TEDxCambridge
Tricia Wang: The human insights missing from big data
Tricia Wang: As percepções humanas que faltam no big data
Filmed:
Readability: 4.5
1,688,539 views
Por que tantas empresas tomam decisões ruins, mesmo com acesso a quantidades de dados sem precedentes? Com histórias da Nokia à Netflix e aos oráculos da Grécia antiga, Tricia Wang desmistifica o big data e identifica suas armadilhas, sugerindo que nos concentremos em "thick data" - percepções preciosas e não quantificáveis de pessoas reais - para tomar as decisões de negócios corretas e prosperar no desconhecido.
Tricia Wang - Technology ethnographer
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers. Full bio
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 Greece,
0
885
1545
Na Grécia antiga,
00:15
when anyone from slaves to soldiers,
poets and politicians,
poets and politicians,
1
3436
3943
quando alguém, de escravos
a soldados, poetas e políticos
a soldados, poetas e políticos
00:19
needed to make a big decision
on life's most important questions,
on life's most important questions,
2
7403
4004
precisava tomar uma grande decisão
nas questões mais importantes da vida,
nas questões mais importantes da vida,
00:23
like, "Should I get married?"
3
11431
1391
como: "Eu deveria me casar?"
ou: "Devemos embarcar nesta viagem?"
00:24
or "Should we embark on this voyage?"
4
12846
1857
ou: "Nosso exército deve
avançar para este território?",
avançar para este território?",
00:26
or "Should our army
advance into this territory?"
advance into this territory?"
5
14727
2928
00:29
they all consulted the oracle.
6
17679
2579
todos consultavam o oráculo.
00:33
So this is how it worked:
7
21020
1440
É assim que funcionava:
00:34
you would bring her a question
and you would get on your knees,
and you would get on your knees,
8
22484
3112
as pessoas levavam uma pergunta
a ela e ficavam de joelhos,
a ela e ficavam de joelhos,
e então ela caía em transe.
00:37
and then she would go into this trance.
9
25620
1871
Levava alguns dias,
00:39
It would take a couple of days,
10
27515
1549
e então, finalmente, ela saía dele,
00:41
and then eventually
she would come out of it,
she would come out of it,
11
29088
2163
00:43
giving you her predictions as your answer.
12
31275
2536
dando às pessoas as previsões
dela como resposta.
dela como resposta.
00:46
From the oracle bones of ancient China
13
34910
2566
Dos ossos do oráculo da antiga China
à Grécia antiga e aos calendários maias,
à Grécia antiga e aos calendários maias,
00:49
to ancient Greece to Mayan calendars,
14
37500
2345
00:51
people have craved for prophecy
15
39869
2296
as pessoas têm buscado a profecia
para descobrir o que acontecerá a seguir.
para descobrir o que acontecerá a seguir.
00:54
in order to find out
what's going to happen next.
what's going to happen next.
16
42189
3137
00:58
And that's because we all want
to make the right decision.
to make the right decision.
17
46516
3239
O motivo é que todos queremos
tomar a decisão certa.
tomar a decisão certa.
01:01
We don't want to miss something.
18
49779
1545
Não queremos perder nada.
01:03
The future is scary,
19
51892
1743
O futuro é assustador,
01:05
so it's much nicer
knowing that we can make a decision
knowing that we can make a decision
20
53659
2717
então é muito melhor saber
que podemos tomar uma decisão
que podemos tomar uma decisão
com alguma garantia do resultado.
01:08
with some assurance of the outcome.
21
56400
1982
01:11
Well, we have a new oracle,
22
59079
1611
Bem, temos um novo oráculo,
01:12
and it's name is big data,
23
60714
2145
e o nome dele é "big data",
01:14
or we call it "Watson"
or "deep learning" or "neural net."
or "deep learning" or "neural net."
24
62883
3939
ou o chamamos de "Watson",
"aprendizagem profunda" ou "rede neural".
"aprendizagem profunda" ou "rede neural".
01:19
And these are the kinds of questions
we ask of our oracle now,
we ask of our oracle now,
25
67340
4012
Esses são os tipos de perguntas
que pedimos agora ao nosso oráculo,
que pedimos agora ao nosso oráculo,
01:23
like, "What's the most efficient way
to ship these phones
to ship these phones
26
71376
3922
como: "Qual é o modo mais eficiente
de enviar esses telefones
de enviar esses telefones
01:27
from China to Sweden?"
27
75322
1823
da China à Suécia?"
01:29
Or, "What are the odds
28
77169
1800
ou: "Quais são as chances
01:30
of my child being born
with a genetic disorder?"
with a genetic disorder?"
29
78993
3363
de meu filho nascer
com uma doença genética?"
com uma doença genética?"
01:34
Or, "What are the sales volume
we can predict for this product?"
we can predict for this product?"
30
82952
3244
ou: "Qual é o volume de vendas
que podemos prever para este produto?"
que podemos prever para este produto?"
01:40
I have a dog. Her name is Elle,
and she hates the rain.
and she hates the rain.
31
88108
4047
Tenho um cão. O nome dela é Elle,
e ela odeia a chuva.
e ela odeia a chuva.
01:44
And I have tried everything
to untrain her.
to untrain her.
32
92179
3306
Tenho tentado de tudo
para destreiná-la.
para destreiná-la.
01:47
But because I have failed at this,
33
95509
2771
Mas, como tenho fracassado nisso,
01:50
I also have to consult
an oracle, called Dark Sky,
an oracle, called Dark Sky,
34
98304
3286
também tenho que consultar
um "oráculo" chamado "Dark Sky",
um "oráculo" chamado "Dark Sky",
01:53
every time before we go on a walk,
35
101614
1635
toda vez antes de ir passear,
01:55
for very accurate weather predictions
in the next 10 minutes.
in the next 10 minutes.
36
103273
3577
para previsões meteorológicas
muito precisas dos dez minutos seguintes.
muito precisas dos dez minutos seguintes.
02:01
She's so sweet.
