが
10:47
holdingホールディング the orangeオレンジ notebookノート?
219
635878
1598
彼はオレンジ色の手帳を持っていますよね?
10:50
Well, those were the temple寺院 guidesガイド,
220
638105
1730
彼らは 介添え人であり
10:51
and they worked働いた handハンド in handハンド
with the oracleオラクル.
221
639859
3016
巫女と連携して働いていました
10:56
When inquisitors尋問者 would come
and get on their彼らの knees,
222
644084
2516
質問者がきて 跪くと
10:58
that's when the temple寺院 guidesガイド
would get to work,
223
646624
2340
寺院の介添え人たちが
仕事に就く時です
11:00
because after they asked尋ねた her questions質問,
224
648988
1864
彼らが巫女に質問した後
11:02
they would observe観察する their彼らの emotional感情の state状態,
225
650876
2001
彼らの感情的な状態を見て
11:04
and then they would ask尋ねる them
follow-upファローアップ questions質問,
226
652901
2324
補足的な質問をします
11:07
like, "Why do you want to know
this prophecy預言? Who are you?
227
655249
2834
例えば 「なぜこの予言が知りたいのか?
あなたは何者か?
11:10
What are you going to do
with this information情報?"
228
658107
2264
この情報で 何をするつもりか?」
などなど
11:12
And then the temple寺院 guidesガイド would take
this more ethnographic民族誌,
229
660395
3182
介添え人たちは
この答えを追加の民俗学的で
11:15
this more qualitative定性 information情報,
230
663601
2156
定性的な情報として加味して
11:17
and interpret解釈する the oracle'sオラクルの babblingsおしゃぶり.
231
665781
2075
巫女のつぶやきを神託として
解釈しました
11:21
So the oracleオラクル didn't standスタンド alone単独で,
232
669428
2292
巫女が単独で神託を下したのではありません
11:23
and neitherどちらも should our big大きい dataデータ systemsシステム.
233
671744
2148
私たちのビッグデータもそうあるべきです
11:26
Now to be clearクリア,
234
674630
1161
さて 誤解のないよう
11:27
I'm not saying言って that big大きい dataデータ systemsシステム
are huffingハッフィング ethyleneエチレン gasガス,
235
675815
3459
私は ビッグデータのシステムが
エチレン酔いだなどとは言いません
11:31
or that they're even giving与える
invalid無効 predictions予測.
236
679298
2353
全てが根拠のない予想だと
言うつもりもありません
11:33
The total合計 opposite反対の.
237
681675
1161
その全く反対です
11:34
But what I am saying言って
238
682860
2068
でも私が言っているのは
11:36
is that in the same同じ way
that the oracleオラクル needed必要な her temple寺院 guidesガイド,
239
684952
3832
神託を告げる巫女が
寺院の介添え人を必要とするのと同じく
11:40
our big大きい dataデータ systemsシステム need them, too.
240
688808
2288
ビッグデータにも
介添え人が必要だということです
11:43
They need people like ethnographers民族学者
and userユーザー researchers研究者
241
691120
4109
私が「シックデータ(濃密データ)」と呼ぶ
ものを収集できる ―
11:47
who can gatherギャザー what I call thick厚い dataデータ.
242
695253
2506
民俗学者やユーザーリサーチャーのような人が
必要です
11:50
This is precious貴重な dataデータ from humans人間,
243
698502
2991
これは 物語、感情、人間関係などの
11:53
like stories物語, emotions感情 and interactionsインタラクション
that cannotできない be quantified定量化された.
244
701517
4102
人間に由来し 定量化できない
貴重なデータです
11:57
It's the kind種類 of dataデータ
that I collected集めました for Nokiaノキア
245
705643
2322
私がノキアのために収集した
データの類であり
11:59
that comes来る in in the form
of a very small小さい sampleサンプル sizeサイズ,
246
707989
2669
ごく小さなサンプルサイズという形で
手に入るデータですが
12:02
but delivers配信する incredible信じられない depth深さ of meaning意味.
247
710682
2955
信じられないくらい
深い意味を持っています
12:05
And what makes作る it so thick厚い and meaty肉質な
248
