TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
세바스찬 워닉 (Sebastian Wernicke): 히트작 TV 쇼를 만들기 위한 데이터 사용법
Filmed:
Readability: 4
1,628,704 views
더 많은 정보를 수집하는 것이 과연 더 나은 의사결정을 가져다 줄까요? 치열하고 데이터를 잘 이해하는 아마존, 구글과 넷플릭스같은 회사들은 데이터를 분석하는 것이 항상 최선의 결과를 가져오지 않는다는 사실을 배웠습니다. 이 강연에서 데이터 과학자 세바스찬 워닉이 데이터에만 의존하여 의사결정을 할 때 무엇이 문제인지에 대해 분석하고 더 똑똑한 데이터 사용법에 대해 알려드립니다.
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
로이 프라이스라는 사람에 대해
아시는 분이 얼마 되지 않을 거예요.
아시는 분이 얼마 되지 않을 거예요.
00:17
even though he may have been responsible
1
5120
2496
그가 2013년 4월 19일에 여러분이
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
형편없는 22분을 보낸 이유일
수도 있지만 말입니다.
수도 있지만 말입니다.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
그는 일부에게는 아주 흥미로운
22분을 보내게 하기도 했지만
22분을 보내게 하기도 했지만
00:29
but not very many of you.
4
17760
2256
여러분 대부분은 아닐테죠.
00:32
And all of that goes back to a decision
5
20040
1896
그리고 이 모든건
삼년 전 로이가 만들어야 했던
결정으로 되돌아 갑니다.
결정으로 되돌아 갑니다.
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
네, 로이는 아마존 스튜디오의
고위 간부입니다.
고위 간부입니다.
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
아마존의 TV 기획 부서죠.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
로이는 47세로 마르고
뾰족한 머리를 했으며
뾰족한 머리를 했으며
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
트위터에 스스로를 다음과 같이
묘사했습니다. "영화, TV, 기술, 타코"
묘사했습니다. "영화, TV, 기술, 타코"
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
로이의 일은 책임감이 막중했는데
그가 하는 일은 아마존이 만들
시작 컨텐츠를 선택하는 것이니까요.
시작 컨텐츠를 선택하는 것이니까요.
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
물론 경쟁이 매우 심한 분야이죠.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
그러니까 이미 많은 TV 쇼가 있고
01:06
that Roy can't just choose any show.
15
54400
2176
로이는 아무 쇼나 선택할 수 없죠.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
매우 훌륭한 쇼를 찾아야 해요.
01:12
So in other words, he has to find shows
17
60720
2816
즉, 다시 말해서
바로 이 곡선 오른쪽 끝에
있는 것들이어야 한다는 뜻이죠.
있는 것들이어야 한다는 뜻이죠.
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
이 곡선은 IMDB 웹사이트의
2,500 여개의 TV 쇼를
2,500 여개의 TV 쇼를
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
평가하여 분석한 내용을 담고 있습니다.
01:25
and the rating goes from one to 10,
21
73040
2896
평점은 1점부터 10점으로 매겨지며
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
여기 이 높이는 그 평점을
받은 쇼의 개수를 보여주죠.
받은 쇼의 개수를 보여주죠.
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
9점 이상을 받았다면 대박인 거예요.
01:35
Then you have a top two percent show.
24
83680
1816
상위 2%의 쇼라는 거죠.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
"브레이킹 배드", "왕좌의 게임",
"더 와이어" 처럼요.
"더 와이어" 처럼요.
01:41
so all of these shows that are addictive,
26
89440
2296
이 쇼들은 중독성이 강해요.
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
한 시즌을 보고나면 여러분의 뇌는
01:46
"Where can I get more of these episodes?"
28
94840
2176
"다른 시즌들은 어디서 구하지?"
라고 생각할 거예요.
라고 생각할 거예요.
01:49
That kind of show.
29
97040
1200
그런 쇼들이죠.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
명확히 보여드리기 위해 왼쪽 끝에는
뭐가 있는지 알려드리자면요.
뭐가 있는지 알려드리자면요.
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
"토들러 앤 티아라"가 있어요.
01:56
(Laughter)
32
104640
2656
(웃음)
01:59
-- which should tell you enough
33
107320
1536
여러분은 충분히 그 곡선 끝에서
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
어떤 일이 일어나고 있는지
예측할 수 있을 거예요.
예측할 수 있을 거예요.
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
네, 로이 프라이스는 왼쪽 곡선에
머물게 되는 것에 신경쓰지 않아요.