37
109535
1303
Ela é uma graça.
02:03
So because of all of this,
our oracle is a $122 billion industry.
our oracle is a $122 billion industry.
38
111827
5707
Por causa de tudo isso, nosso oráculo
é uma indústria de US$ 122 bilhões.
é uma indústria de US$ 122 bilhões.
02:10
Now, despite the size of this industry,
39
118006
3376
Apesar do tamanho dessa indústria,
02:13
the returns are surprisingly low.
40
121406
2456
os retornos são surpreendentemente baixos.
02:16
Investing in big data is easy,
41
124342
2494
Investir em big data é fácil,
02:18
but using it is hard.
42
126860
1933
difícil é usá-lo.
02:21
Over 73 percent of big data projects
aren't even profitable,
aren't even profitable,
43
129981
4040
Mais de 73% dos projetos de big data
não são nem mesmo rentáveis,
não são nem mesmo rentáveis,
02:26
and I have executives
coming up to me saying,
coming up to me saying,
44
134045
2431
e tenho executivos
chegando até mim e dizendo:
chegando até mim e dizendo:
"Estamos passando pela mesma experiência.
02:28
"We're experiencing the same thing.
45
136500
1789
Investimos em sistemas de big data,
02:30
We invested in some big data system,
46
138313
1753
e nossos funcionários não estão
tomando as melhores decisões.
tomando as melhores decisões.
02:32
and our employees aren't making
better decisions.
better decisions.
47
140090
2968
02:35
And they're certainly not coming up
with more breakthrough ideas."
with more breakthrough ideas."
48
143082
3162
E, certamente, não estão apresentando
mais ideias inovadoras".
mais ideias inovadoras".
02:38
So this is all really interesting to me,
49
146914
3184
Tudo isso é muito interessante para mim,
02:42
because I'm a technology ethnographer.
50
150122
2010
porque sou etnógrafa de tecnologia.
02:44
I study and I advise companies
51
152630
2564
Estudo e aconselho empresas
sobre os padrões de como
as pessoas usam tecnologia,
as pessoas usam tecnologia,
02:47
on the patterns
of how people use technology,
of how people use technology,
52
155218
2483
e uma de minhas áreas
de interesse são dados.
de interesse são dados.
02:49
and one of my interest areas is data.
53
157725
2678
Então por que ter mais dados não está
nos ajudando a tomar as melhores decisões,
nos ajudando a tomar as melhores decisões,
02:52
So why is having more data
not helping us make better decisions,
not helping us make better decisions,
54
160427
5193
especialmente para as empresas
que têm todos esses recursos
que têm todos esses recursos
02:57
especially for companies
who have all these resources
who have all these resources
55
165644
2783
para investir em sistemas de big data?
03:00
to invest in these big data systems?
56
168451
1736
Por que não está ficando
mais fácil para eles?
mais fácil para eles?
03:02
Why isn't it getting any easier for them?
57
170211
2398
03:05
So, I've witnessed the struggle firsthand.
58
173990
2634
Então testemunhei a luta em primeira mão.
03:09
In 2009, I started
a research position with Nokia.
a research position with Nokia.
59
177374
3484
Em 2009, assumi um cargo
de pesquisa na Nokia.
de pesquisa na Nokia.
Na época,
03:13
And at the time,
60
181232
1158
a Nokia era uma das maiores empresas
de telefonia celular do mundo,
de telefonia celular do mundo,
03:14
Nokia was one of the largest
cell phone companies in the world,
cell phone companies in the world,
61
182414
3158
dominando mercados emergentes
como China, México e Índia,
como China, México e Índia,
03:17
dominating emerging markets
like China, Mexico and India --
like China, Mexico and India --
62
185596
3202
03:20
all places where I had done
a lot of research
a lot of research
63
188822
2502
todos os lugares onde eu
havia feito muita pesquisa
havia feito muita pesquisa
sobre como as pessoas
de baixa renda usam a tecnologia.
de baixa renda usam a tecnologia.
03:23
on how low-income people use technology.
64
191348
2676
03:26
And I spent a lot of extra time in China
65
194048
2330
Gastei muito tempo extra na China
conhecendo a economia informal.
conhecendo a economia informal.
03:28
getting to know the informal economy.
66
196402
2592
03:31
So I did things like working
as a street vendor
as a street vendor
67
199018
2401
Fiz coisas como trabalhar
como vendedora ambulante,
como vendedora ambulante,
vendendo bolinhos para trabalhadores
da construção civil.
da construção civil.
03:33
selling dumplings to construction workers.
68
201443
2574
03:36
Or I did fieldwork,
69
204041
1358
Fiz trabalho de campo,
passando dias e noites em "cybercafés",
passando dias e noites em "cybercafés",
03:37
spending nights and days
in internet cafés,
in internet cafés,
70
205423
2958
03:40
hanging out with Chinese youth,
so I could understand
so I could understand
71
208405
2546
saindo com os jovens chineses,
para entender como usavam
os jogos e telefones celulares
os jogos e telefones celulares
03:42
how they were using
games and mobile phones
games and mobile phones
72
210975
2284
entre o movimento
das áreas rurais para as cidades.
das áreas rurais para as cidades.
03:45
and using it between moving
from the rural areas to the cities.
from the rural areas to the cities.
73
213283
3370
03:50
Through all of this qualitative evidence
that I was gathering,
that I was gathering,
74
218335
3927
Ao longo de toda essa evidência
qualitativa que eu estava reunindo,
qualitativa que eu estava reunindo,
03:54
I was starting to see so clearly
75
222286
2824
começava a ver tão claramente
03:57
that a big change was about to happen
among low-income Chinese people.
among low-income Chinese people.
76
225134
4472
que aconteceria uma grande mudança
entre os chineses de baixa renda.
entre os chineses de baixa renda.