713661
3680
濃密さと示唆に富んだデータを生むのは
12:10
is the experience経験 of understanding理解
the human人間 narrative物語.
249
718445
4029
人間の語りを理解する経験です
12:14
And that's what helps助けて to see
what's missing行方不明 in our modelsモデル.
250
722498
3639
そしてそれこそが 現行モデルの中の
見落としを見つける助けとなります
12:18
Thick厚い dataデータ grounds根拠 our businessビジネス questions質問
in human人間 questions質問,
251
726851
4045
シックデータはビジネス上の問いを
人間の問いに基づいたものとなし
12:22
and that's why integrating統合する
big大きい and thick厚い dataデータ
252
730920
3562
だからこそ ビッグデータとシックデータを
統合することで
12:26
formsフォーム a more completeコンプリート picture画像.
253
734506
1689
正しい全体像に近づきます
12:28
Big大きい dataデータ is ableできる to offer提供
insights洞察 at scale規模
254
736772
2881
ビッグデータが大規模な洞察をもたらし
12:31
and leverage活用 the bestベスト
of machine機械 intelligenceインテリジェンス,
255
739677
2647
機械知能を最大限活用できる一方で
12:34
whereas一方、 thick厚い dataデータ can help us
rescueレスキュー the contextコンテキスト loss損失
256
742348
3572
シックデータは
ビッグデータを使えるようにした時に
12:37
that comes来る from making作る big大きい dataデータ usable使用可能な,
257
745944
2098
失われた文脈を取り戻して
12:40
and leverage活用 the bestベスト
of human人間 intelligenceインテリジェンス.
258
748066
2181
人的知能を最大限に活用するのに
役立ちます
12:42
And when you actually実際に integrate統合する the two,
that's when things get really fun楽しい,
259
750271
3552
この2つを実際に統合すると
本当に面白くなります
12:45
because then you're no longerより長いです
just workingワーキング with dataデータ
260
753847
2436
なぜなら 単に自分の収集した
データを扱う以上のことが
12:48
you've already既に collected集めました.
261
756307
1196
できるからです
12:49
You get to alsoまた、 work with dataデータ
that hasn't持っていない been collected集めました.
262
757527
2737
未収集のデータを扱うことも
できるようになるのです
12:52
You get to ask尋ねる questions質問 about why:
263
760288
1719
なぜこんなことが起こるのかと
12:54
Why is this happeningハプニング?
264
762031
1317
原因を問えるようになります
12:55
Now, when NetflixNetflix did this,
265
763778
1379
さて Netflixはこれを実現し
12:57
they unlockedロックされていない a whole全体 new新しい way
to transform変換する their彼らの businessビジネス.
266
765181
3035
ビジネスを変容させる
全く新しい道を開拓しました
13:01
NetflixNetflix is known既知の for their彼らの really great
recommendation勧告 algorithmアルゴリズム,
267
769406
3956
Netflixは 非常に優れた
推薦アルゴリズムで知られていて
13:05
and they had this $1 million百万 prize
for anyone誰でも who could improve改善する it.
268
773386
4797
そのアルゴリズムを改良した者に
百万ドルの賞金を出しました
13:10
And there were winners勝者.
269
778207
1314
賞金を獲得した人もいました
13:12
But NetflixNetflix discovered発見された
the improvements改善 were only incremental増分.
270
780255
4323
でも Netflixは 全ての改良は
漸増の過程であると気づきました
13:17
So to really find out what was going on,
271
785404
1964
そこで 何が起こっているかを見極めるため
13:19
they hired雇われた an ethnographer民族学者,
Grant付与 McCracken・ マクラッケン,
272
787392
3741
Netflixは 民俗学者の
グラント・マクラッケンを雇って
シックデータによる洞察を
まとめさせました
13:23
to gatherギャザー thick厚い dataデータ insights洞察.
273
791157
1546
13:24
And what he discovered発見された was something
that they hadn'tなかった seen見た initially当初
274
792727
3924
彼が見つけたものは
最初は定量的なデータの中には
13:28
in the quantitative定量的 dataデータ.
275
796675
1355
見えていなかったものでした
13:31