머물게 되는 것에 신경쓰지 않아요.
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
왜냐하면 여러분이
"토들러 앤 티아라"를 제치시려면
뇌를 좀 많이 쓰셔야 할테니까요.
뇌를 좀 많이 쓰셔야 할테니까요.
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
중요한 건 이 가운데 지점이에요.
02:15
the bulge of average TV,
39
123920
1816
평균 TV의 중간 지점
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
아시다시피 그다지 좋지도
나쁘지도 않은 쇼들이죠.
나쁘지도 않은 쇼들이죠.
02:20
they don't really get you excited.
41
128639
1656
그렇게 흥미롭지도 않아요.
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
로이는 반드시 이 오른쪽 끝에
있도록 해야 해요.
있도록 해야 해요.
02:27
So the pressure is on,
43
135200
1576
부담이 있죠.
02:28
and of course it's also the first time
44
136800
2176
물론 아마존이 이런 일을 하는 것도
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
처음이기도 해요.
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
로이 프라이스는 위험을 피하고
싶어 할 거예요.
싶어 할 거예요.
02:36
He wants to engineer success.
47
144560
2456
그는 성공을 만들어내길 꾀하죠.
02:39
He needs a guaranteed success,
48
147040
1776
그에겐 보장된 성공이 필요해요.
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
그래서 그는 경쟁을 시킵니다.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
그는 텔레비젼 쇼의 여러
아이디어를 모은 다음에
아이디어를 모은 다음에
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
아이디어와 평가를 토대로
02:48
they select eight candidates for TV shows,
52
156920
4096
여덟 개의 TV 쇼를 선택합니다.
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
그리고 각 쇼들의 첫 번째 에피소드를
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
온라인에 누구나 시청할 수 있도록
무료로 제공해요.
무료로 제공해요.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
아마존이 무료로 제공하면
03:01
you're going to take it, right?
56
169720
1536
당연히 보게 되지 않겠어요?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
수 백만 명의 시청자들이
첫 번째 에피소드를 볼 것입니다.
첫 번째 에피소드를 볼 것입니다.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
쇼를 시청할 땐 알아채지 못하지만
03:11
actually, they are being watched.
59
179680
2296
사실 그들은 감시당하고 있어요.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
로이 프라이스와 그의 팀으로부터요.
03:16
who record everything.
61
184360
1376
그들은 모든 것을 기록해요.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
시청자들이 언제 재생하고
언제 정지하는지 기록하죠.
언제 정지하는지 기록하죠.
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
어느 장면을 건너 뛰고
어디를 다시 보는지를요.
어디를 다시 보는지를요.
03:23
So they collect millions of data points,
64
191720
2256
그들은 무수히 많은
데이터 포인트를 수집해요.
데이터 포인트를 수집해요.
03:26
because they want
to have those data points
to have those data points
65
194000
2096
그들에게 필요한건
데이터 포인트거든요.
데이터 포인트거든요.
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
그리고 이를 통해 어떤 쇼를
만들어야 할지를 결정하죠.
만들어야 할지를 결정하죠.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
당연히 그들은 모든 정보를 수집하고
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
분석하면 정답은 나타납니다.
03:35
and the answer is,
69
203640
1216
정답은
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"아마존은 공화당 의원 네 명에 대한
시트콤을 만들어야 한다" 입니다.
시트콤을 만들어야 한다" 입니다.
03:42
They did that show.
71
210440
1216
그래서 정말 만들었어요.
03:43
So does anyone know the name of the show?
72
211680
2160
쇼의 제목을 아시는 분이 계신가요?
03:46
(Audience: "Alpha House.")
73
214720
1296
(청중: "알파 하우스")
03:48
Yes, "Alpha House,"
74
216040
1456
네, "알파 하우스"죠.
03:49
but it seems like not too many of you here
remember that show, actually,
remember that show, actually,
75
217520
4096
그런데 많은 분들이 기억하고
계시지는 않은 것 같아요.
계시지는 않은 것 같아요.
03:53
because it didn't turn out that great.
76
221640
1856
그렇게 대박난 작품은 아니거든요.
03:55
It's actually just an average show,
77
223520
1856
중간 정도의 쇼였어요.
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
사실 이 곡선의 중간은 7.4점이고
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
"알파 하우스"는 7.5점이니깐요.
04:04
so a slightly above average show,
80
232440
2016
평균보다 아주 약간 위죠.
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
하지만 분명 로이 프라이스와
그의 팀이 목표한 것은 아니었죠.