04:03
Even though they were surrounded
by advertisements for luxury products
by advertisements for luxury products
77
231020
4367
Mesmo cercados por anúncios
de produtos de luxo
de produtos de luxo
como banheiros extravagantes,
04:07
like fancy toilets --
who wouldn't want one? --
who wouldn't want one? --
78
235411
3495
"Quem não quer um?",
apartamentos e carros,
04:10
and apartments and cars,
79
238930
2890
04:13
through my conversations with them,
80
241844
1820
pelas conversas que tive com eles,
04:15
I found out that the ads
the actually enticed them the most
the actually enticed them the most
81
243688
3841
descobri que os anúncios
que realmente os atraíam mais
que realmente os atraíam mais
04:19
were the ones for iPhones,
82
247553
1996
eram os de "iPhones",
04:21
promising them this entry
into this high-tech life.
into this high-tech life.
83
249573
3052
prometendo-lhes a entrada
nesta vida de alta tecnologia.
nesta vida de alta tecnologia.
04:25
And even when I was living with them
in urban slums like this one,
in urban slums like this one,
84
253469
3163
Mesmo quando estava vivendo com eles
em favelas urbanas como essa,
em favelas urbanas como essa,
04:28
I saw people investing
over half of their monthly income
over half of their monthly income
85
256656
2996
via pessoas investindo mais
da metade de sua renda mensal
da metade de sua renda mensal
04:31
into buying a phone,
86
259676
1623
na compra de um telefone
04:33
and increasingly, they were "shanzhai,"
87
261323
2302
e, cada vez mais, em "shanzhai",
04:35
which are affordable knock-offs
of iPhones and other brands.
of iPhones and other brands.
88
263649
3388
que eram imitações baratas
de iPhones e outras marcas.
de iPhones e outras marcas.
04:40
They're very usable.
89
268303
1625
São muito úteis.
04:42
Does the job.
90
270890
1322
Fazem o trabalho.
04:44
And after years of living
with migrants and working with them
with migrants and working with them
91
272750
5789
Após anos vivendo com migrantes,
trabalhando com eles
trabalhando com eles
04:50
and just really doing everything
that they were doing,
that they were doing,
92
278563
3434
e fazendo realmente tudo
o que estavam fazendo,
o que estavam fazendo,
04:54
I started piecing
all these data points together --
all these data points together --
93
282021
3597
comecei a juntar todas
essas unidades de informação,
essas unidades de informação,
04:57
from the things that seem random,
like me selling dumplings,
like me selling dumplings,
94
285642
3123
das coisas que pareciam aleatórias,
como eu, vendendo bolinhos,
como eu, vendendo bolinhos,
05:00
to the things that were more obvious,
95
288789
1804
para as coisas mais óbvias,
como rastrear quanto gastavam
em suas contas de telefone celular.
em suas contas de telefone celular.
05:02
like tracking how much they were spending
on their cell phone bills.
on their cell phone bills.
96
290617
3232
Consegui criar essa imagem
muito mais completa
muito mais completa
05:05
And I was able to create
this much more holistic picture
this much more holistic picture
97
293873
2639
do que estava acontecendo.
05:08
of what was happening.
98
296536
1156
Comecei, então, a perceber
05:09
And that's when I started to realize
99
297716
1722
05:11
that even the poorest in China
would want a smartphone,
would want a smartphone,
100
299462
3509
que até mesmo os mais pobres
da China queriam um smartphone,
da China queriam um smartphone,
05:14
and that they would do almost anything
to get their hands on one.
to get their hands on one.
101
302995
4985
e fariam de tudo para colocar
as mãos em um aparelho.
as mãos em um aparelho.
05:21
You have to keep in mind,
102
309073
2404
Vocês precisam ter em mente
05:23
iPhones had just come out, it was 2009,
103
311501
3084
que os iPhones tinham acabado
de ser lançados, era 2009,
de ser lançados, era 2009,
05:26
so this was, like, eight years ago,
104
314609
1885
oito anos atrás,
e os "Androids" começavam
a se parecer com os iPhones.
a se parecer com os iPhones.
05:28
and Androids had just started
looking like iPhones.
looking like iPhones.
105
316518
2437
05:30
And a lot of very smart
and realistic people said,
and realistic people said,
106
318979
2507
Muitas pessoas inteligentes
e realistas disseram:
e realistas disseram:
"Esses smartphones, é apenas uma moda.
05:33
"Those smartphones -- that's just a fad.
107
321510
2207
05:36
Who wants to carry around
these heavy things
these heavy things
108
324243
2996
Quem vai querer levar
essas coisas pesadas,
essas coisas pesadas,
05:39
where batteries drain quickly
and they break every time you drop them?"
and they break every time you drop them?"
109
327263
3487
com baterias que se esgotam rapidamente,
e que quebram quando deixamos cair?"
e que quebram quando deixamos cair?"
Mas eu tinha muitos dados,
05:44
But I had a lot of data,
110
332793
1201
05:46
and I was very confident
about my insights,
about my insights,
111
334018
2260
e estava tão confiante de minhas ideias
05:48
so I was very excited
to share them with Nokia.
to share them with Nokia.
112
336302
2829
que fiquei muito animada
em compartilhá-las com a Nokia.
em compartilhá-las com a Nokia.
05:53
But Nokia was not convinced,
113
341332
2517
Mas a Nokia não estava convencida,
05:55
because it wasn't big data.
114
343873
2335
porque não eram informações importantes.
05:59
They said, "We have
millions of data points,
millions of data points,
115
347022
2404
Disseram: "Temos milhões
de unidades de informação,
de unidades de informação,
06:01
and we don't see any indicators
of anyone wanting to buy a smartphone,
of anyone wanting to buy a smartphone,
116
349450
4247
e não vemos nenhum indicador
de quem quer comprar um smartphone,
de quem quer comprar um smartphone,
06:05
and your data set of 100,
as diverse as it is, is too weak
as diverse as it is, is too weak
117
353721
4388
e seu conjunto de dados de 100,
tão heterogêneo, é muito fraco
tão heterogêneo, é muito fraco
06:10
for us to even take seriously."
118
358133
1714
para até mesmo levarmos a sério".
Eu disse: "Nokia, vocês têm razão.
06:12
And I said, "Nokia, you're right.
119
360908
1605
06:14
Of course you wouldn't see this,
120
362537
1560
Claro, não veem isso,
porque estão enviando pesquisas
06:16
because you're sending out surveys
assuming that people don't know
assuming that people don't know
121
364121
3371
supondo que as pessoas
não sabem o que é um smartphone.
não sabem o que é um smartphone.
06:19
what a smartphone is,
122
367516
1159
Então é claro que não terão de volta
06:20
so of course you're not going
to get any data back
to get any data back
123
368699
2366
os dados sobre quem quer comprar
um smartphone em dois anos.
um smartphone em dois anos.
06:23
about people wanting to buy
a smartphone in two years.
a smartphone in two years.
124
371089
2572
As pesquisas e os métodos
de vocês foram projetados
de vocês foram projetados
06:25
Your surveys, your methods
have been designed
have been designed
125
373685
2118
para otimizar um modelo
de negócios existente,
de negócios existente,
06:27
to optimize an existing business model,
126
375827
2022
e estou analisando
essas dinâmicas humanas emergentes
essas dinâmicas humanas emergentes
06:29
and I'm looking
at these emergent human dynamics
at these emergent human dynamics
127
377873
2608
06:32
that haven't happened yet.
128
380505
1354
que ainda não aconteceram.
06:33
We're looking outside of market dynamics
129
381883
2438
Estamos olhando fora
da dinâmica do mercado
da dinâmica do mercado
06:36
so that we can get ahead of it."
130
384345
1631
para que possamos ficar à frente disso".
06:39
Well, you know what happened to Nokia?
131
387373
2244
Bem, sabem o que aconteceu com a Nokia?
06:41
Their business fell off a cliff.
132
389641
2365
O negócio deles caiu de um penhasco.
06:44
This -- this is the cost
of missing something.
of missing something.
133
392791
3727
Este é o custo de deixar
escapar alguma coisa.
escapar alguma coisa.
06:49
It was unfathomable.
134
397163
1999
Era impossível de entender.
06:52
But Nokia's not alone.
135
400003
1651
Mas a Nokia não está sozinha.
06:54
I see organizations
throwing out data all the time
throwing out data all the time
136
402258
2581
Vejo organizações jogando
os dados fora o tempo todo
os dados fora o tempo todo
porque não vieram
de um modelo quantitativo
de um modelo quantitativo
06:56
because it didn't come from a quant model
137
404863
2561
06:59
or it doesn't fit in one.
138
407448
1768
ou não se encaixam em um.
07:02
But it's not big data's fault.
139
410219
2048
Mas não é culpa do big data.
07:04
It's the way we use big data;
it's our responsibility.
it's our responsibility.
140
412942
3907
É o modo como o usamos;
é nossa responsabilidade.
é nossa responsabilidade.
07:09
Big data's reputation for success
141
417730
1911
A reputação para o sucesso do big data
07:11
comes from quantifying
very specific environments,
very specific environments,
142
419665
3759
vem da quantificação
de ambientes muito específicos,
de ambientes muito específicos,
07:15
like electricity power grids
or delivery logistics or genetic code,
or delivery logistics or genetic code,
143
423448
4913
como redes de energia elétrica,
logística de entrega ou código genético,
logística de entrega ou código genético,
07:20
when we're quantifying in systems
that are more or less contained.
that are more or less contained.
144
428385
4318
quando quantificamos em sistemas
mais ou menos controlados.
mais ou menos controlados.
07:24
But not all systems
are as neatly contained.
are as neatly contained.
145
432727
2969
Mas nem todos os sistemas
estão tão bem controlados.
estão tão bem controlados.
07:27
When you're quantifying
and systems are more dynamic,
and systems are more dynamic,
146
435720
3258
Quando estamos quantificando
e os sistemas são mais dinâmicos,
e os sistemas são mais dinâmicos,
07:31
especially systems
that involve human beings,
that involve human beings,
147
439002
3799
especialmente sistemas
que envolvem seres humanos,
que envolvem seres humanos,
07:34
forces are complex and unpredictable,
148
442825
2426
as forças são complexas e imprevisíveis,
07:37
and these are things
that we don't know how to model so well.
that we don't know how to model so well.
149
445275
3486
e são coisas que não sabemos
tão bem como modelar.
tão bem como modelar.
07:41
Once you predict something
about human behavior,
about human behavior,
150
449204
2813
Depois de prever algo
sobre o comportamento humano,
sobre o comportamento humano,
07:44
new factors emerge,
151
452041
1855
surgem novos fatores,
07:45
because conditions
are constantly changing.
are constantly changing.
152
453920
2365
porque as condições
estão em constante mudança.
estão em constante mudança.
Por isso é um ciclo sem fim.
07:48
That's why it's a never-ending cycle.
153
456309
1803
Achamos que conhecemos algo,
e então surge algo desconhecido.
e então surge algo desconhecido.
07:50
You think you know something,
154
458136
1464
07:51
and then something unknown
enters the picture.
enters the picture.
155
459624
2242
07:53
And that's why just relying
on big data alone
on big data alone
156
461890
3322
É por isso que confiar apenas no big data
07:57
increases the chance
that we'll miss something,
that we'll miss something,
157
465236
2849
aumenta a chance de deixar
escapar alguma coisa,
escapar alguma coisa,
08:00
while giving us this illusion
that we already know everything.
that we already know everything.
158
468109
3777
ao nos dar essa ilusão
de que já sabemos tudo.
de que já sabemos tudo.