He discovered発見された that people loved愛された
to binge-watchビンウォッチ.
276
799072
2728
彼は 一気(イッキ)見が好まれること
を発見したのです
13:33
In fact事実, people didn't even
feel guilty有罪 about it.
277
801824
2353
実際 何ら罪悪感を感じることもなく
13:36
They enjoyed楽しんだ it.
278
804201
1255
楽しまれていました
13:37
(Laughter笑い)
279
805480
1026
(笑)
13:38
So NetflixNetflix was like,
"Oh. This is a new新しい insight洞察力."
280
806530
2356
Netflixは「おや これは新しい洞察だ」
みたいな感じでした
13:40
So they went行った to their彼らの dataデータ science科学 teamチーム,
281
808910
1938
そこで データサイエンスの部署を使って
13:42
and they were ableできる to scale規模
this big大きい dataデータ insight洞察力
282
810872
2318
このシックデータの洞察を
スケールアップさせ
13:45
in with their彼らの quantitative定量的 dataデータ.
283
813214
2587
定量的なデータと突き合わせました
13:47
And once一度 they verified確認済み it
and validated検証済み it,
284
815825
3170
彼らが一旦それをテストし効果を確かめると
13:51
NetflixNetflix decided決定しました to do something
very simple単純 but impactfulインパクトのある.
285
819019
4761
Netflixは とても単純ながらも
インパクトのある決定をしました
13:56
They said, instead代わりに of offering募集
the same同じ showショー from different異なる genresジャンル
286
824834
6492
ある番組を色々なジャンルから
提案するのをやめる
14:03
or more of the different異なる showsショー
from similar類似 usersユーザー,
287
831350
3888
また 似たユーザーの観た別の番組を
提案するのもやめて その代わり
14:07
we'll私たちは just offer提供 more of the same同じ showショー.
288
835262
2554
ただ同じ番組を
どんどん見せて行こうというのです
14:09
We'll私たちは make it easierより簡単に
for you to binge-watchビンウォッチ.
289
837840
2105
「一気見」をしやすくしようと
言ったのです
14:11
And they didn't stop there.
290
839969
1486
そこで 更に
14:13
They did all these things
291
841479
1474
視聴経験全体をデザインし直すため
14:14
to redesign再設計 their彼らの entire全体
viewerビューア experience経験,
292
842977
2959
あらゆる手段を尽くして
14:17
to really encourage奨励します binge-watchingビン・ウォッチング.
293
845960
1758
「一気見」を強く勧めたのです
14:20
It's why people and friends友達 disappear姿を消す
for whole全体 weekends週末 at a time,
294
848230
3241
そのため『マスター・オブ・ゼロ』などの
見逃し配信があると
週末丸ごと
友人も人々も一斉に姿を消しました
14:23
catchingキャッチする up on showsショー
like "Masterマスター of Noneなし."
295
851495
2343
14:25
By integrating統合する big大きい dataデータ and thick厚い dataデータ,
they not only improved改善された their彼らの businessビジネス,
296
853862
4173
ビッグデータとシックデータを統合して
Netflixは自社の業績改善をしただけでなく
14:30
but they transformed変形した how we consume消費する mediaメディア.
297
858059
2812
ユーザーのメディア消費方法をも
変貌させたのです
14:32
And now their彼らの stocks株式 are projected投影された
to doubleダブル in the next few少数 years.
298
860895
4552
そして今や Netflixの株価は
数年以内に倍増が予想されています
14:38
But this isn't just about
watching見ている more videosビデオ
299
866280
3830
でもこれは
動画の視聴数やスマホ販売数が
14:42
or selling販売 more smartphonesスマートフォン.
300
870134
1620
増えるというだけではありません
14:44
For some, integrating統合する thick厚い dataデータ
insights洞察 into the algorithmアルゴリズム
301
872143
4050
濃いデータの洞察をアルゴリズムに組み込む
ということは 人によっては
14:48
could mean life or death,
302
876217
2263
特に 社会の周縁に追いやられた者にとっては
14:50
especially特に for the marginalized疎外された.
303
878504
2146
生死を分ける結果になりかねません
14:53
All around the country,