그의 팀이 목표한 것은 아니었죠.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
한편 그와 동시에
04:13
at another company,
83
241200
1576
다른 회사에서도
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
회사 간부가 데이터 분석을 통해
탑 쇼 하나를 배출했습니다.
탑 쇼 하나를 배출했습니다.
04:19
and his name is Ted,
85
247040
1576
그의 이름은 테드 사란도스로
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
넷플릭스의 웹사이트 콘텐츠
부문 최고 경영자예요.
부문 최고 경영자예요.
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
로이처럼 그는 끊임없이 좋은 TV쇼를
04:26
to find that great TV show,
88
254240
1496
찾아야 하는 일을 맡고 있어요.
04:27
and he uses data as well to do that,
89
255760
2016
테드 또한 이를 위해
데이터를 이용하는데
데이터를 이용하는데
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
조금은 다른 방식을 사용합니다.
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
경쟁을 붙이는 대신에 테드와 그의 팀은
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
넷플릭스 시청자들에 관한
기존의 데이터를 봅니다.
기존의 데이터를 봅니다.
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
시청자들이 메긴 평점과
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
시청 기록과 사람들이 어떤 쇼를
좋아하는지 등을요.
좋아하는지 등을요.
04:44
And then they use that data to discover
95
272000
1896
그리고 그 데이터를 통해서
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
관객들에 대한 소소한
모든 것들을 발견해 나갑니다.
모든 것들을 발견해 나갑니다.
04:48
what kinds of shows they like,
97
276560
1456
어떤 종류의 쇼를 좋아하는지와
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
어떤 제작자와 배우를
좋아하는지 말이에요.
좋아하는지 말이에요.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
이런 정보들을 한데 모아서
04:54
they took a leap of faith,
100
282760
1656
상당한 신뢰를 가지고
04:56
and they decided to license
101
284440
2096
결정한 것은
04:58
not a sitcom about four Senators
102
286560
2456
네 명의 국회위원에 대한
시트콤이 아니라
시트콤이 아니라
05:01
but a drama series about a single Senator.
103
289040
2880
한 명의 국회위원에 대한
드라마였습니다.
드라마였습니다.
05:04
You guys know the show?
104
292760
1656
그 쇼가 무엇인지 아세요?
05:06
(Laughter)
105
294440
1296
(웃음)
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
네, "하우스 오브 카드"죠.
최소 두 번째 시즌까진 성공적인
최소 두 번째 시즌까진 성공적인
05:11
at least for the first two seasons.
107
299520
2136
넷플릭스의 쇼이죠.
05:13
(Laughter) (Applause)
108
301680
3976
(웃음) (박수)
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
"하우스 오브 카드"는 이 곡선에서
9.1점을 받았어요.
9.1점을 받았어요.
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
그들이 원하던 수준이죠.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
질문을 해보죠.
무슨 일이 일어난 걸까요?
무슨 일이 일어난 걸까요?
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
두 개의 매우 경쟁적인 데이터를 잘
다루는 회사들이 있다고 합시다.
다루는 회사들이 있다고 합시다.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
그들은 수 백만 개의 데이터
포인트들을 연결시켜요.
포인트들을 연결시켜요.
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
그들 중 한 쪽에게만 아주 잘 작동하고
05:34
and it doesn't work for the other one.
115
322480
1856
다른 쪽에서는 잘 작동하지 않아요.
05:36
So why?
116
324360
1216
왜 그럴까요?
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
왜냐하면 논리적으로 보면 이것이 항상
작동하는 것이 맞을 것이기 때문입니다.
작동하는 것이 맞을 것이기 때문입니다.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
결정을 하기 위해
05:43
on a decision you're going to make,
119
331560
1736
수 백 만의 데이터
포인트를 수집한다면
포인트를 수집한다면
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
꽤 훌륭한 결정을 내릴 수 있어야
마땅할 것입니다.
마땅할 것입니다.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
여러분에게 200년동안의 믿을만한
통계 자료가 있어요.
통계 자료가 있어요.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
강력한 컴퓨터를 이용하여
이를 증폭시킵니다.
이를 증폭시킵니다.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
최소한 좋은 TV프로는 기대하실테죠?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
만일 정보 분석이 그렇게 되지 않으면
06:01
then it actually gets a little scary,
125
349520
2056
조금 무서워 집니다.
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
왜냐하면 우리가 사는 현 세대는
더 많은 정보 수집을 통하여
더 많은 정보 수집을 통하여
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
TV프로 이상으로 훨씬 더 중대한
결정을 내리는 사회거든요.
결정을 내리는 사회거든요.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
"멀티-헬스 시스템" 이라는
회사에 대해 들어 보신 분 계신가요?
회사에 대해 들어 보신 분 계신가요?
06:17
No one. OK, that's good actually.
129
365080
1656
아무도 없군요. 좋습니다.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
좋아요, 멀티 헬스 시스템은
소프트웨어 회사입니다.
소프트웨어 회사입니다.
06:22
and I hope that nobody here in this room
131
370000
2816
여기 계신 여러분 중 아무도
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
그 소프트웨어와 만나지
않으시길 바래요.
않으시길 바래요.
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
만일 그런다면 바로
감옥에 있다는 뜻이니까요.
감옥에 있다는 뜻이니까요.
06:30
(Laughter)
134
378160
1176
(웃음)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
미국에서 수감중인 누군가가
가석방을 요청하면
가석방을 요청하면
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
그 회사의 정보 분석
소프트 웨어를 통해
소프트 웨어를 통해
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
가석방 여부를 결정할
가능성이 높습니다.
가능성이 높습니다.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
아마존과 넷플릭스와 같은 원칙이죠.
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
하지만 지금은 TV쇼가 좋은지
나쁜지를 판단하는 대신에
나쁜지를 판단하는 대신에
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
여러분은 어떤 사람이 좋은지
나쁜지를 결정하게 될 거예요.
나쁜지를 결정하게 될 거예요.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
평범한 TV를 22분동안
보는 것은 별로죠.
보는 것은 별로죠.
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
하지만 감옥에서 몇 년 더 사는 것은
훨씬 나쁜 일일 것입니다.
훨씬 나쁜 일일 것입니다.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
애석하게도 분석된 정보가
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
그 방대한 양에도 불구하고 항상 최상의
결과를 얻는 것은 아니라는 증거가 있습니다.
결과를 얻는 것은 아니라는 증거가 있습니다.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
멀티 헬스 시스템과 같은 회사가
07:13
doesn't know what to do with data.
146
421506
1627
데이터를 어떻게 이용해야 할지
몰라서 그러는게 아니에요.
몰라서 그러는게 아니에요.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
가장 데이터를 잘 다루는
회사들도 틀리는 걸요.
회사들도 틀리는 걸요.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
구글마저도 가끔은 틀립니다.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
2009년 구글은 데이터 분석을 통해
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
고약한 독감인 인플루엔자 발발을
예측할 수 있다고 주장했었어요.
예측할 수 있다고 주장했었어요.
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
구글 검색의 정보 분석을 토대로요.
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
아주 잘 흘러 갔고
뉴스에 크게 보도 됐어요.
뉴스에 크게 보도 됐어요.
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
과학적 성공의 정점과 함께 말입니다.
07:39
a publication in the journal "Nature."
154
447200
2456
"네이쳐"에 개제된 것이죠.
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
해마다 성공적이었죠.
07:45
until one year it failed.
156
453320
1656
한 해 실패하기 전까진요.
07:47
And nobody could even tell exactly why.
157
455000
2256
그리고 아무도 왜 실패했는지
확실한 이유를 규명하지 못해요.
확실한 이유를 규명하지 못해요.
07:49
It just didn't work that year,
158
457280
1696
그 해는 그냥 실패였죠.
07:51
and of course that again made big news,
159
459000
1936
물론 그것 또한 빅뉴스였고
07:52
including now a retraction
160
460960
1616
"네이쳐" 학술지에
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
개제되는 것은 철회되었습니다.
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
아마존과 구글같은
데이터를 잘 다루는 회사들도
데이터를 잘 다루는 회사들도
08:01
they sometimes get it wrong.
163
469840
2136
가끔은 틀린다는 거예요.
08:04
And despite all those failures,
164
472000
2936
이러한 실패 속에서도
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
데이터는 아주 급속하게 실제
의사결정에 이용되고 있습니다.
의사결정에 이용되고 있습니다.
08:10
into the workplace,
166
478840
1816
직장에서도
08:12
law enforcement,
167
480680
1816
법률 실행 시에도
08:14
medicine.
168
482520
1200
의료 분야에서도요.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
그러니까 실질적으로 데이터가
도움이 되도록 해야겠죠.
도움이 되도록 해야겠죠.
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
개인적으로 저는 데이터 때문에
고생한 경험이 많아요.
고생한 경험이 많아요.
08:22
because I work in computational genetics,
171
490920
1976
왜냐하면 전 컴퓨터 유전학 분야에
종사하고 있거든요.
종사하고 있거든요.
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
이 분야에서는 수많은
뛰어난 인재들이
뛰어난 인재들이
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
상상하지 못할만큼 많은 양의 정보를
이용하여 중대한 결정을 내립니다.
이용하여 중대한 결정을 내립니다.
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
예를 들어 암 치료나 신약 개발
등의 결정에 말입니다.
등의 결정에 말입니다.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
최근 몇년 사이 새로운
패턴을 발견하였는데
패턴을 발견하였는데
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
차이에 관한 일종의 규칙이라고 해두죠.
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
데이터를 이용하여 성공적인 결정을
08:43
and unsuccessful decision-making,
178
511120
1616
이끌어 내는가 실패 하는가의
차이에 대한 규칙 말입니다.
차이에 대한 규칙 말입니다.
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
이 패턴은 공유될 가치가 있는데
그 내용은 다음과 같습니다.
그 내용은 다음과 같습니다.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
복잡한 문제에 직면했을 때
08:52
you're doing essentially two things.
181
520679
1737
여러분은 주로 두가지를 합니다.
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
첫번째는 그 문제를
여러 조각으로 쪼개서
여러 조각으로 쪼개서
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
그 조각들을 깊이 분석하는 것이고
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
물론 여러분이 하는 두 번째 일은
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
조각들을 다시 하나로 합쳐서
09:05
to come to your conclusion.
186
533000
1336
결론을 내는 것입니다.
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
종종 그 과정을 반복해야 할텐데요.
09:08
but it's always those two things:
188
536720
1656
그래도 역시 두 가지 뿐이죠.
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
쪼개고 다시 합치기.
09:14
And now the crucial thing is
190
542280
1616
그리고 중요한 것은
09:15
that data and data analysis
191
543920
2896
데이터와 데이터 분석은
09:18
is only good for the first part.
192
546840
2496
오직 첫 번째 파트에서만
중요한 것이라는 겁니다.
중요한 것이라는 겁니다.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
데이터와 데이터 분석이 얼마나
영향력이 있던 간에
영향력이 있던 간에
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
문제를 쪼개고 그 조각들을
이해하는 것에만 도움을 줄 뿐
이해하는 것에만 도움을 줄 뿐
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
그 조각들을 다시 하나로 합쳐서
09:31
and then to come to a conclusion.
196
559600
1896
결론을 내는데 도움을 주진 않아요.
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
그것을 할수 있는 또다른 도구가 있는데
우리 모두는 그것을 가지고 있습니다.
우리 모두는 그것을 가지고 있습니다.
09:36
and that tool is the brain.
198
564280
1296
그 도구는 바로 뇌에요.
09:37
If there's one thing a brain is good at,
199
565600
1936
뇌가 능통한 일들 중 하나는
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
조각들을 합치는 것입니다.
09:41
even when you have incomplete information,
201
569840
2016
완전하지 않은 정보를
가지고 있을 때조차
가지고 있을 때조차
09:43
and coming to a good conclusion,
202
571880
1576
좋은 결정을 내리죠.
09:45
especially if it's the brain of an expert.
203
573480
2936
전문가의 두뇌라면 말입니다.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
그게 제가 생각하는 넷플릭스의
성공 비결이예요.
성공 비결이예요.
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
데이터와 뇌를 이용해서
일을 처리 했거든요.
일을 처리 했거든요.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
첫 번째는 데이터를 이용해서
대중들에 관한 조각들을 이해했는데
대중들에 관한 조각들을 이해했는데
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
데이터가 없었다면 그렇게 깊이
이해하지 못했을 것입니다.
이해하지 못했을 것입니다.
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
하지만 그 조각들을 다시 하나로 합쳐
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
"하우스 오브 카드" 같은
쇼를 만든 것은
쇼를 만든 것은
10:07
that was nowhere in the data.
210
595720
1416
데이터로부터 나온 것이 아니었습니다.
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
테드 세란도스와 그의 팀은
그 쇼에 특허를 내기로 결정했어요.
그 쇼에 특허를 내기로 결정했어요.
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
즉, 다른 말로
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
꽤 큰 개인적 위험을
감수한다는 뜻이죠.
감수한다는 뜻이죠.
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
반면에 아마존은 실수를 했어요.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
그들은 결정을 내리기까지 계속
데이터를 사용했습니다.
데이터를 사용했습니다.
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
먼저 TV 아이디어 경쟁을
벌일 때 사용했고
벌일 때 사용했고
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
"알파 하우스" 쇼를 만들기로
선택했을 때도 사용했습니다.
선택했을 때도 사용했습니다.
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
물론 그들에겐 아주 안정적인
결정이었습니다.
결정이었습니다.
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
왜냐면 그들은 항상 데이터를
가르키면서 말할 수 있었으니까요.
가르키면서 말할 수 있었으니까요.
10:35
"This is what the data tells us."
220
623400
1696
"이것이 데이터가 말해준 것입니다".
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
그렇지만 그들이 원하던 특별한
결과에 이르지는 못했어요.
결과에 이르지는 못했어요.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
당연히 데이터는 더 나은 선택을
위한 매우 유용한 도구이지만
위한 매우 유용한 도구이지만
10:47
but I believe that things go wrong
223
635120
2376
때로는 잘못될 수도 있다고 생각해요.
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
데이터가 그러한 결정을
이끌기 시작한다면 말이죠.
이끌기 시작한다면 말이죠.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
얼마나 강력하건 간에,
데이터는 도구일 뿐입니다.
데이터는 도구일 뿐입니다.
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
이를 유념하기 위해서는
이 장치가 꽤 유용하다고 생각합니다.
이 장치가 꽤 유용하다고 생각합니다.
10:59
Many of you will ...
227
647280
1216
여러분들 중 많은분들이
11:00
(Laughter)
228
648520
1216
(웃음)
11:01
Before there was data,
229
649760
1216
데이터가 있기 전에
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
이것을 의사결정 장치로
이용하셨을 것입니다.
이용하셨을 것입니다.
11:05
(Laughter)
231
653880
1256
(웃음)
11:07
Many of you will know this.
232
655160
1336
대부분은 아실 거예요.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
이 장난감의 이름이 매직 에잇 볼이고
11:10
and it's really amazing,
234
658497
1199
멋진 것이라는 것을요.
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
왜냐하면 어떠한 결정을 내려야 할 때
예 또는 아니오 식의 문제일때요.
예 또는 아니오 식의 문제일때요.
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
이 공을 흔들기만 하면
답을 얻을 수 있습니다.
답을 얻을 수 있습니다.
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
지금 여기서의 실제 답은
"아주 그렇다"이네요.
"아주 그렇다"이네요.
11:21
I'll have it out later for tech demos.
238
669240
2096
이따가 기술 시현 때 보여드리죠.
11:23
(Laughter)
239
671360
1216
(웃음)
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
물론 중요한 것은-
제 인생에서 결정들을 종종 내렸는데
제 인생에서 결정들을 종종 내렸는데
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
뒤늦게 그냥 그 공의 말을
들을걸 하고 깨달은 적이 있습니다.
들을걸 하고 깨달은 적이 있습니다.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
그런데 당연히 데이터가
있는 상태라면
있는 상태라면
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
좀 더 지적인 결정을 내리고 싶어지죠.
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
데이터 분석을 통해 더 나은 결정을
내리는 것 처럼 말이예요.
내리는 것 처럼 말이예요.
11:41
But that does not change the basic setup.
245
689200
2616
하지만 그렇더라도 기본 환경은
바뀌지 않아요.
바뀌지 않아요.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
공이 더욱 지능적으로 계속
진화할지는 모르지만
진화할지는 모르지만
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
여전히 결정을 내리는 것은
우리의 몫이 될꺼에요.
우리의 몫이 될꺼에요.
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
무언가 특별한 일을 이루고 싶다면요.
11:52
on the right end of the curve.
249
700920
1936
즉 곡선의 오른쪽 끝에
도달하고 싶을때요.
도달하고 싶을때요.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
저는 사실 이것이 아주 희망적인
메세지라고 생각하는데
메세지라고 생각하는데
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
엄청난 양의 데이터에도 불과하고
12:03
it still pays off to make decisions,
252
711400
4096
결정을 내리고
12:07
to be an expert in what you're doing
253
715520
2656
전문가가 되고
12:10
and take risks.
254
718200
2096
위험성을 감수하는 댓가가 주어지니까요.
12:12
Because in the end, it's not data,
255
720320
2776
왜냐하면 결국 데이터가 아니라
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
당신이 감수하는 위험이 곡선의
오른쪽 끝으로 데려다 줄테니까요.
오른쪽 끝으로 데려다 줄테니까요.
12:19
Thank you.
257
727840
1216
감사합니다.
12:21
(Applause)
258
729080
3680
(박수)
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