08:04
And what makes it really hard
to see this paradox
to see this paradox
159
472406
3856
O que torna muito difícil
ver esse paradoxo
ver esse paradoxo
e até mesmo envolver
nossos cérebros em torno disso
nossos cérebros em torno disso
08:08
and even wrap our brains around it
160
476286
2659
08:10
is that we have this thing
that I call the quantification bias,
that I call the quantification bias,
161
478969
3691
é que temos o que chamo
de viés de quantificação,
de viés de quantificação,
08:14
which is the unconscious belief
of valuing the measurable
of valuing the measurable
162
482684
3922
que é a crença inconsciente de valorizar
o mensurável sobre o imensurável.
o mensurável sobre o imensurável.
08:18
over the immeasurable.
163
486630
1594
08:21
And we often experience this at our work.
164
489222
3284
Muitas vezes passamos
por isso em nosso trabalho.
por isso em nosso trabalho.
08:24
Maybe we work alongside
colleagues who are like this,
colleagues who are like this,
165
492530
2650
Talvez trabalhemos
ao lado de colegas assim,
ao lado de colegas assim,
ou até mesmo toda a nossa
empresa pode ser assim,
empresa pode ser assim,
08:27
or even our whole entire
company may be like this,
company may be like this,
166
495204
2428
onde as pessoas ficam tão obcecadas
com aquela quantidade,
com aquela quantidade,
08:29
where people become
so fixated on that number,
so fixated on that number,
167
497656
2546
08:32
that they can't see anything
outside of it,
outside of it,
168
500226
2067
que não podem ver nada fora dela,
mesmo quando apresentamos
evidências bem diante dos olhos delas.
evidências bem diante dos olhos delas.
08:34
even when you present them evidence
right in front of their face.
right in front of their face.
169
502317
3948
08:39
And this is a very appealing message,
170
507123
3371
Esta é uma mensagem muito interessante,
porque não há nada errado em quantificar;
08:42
because there's nothing
wrong with quantifying;
wrong with quantifying;
171
510518
2343
é realmente muito gratificante.
08:44
it's actually very satisfying.
172
512885
1430
08:46
I get a great sense of comfort
from looking at an Excel spreadsheet,
from looking at an Excel spreadsheet,
173
514339
4362
Tenho uma grande sensação de conforto
ao olhar para uma planilha do Excel,
ao olhar para uma planilha do Excel,
08:50
even very simple ones.
174
518725
1401
mesmo as mais simples.
08:52
(Laughter)
175
520150
1014
(Risos)
08:53
It's just kind of like,
176
521188
1152
É meio como: "Sim! A fórmula funcionou.
Está tudo bem. Está tudo sob controle".
Está tudo bem. Está tudo sob controle".
08:54
"Yes! The formula worked. It's all OK.
Everything is under control."
Everything is under control."
177
522364
3504
08:58
But the problem is
178
526792
2390
Mas o problema é
09:01
that quantifying is addictive.
179
529206
2661
que quantificar é viciante.
09:03
And when we forget that
180
531891
1382
Quando nos esquecemos disso
e não temos algo
para manter esse controle,
para manter esse controle,
09:05
and when we don't have something
to kind of keep that in check,
to kind of keep that in check,
181
533297
3038
é muito fácil simplesmente
jogar os dados fora
jogar os dados fora
09:08
it's very easy to just throw out data
182
536359
2118
09:10
because it can't be expressed
as a numerical value.
as a numerical value.
183
538501
2718
porque não podem ser expressos
como um valor numérico.
como um valor numérico.
09:13
It's very easy just to slip
into silver-bullet thinking,
into silver-bullet thinking,
184
541243
2921
É muito fácil ter apenas
um pensamento imediatista,
um pensamento imediatista,
como se houvesse alguma solução simples.
09:16
as if some simple solution existed.
185
544188
2579
09:19
Because this is a great moment of danger
for any organization,
for any organization,
186
547600
4062
Este é um grande momento
de perigo para qualquer organização,
de perigo para qualquer organização,
09:23
because oftentimes,
the future we need to predict --
the future we need to predict --
187
551686
2634
porque, muitas vezes,
o futuro que precisamos prever
o futuro que precisamos prever
09:26
it isn't in that haystack,
188
554344
2166
não está nesse palheiro,
09:28
but it's that tornado
that's bearing down on us
that's bearing down on us
189
556534
2538
mas é aquele tornado
que está vindo em nossa direção
que está vindo em nossa direção
09:31
outside of the barn.
190
559096
1488
do lado de fora do celeiro.
09:34
There is no greater risk
191
562960
2326
Não há risco maior do que ficar
cego para o desconhecido.
cego para o desconhecido.
09:37
than being blind to the unknown.
192
565310
1666
09:39
It can cause you to make
the wrong decisions.
the wrong decisions.
193
567000
2149
Isso pode nos fazer
tomar decisões erradas.
tomar decisões erradas.
Pode nos fazer perder algo grande.
09:41
It can cause you to miss something big.
194
569173
1974
09:43
But we don't have to go down this path.
195
571734
3101
Mas não precisamos seguir esse caminho.
09:47
It turns out that the oracle
of ancient Greece
of ancient Greece
196
575453
3195
Acontece que o oráculo da Grécia antiga
guarda a chave secreta
que nos mostra o caminho adiante.
que nos mostra o caminho adiante.
09:50
holds the secret key
that shows us the path forward.
that shows us the path forward.
197
578672
3966
09:55
Now, recent geological research has shown
198
583654
2595
Pesquisas geológicas recentes mostraram
que o Templo de Apolo,
onde estava o oráculo mais famoso,
onde estava o oráculo mais famoso,
09:58
that the Temple of Apollo,
where the most famous oracle sat,
where the most famous oracle sat,
199
586273
3564
10:01
was actually built
over two earthquake faults.
over two earthquake faults.
200
589861
3084
foi, na verdade, construído
sobre duas falhas de terremoto.
sobre duas falhas de terremoto.
10:04
And these faults would release
these petrochemical fumes
these petrochemical fumes
201
592969
2886
Essas falhas liberavam gases petroquímicos
debaixo da crosta terrestre.
debaixo da crosta terrestre.
10:07
from underneath the Earth's crust,
202
595879
1685
O oráculo literalmente se sentava
bem acima dessas falhas,
bem acima dessas falhas,
10:09
and the oracle literally sat
right above these faults,
right above these faults,
203
597588
3866
10:13
inhaling enormous amounts
of ethylene gas, these fissures.
of ethylene gas, these fissures.
204
601478
3588
inalando enormes quantidades
de gás etileno, essas fissuras.
de gás etileno, essas fissuras.
(Risos)
10:17
(Laughter)
205
605090
1008
É verdade.
10:18
It's true.
206
606122
1173
(Risos)
10:19
(Laughter)
207
607319
1017
10:20
It's all true, and that's what made her
babble and hallucinate
babble and hallucinate
208
608360
3509
Tudo isso é verdade,
e era o que a fazia murmurar e alucinar
e era o que a fazia murmurar e alucinar
e entrar nesse estado de transe.
10:23
and go into this trance-like state.
209
611893
1724
Ela ficava alta como uma pipa!
10:25
She was high as a kite!
210
613641
1770
10:27
(Laughter)
211
615435
4461
(Risos)
10:31
So how did anyone --
212
619920
2779
Como alguém conseguiria
algum conselho útil dela naquele estado?
algum conselho útil dela naquele estado?
10:34
How did anyone get
any useful advice out of her
any useful advice out of her
213
622723
3030
10:37
in this state?
214
625777
1190
10:39
Well, you see those people
surrounding the oracle?
surrounding the oracle?
215
627497
2381
Estão vendo aquelas pessoas
que cercam o oráculo?
que cercam o oráculo?
Veem aquelas pessoas que a apoiam,
porque ela está um pouco zonza?
porque ela está um pouco zonza?
10:41
You see those people holding her up,
216
629902
1879
10:43
because she's, like, a little woozy?
217
631805
1717
E aquele cara do lado esquerdo
dela segurando o caderno laranja?
dela segurando o caderno laranja?
10:45
And you see that guy
on your left-hand side
on your left-hand side
218
633546
2308
10:47
holding the orange notebook?
219
635878
1598
10:50
Well, those were the temple guides,
220
638105
1730
Aqueles eram os guias do templo,
e trabalhavam de mãos dadas com o oráculo.
e trabalhavam de mãos dadas com o oráculo.
10:51
and they worked hand in hand
with the oracle.
with the oracle.
221
639859
3016
10:56
When inquisitors would come
and get on their knees,
and get on their knees,
222
644084
2516
Quando os interrogadores
vinham e ficavam de joelhos,
vinham e ficavam de joelhos,
10:58
that's when the temple guides
would get to work,
would get to work,
223
646624
2340
os guias do templo chegavam ao trabalho.
Depois de fazerem perguntas a ela,
observavam o estado emocional deles.
observavam o estado emocional deles.
11:00
because after they asked her questions,
224
648988
1864
11:02
they would observe their emotional state,
225
650876
2001
Então lhes faziam perguntas como:
11:04
and then they would ask them
follow-up questions,
follow-up questions,
226
652901
2324
"Por que querem conhecer
esta profecia? Quem são vocês?
esta profecia? Quem são vocês?
11:07
like, "Why do you want to know
this prophecy? Who are you?
this prophecy? Who are you?
227
655249
2834
O que irão fazer com esta informação?"
11:10
What are you going to do
with this information?"
with this information?"
228
658107
2264
Então os guias do templo levavam
esta informação etnográfica e qualitativa
esta informação etnográfica e qualitativa
11:12
And then the temple guides would take
this more ethnographic,
this more ethnographic,
229
660395
3182
11:15
this more qualitative information,
230
663601
2156
e interpretavam os murmúrios do oráculo.
11:17
and interpret the oracle's babblings.
231
665781
2075
11:21
So the oracle didn't stand alone,
232
669428
2292
O oráculo não ficava sozinho,
e nossos sistemas de big data
também não deveriam ficar.
também não deveriam ficar.
11:23
and neither should our big data systems.
233
671744
2148
Para ser clara,
11:26
Now to be clear,
234
674630
1161
não estou dizendo que os sistemas
de big data estão inalando gás de etileno,
de big data estão inalando gás de etileno,
11:27
I'm not saying that big data systems
are huffing ethylene gas,
are huffing ethylene gas,
235
675815
3459
11:31
or that they're even giving
invalid predictions.
invalid predictions.
236
679298
2353
ou que estão até mesmo
dando previsões inválidas.
dando previsões inválidas.
Muito pelo contrário, o que estou dizendo
11:33
The total opposite.
237
681675
1161
11:34
But what I am saying
238
682860
2068
é que, da mesma forma que o oráculo
precisava dos guias de templo dela,
precisava dos guias de templo dela,
11:36
is that in the same way
that the oracle needed her temple guides,
that the oracle needed her temple guides,
239
684952
3832
nossos sistemas de big data
precisam deles também.
precisam deles também.
11:40
our big data systems need them, too.
240
688808
2288
Precisam de pessoas como etnógrafos
e pesquisadores de usuários
e pesquisadores de usuários
11:43
They need people like ethnographers
and user researchers
and user researchers
241
691120
4109
que podem reunir o que chamo
de "thick data".
de "thick data".
11:47
who can gather what I call thick data.
242
695253
2506
11:50
This is precious data from humans,
243
698502
2991
São dados valiosos de pessoas,
como histórias, emoções e interações
que não podem ser quantificadas.
que não podem ser quantificadas.
11:53
like stories, emotions and interactions
that cannot be quantified.
that cannot be quantified.
244
701517
4102
É o tipo de dados
que coletei para a Nokia,
que coletei para a Nokia,
11:57
It's the kind of data
that I collected for Nokia
that I collected for Nokia
245
705643
2322
que chega na forma de um tamanho
de amostra muito pequeno,
de amostra muito pequeno,
11:59
that comes in in the form
of a very small sample size,
of a very small sample size,
246
707989
2669
12:02
but delivers incredible depth of meaning.
247
710682
2955
mas oferece uma profundidade
de significado incrível.
de significado incrível.
12:05
And what makes it so thick and meaty
248
713661
3680
O que o torna tão denso e significante
12:10
is the experience of understanding
the human narrative.
the human narrative.
249
718445
4029
é a experiência de compreender
a narrativa humana.
a narrativa humana.
12:14
And that's what helps to see
what's missing in our models.
what's missing in our models.
250
722498
3639
Isso é o que ajuda a ver o que está
faltando em nossos modelos.
faltando em nossos modelos.
12:18
Thick data grounds our business questions
in human questions,
in human questions,
251
726851
4045
Thick data baseia nossas questões
de negócio em questões humanas,
de negócio em questões humanas,
12:22
and that's why integrating
big and thick data
big and thick data
252
730920
3562
e é por isso que integrar
big data e thick data
big data e thick data
forma uma imagem mais completa.
12:26
forms a more complete picture.
253
734506
1689
12:28
Big data is able to offer
insights at scale
insights at scale
254
736772
2881
Big data é capaz de oferecer
compreensões sobre a escala
compreensões sobre a escala
12:31
and leverage the best
of machine intelligence,
of machine intelligence,
255
739677
2647
e alavancar o melhor
da inteligência da máquina,
da inteligência da máquina,
12:34
whereas thick data can help us
rescue the context loss
rescue the context loss
256
742348
3572
enquanto thick data pode nos ajudar
a resgatar a perda de contexto,
a resgatar a perda de contexto,
que vem de tornar o big data utilizável,
12:37
that comes from making big data usable,
257
745944
2098
e a aproveitar o melhor
da inteligência humana.
da inteligência humana.
12:40
and leverage the best
of human intelligence.
of human intelligence.
258
748066
2181
12:42
And when you actually integrate the two,
that's when things get really fun,
that's when things get really fun,
259
750271
3552
Quando os dois são integrados,
as coisas ficam muito divertidas,
as coisas ficam muito divertidas,
porque não estamos mais apenas
trabalhando com dados já coletados.
trabalhando com dados já coletados.
12:45
because then you're no longer
just working with data
just working with data
260
753847
2436
12:48
you've already collected.
261
756307
1196
Também trabalhamos com dados
que não foram coletados.
que não foram coletados.
12:49
You get to also work with data
that hasn't been collected.
that hasn't been collected.
262
757527
2737
Fazemos perguntas sobre o porquê:
12:52
You get to ask questions about why:
263
760288
1719
"Por que está acontecendo isso?"
12:54
Why is this happening?
264
762031
1317
12:55
Now, when Netflix did this,
265
763778
1379
Quando a Netflix fez isso,
foi revelada uma forma totalmente nova
de transformar os negócios.
de transformar os negócios.
12:57
they unlocked a whole new way
to transform their business.
to transform their business.
266
765181
3035
13:01
Netflix is known for their really great
recommendation algorithm,
recommendation algorithm,
267
769406
3956
A Netflix é conhecida por seu excelente
algoritmo de recomendação,
algoritmo de recomendação,
e ofereceu um prêmio de US$ 1 milhão
para quem pudesse melhorá-lo.
para quem pudesse melhorá-lo.
13:05
and they had this $1 million prize
for anyone who could improve it.
for anyone who could improve it.
268
773386
4797
13:10
And there were winners.
269
778207
1314
Houve ganhadores.
13:12
But Netflix discovered
the improvements were only incremental.
the improvements were only incremental.
270
780255
4323
Mas a Netflix descobriu que as melhorias
eram apenas incrementais.
eram apenas incrementais.
Para descobrir o que estava acontecendo,
contratou um etnógrafo, Grant McCracken,
contratou um etnógrafo, Grant McCracken,
13:17
So to really find out what was going on,
271
785404
1964
13:19
they hired an ethnographer,
Grant McCracken,
Grant McCracken,
272
787392
3741
para reunir ideias de thick data.
13:23
to gather thick data insights.
273
791157
1546
O que ele descobriu foi algo não visto
inicialmente nos dados quantitativos:
inicialmente nos dados quantitativos:
13:24
And what he discovered was something
that they hadn't seen initially
that they hadn't seen initially
274
792727
3924
13:28
in the quantitative data.
275
796675
1355
as pessoas adoravam assistir
às maratonas de séries na TV.
às maratonas de séries na TV.
13:31
He discovered that people loved
to binge-watch.
to binge-watch.
276
799072
2728
De fato, nem se sentiam
culpadas por isso; elas gostavam.
culpadas por isso; elas gostavam.
13:33
In fact, people didn't even
feel guilty about it.
feel guilty about it.
277
801824
2353
13:36
They enjoyed it.
278
804201
1255
13:37
(Laughter)
279
805480
1026
(Risos)
Para a Netflix era como:
"Ah, esta é uma nova visão".
"Ah, esta é uma nova visão".
13:38
So Netflix was like,
"Oh. This is a new insight."
"Oh. This is a new insight."
280
806530
2356
Levou para a equipe de ciência de dados,
13:40
So they went to their data science team,
281
808910
1938
que conseguiu dimensionar esta visão
do big data com os dados quantitativos.
do big data com os dados quantitativos.
13:42
and they were able to scale
this big data insight
this big data insight
282
810872
2318
13:45
in with their quantitative data.
283
813214
2587
Uma vez verificados e validados,
13:47
And once they verified it
and validated it,
and validated it,
284
815825
3170
13:51
Netflix decided to do something
very simple but impactful.
very simple but impactful.
285
819019
4761
a Netflix decidiu fazer algo
muito simples, mas de grande impacto.
muito simples, mas de grande impacto.
13:56
They said, instead of offering
the same show from different genres
the same show from different genres
286
824834
6492
Disse que, em vez de oferecer
o mesmo programa de diferentes gêneros
o mesmo programa de diferentes gêneros
ou mais dos diferentes programas
de usuários semelhantes,
de usuários semelhantes,
14:03
or more of the different shows
from similar users,
from similar users,
287
831350
3888
14:07
we'll just offer more of the same show.
288
835262
2554
iria apenas oferecer mais
do mesmo programa,
do mesmo programa,
14:09
We'll make it easier
for you to binge-watch.
for you to binge-watch.
289
837840
2105
fazer com que seja mais fácil assistir.
14:11
And they didn't stop there.
290
839969
1486
E não parou por aí.
Ela fez tudo isso
14:13
They did all these things
291
841479
1474
14:14
to redesign their entire
viewer experience,
viewer experience,
292
842977
2959
para replanejar toda a experiência
do telespectador,
do telespectador,
e realmente incentivá-lo a assistir.
14:17
to really encourage binge-watching.
293
845960
1758
É por isso que as pessoas e os amigos
somem em finais de semana inteiros,
somem em finais de semana inteiros,
14:20
It's why people and friends disappear
for whole weekends at a time,
for whole weekends at a time,
294
848230
3241
14:23
catching up on shows
like "Master of None."
like "Master of None."
295
851495
2343
colocando em dia as séries
como "Master of None".
como "Master of None".
14:25
By integrating big data and thick data,
they not only improved their business,
they not only improved their business,
296
853862
4173
Ao integrar big data e thick data,
ela não só melhorou os negócios,
ela não só melhorou os negócios,
14:30
but they transformed how we consume media.
297
858059
2812
mas transformou a forma
como consumimos a mídia.
como consumimos a mídia.
14:32
And now their stocks are projected
to double in the next few years.
to double in the next few years.
298
860895
4552
Agora as ações dela estão projetadas
para duplicar nos próximos anos.
para duplicar nos próximos anos.
14:38
But this isn't just about
watching more videos
watching more videos
299
866280
3830
Mas não se trata apenas
de assistir a mais vídeos
de assistir a mais vídeos
14:42
or selling more smartphones.
300
870134
1620
ou de vender mais smartphones.
14:44
For some, integrating thick data
insights into the algorithm
insights into the algorithm
301
872143
4050
Para alguns, integrar
thick data ao algoritmo
thick data ao algoritmo
14:48
could mean life or death,
302
876217
2263
pode ser uma questão de vida ou morte,
14:50
especially for the marginalized.
303
878504
2146
especialmente para os marginalizados.
14:53
All around the country,
police departments are using big data
police departments are using big data
304
881738
3434
Em todo o país, os departamentos
de polícia estão usando o big data
de polícia estão usando o big data
para o policiamento preditivo,
14:57
for predictive policing,
305
885196
1963
14:59
to set bond amounts
and sentencing recommendations
and sentencing recommendations
306
887183
3084
para estabelecer valores de títulos
e recomendações de sentença
e recomendações de sentença
de forma a reforçar
as prevenções existentes.
as prevenções existentes.
15:02
in ways that reinforce existing biases.
307
890291
3147
15:06
NSA's Skynet machine learning algorithm
308
894296
2423
O algoritmo de aprendizagem
de máquina Skynet da NSA
de máquina Skynet da NSA
15:08
has possibly aided in the deaths
of thousands of civilians in Pakistan
of thousands of civilians in Pakistan
309
896743
5444
ajudou possivelmente na morte
de milhares de civis no Paquistão
de milhares de civis no Paquistão
pela leitura errada de metadados
do dispositivo celular.
do dispositivo celular.
15:14
from misreading cellular device metadata.
310
902211
2721
15:19
As all of our lives become more automated,
311
907131
3403
À medida que toda a nossa vida
se torna mais automatizada,
se torna mais automatizada,
dos automóveis aos planos
de saúde ou ao emprego,
de saúde ou ao emprego,
15:22
from automobiles to health insurance
or to employment,
or to employment,
312
910558
3080
15:25
it is likely that all of us
313
913662
2350
é provável que todos nós
15:28
will be impacted
by the quantification bias.
by the quantification bias.
314
916036
2989
sejamos impactados
pelo viés da quantificação.
pelo viés da quantificação.
15:32
Now, the good news
is that we've come a long way
is that we've come a long way
315
920972
2621
A boa notícia é que percorremos
um longo caminho,
um longo caminho,
15:35
from huffing ethylene gas
to make predictions.
to make predictions.
316
923617
2450
de inalar gás de etileno
a fazer previsões.
a fazer previsões.
15:38
We have better tools,
so let's just use them better.
so let's just use them better.
317
926091
3070
Temos ferramentas melhores,
então vamos apenas usá-las melhor.
então vamos apenas usá-las melhor.
15:41
Let's integrate the big data
with the thick data.
with the thick data.
318
929185
2323
Vamos integrar o big data ao thick data,
trazer nossos guias
do templo com os oráculos,
do templo com os oráculos,
15:43
Let's bring our temple guides
with the oracles,
with the oracles,
319
931532
2261
e se este trabalho acontecer em empresas
ou organizações sem fins lucrativos,
ou organizações sem fins lucrativos,
15:45
and whether this work happens
in companies or nonprofits
in companies or nonprofits
320
933817
3376
15:49
or government or even in the software,
321
937217
2469
no governo ou mesmo no software,
15:51
all of it matters,
322
939710
1792
tudo isso importa.
15:53
because that means
we're collectively committed
we're collectively committed
323
941526
3023
Significa que estamos
comprometidos coletivamente
comprometidos coletivamente
15:56
to making better data,
324
944573
2191
a elaborar dados melhores,
15:58
better algorithms, better outputs
325
946788
1836
algoritmos melhores, resultados melhores
e decisões melhores.
e decisões melhores.
16:00
and better decisions.
326
948648
1643
16:02
This is how we'll avoid
missing that something.
missing that something.
327
950315
3558
É assim que evitaremos
deixar escapar esse algo.
deixar escapar esse algo.
16:07
(Applause)
328
955222
3948
(Aplausos)
ABOUT THE SPEAKER
Tricia Wang - Technology ethnographerWith 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.
Tricia Wang | Speaker | TED.com