police警察 departments部門 are usingを使用して big大きい dataデータ
304
881738
3434
国中で 警察がビッグデータを
14:57
for predictive予測的 policingポリシング,
305
885196
1963
予測による取り締まりに利用し
14:59
to setセット bondボンド amounts金額
and sentencing判決 recommendationsおすすめ
306
887183
3084
保釈金額や処罰勧告の設定を
15:02
in ways方法 that reinforce強化する existing既存の biasesバイアス.
307
890291
3147
既存のバイアスを増長するようなやり方で
行なっています
15:06
NSA'sNSAの Skynetスカイネット machine機械 learning学習 algorithmアルゴリズム
308
894296
2423
NSAのSkynet機器の学習アルゴリズムは
15:08
has possiblyおそらく aided援助された in the deaths
of thousands of civilians民間人 in Pakistanパキスタン
309
896743
5444
モバイル端末のメタデータの読み誤りから
15:14
from misreading誤読 cellular携帯電話 deviceデバイス metadataメタデータ.
310
902211
2721
何千人ものパキスタン市民の死を
もたらした可能性があります
15:19
As all of our lives人生 become〜になる more automated自動化,
311
907131
3403
私たち生活全般が自動化するにつれ
15:22
from automobiles自動車 to health健康 insurance保険
or to employment雇用,
312
910558
3080
自動車から健康保険や雇用まで
15:25
it is likelyおそらく that all of us
313
913662
2350
私たちは皆 定量化バイアスに
15:28
will be impacted影響を受けた
by the quantification定量 biasバイアス.
314
916036
2989
影響を受ける可能性が大です
15:32
Now, the good newsニュース
is that we've私たちは come a long way
315
920972
2621
さて 良い知らせは
予測をするのに
15:35
from huffingハッフィング ethyleneエチレン gasガス
to make predictions予測.
316
923617
2450
エチレンガスの吸入から
ずいぶん遠くまで来たことです
15:38
We have better toolsツール,
so let's just use them better.
317
926091
3070
ツールがより良くなったので
より良く使いましょう
15:41
Let's integrate統合する the big大きい dataデータ
with the thick厚い dataデータ.
318
929185
2323
ビッグデータを
シックデータと統合しましょう
15:43
Let's bring持参する our temple寺院 guidesガイド
with the oraclesオーラ,
319
931532
2261
「オラクル」を補助する
介添え人を呼んで来ましょう
15:45
and whetherかどうか this work happens起こる
in companies企業 or nonprofits非営利団体
320
933817
3376
企業であれ 非利益団体であれ
行政であれ ソフトウェアであれ
15:49
or government政府 or even in the softwareソフトウェア,
321
937217
2469
このシステムがどこで作動するにせよ
15:51
all of it matters問題,
322
939710
1792
全てが重要です
15:53
because that means手段
we're collectively集合的に committedコミットした
323
941526
3023
なぜなら こうすることの意味は
私たちが力を合わせて全力で
15:56
to making作る better dataデータ,
324
944573
2191
より良いデータ、より良いアルゴリズム
より良い計算結果、より良い意思決定を
15:58
better algorithmsアルゴリズム, better outputs出力
325
946788
1836
16:00
and better decisions決定.
326
948648
1643
目指すことだからです
16:02
This is how we'll私たちは avoid避ける
missing行方不明 that something.
327
950315
3558
こうすることで 私たちは大切なことを
見落とさずに済むでしょう
16:07
(Applause拍手)
328
955222
3948
(拍手)
Translated by Hiroko Kawano
Reviewed by Masaki Yanagishita

▲Back to top

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

Why you should listen

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

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

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

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

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

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

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee