TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Como usar a análise de dados para criar um programa de TV de sucesso
Filmed:
Readability: 4
1,628,704 views
Será que recolher mais informação leva a uma melhor tomada de decisões? Empresas competitivas e conhecedoras em análise de dados como a Amazon, a Google e a Netflix aprenderam que a análise de dados por si só nem sempre produz bons resultados. Nesta palestra, o cientista Sebastian Wernicke demonstra o que pode correr mal quando tomamos decisões baseadas apenas na análise de dados — e sugere uma forma mais cerebral de o fazer.
Sebastian Wernicke - Data scientist
After making a splash in the field of bioinformatics, Sebastian Wernicke moved on to the corporate sphere, where he motivates and manages multidimensional projects. Full bio
After making a splash in the field of bioinformatics, Sebastian Wernicke moved on to the corporate sphere, where he motivates and manages multidimensional projects. Full bio
Double-click the English transcript below to play the video.
00:12
Roy Price is a man that most of you
have probably never heard about,
have probably never heard about,
0
820
4276
Roy Price é um homem do qual
provavelmente nunca ouviram falar,
provavelmente nunca ouviram falar,
00:17
even though he may have been responsible
1
5120
2496
ainda que ele tenha sido responsável
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
por uns 22 minutos algo medíocres
da nossa vida, a 19 de Abril de 2013.
da nossa vida, a 19 de Abril de 2013.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
Pode ter sido também responsável
por 22 minutos muito agradáveis,
por 22 minutos muito agradáveis,
00:29
but not very many of you.
4
17760
2256
mas não para muitos de vocês.
00:32
And all of that goes back to a decision
5
20040
1896
E tudo isso remonta a uma decisão
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
que Roy teve de fazer
há cerca de três anos.
há cerca de três anos.
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
Pois vejam, Roy Price
é um executivo sénior na Amazon Studios.
é um executivo sénior na Amazon Studios.
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
É a empresa de produção televisiva
da Amazon.
da Amazon.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
Tem 47 anos, é esbelto,
com o cabelo espetado,
com o cabelo espetado,
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
descreve-se no Twitter como
"filmes, TV, tecnologia, tacos."
"filmes, TV, tecnologia, tacos."
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
Roy Price tem um trabalho importante,
porque é da sua responsabilidade
porque é da sua responsabilidade
escolher programas, o conteúdo original
que a Amazon vai fazer.
que a Amazon vai fazer.
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
Claro que esse é um espaço
muito competitivo.
muito competitivo.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Quero dizer, há tantos
programas televisivos já lançados,
programas televisivos já lançados,
01:06
that Roy can't just choose any show.
15
54400
2176
que Roy não pode escolher
qualquer programa.
qualquer programa.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Tem que encontrar programas
que sejam mesmo, mesmo bons.
que sejam mesmo, mesmo bons.
01:12
So in other words, he has to find shows
17
60720
2816
Por outras palavras,
tem que encontrar programas
tem que encontrar programas
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
que estejam do lado direito
desta curva aqui.
desta curva aqui.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Esta curva aqui
é a distribuição de avaliações
é a distribuição de avaliações
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
de cerca de 2500 programas de TV,
no site do IMDb.
no site do IMDb.
01:25
and the rating goes from one to 10,
21
73040
2896
Essas avaliações vão de 1 a 10.
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
Esta altura aqui mostra quantos
programas obtêm essa avaliação.
programas obtêm essa avaliação.
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
Se o programa tem uma avaliação
de 9 pontos ou superior, é um vencedor.
de 9 pontos ou superior, é um vencedor.
01:35
Then you have a top two percent show.
24
83680
1816
Assim temos 2% de programas de topo.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
São programas como o "Breaking Bad",
"Game of Thrones", "The Wire",
"Game of Thrones", "The Wire",
01:41
so all of these shows that are addictive,
26
89440
2296
todos esses programas que são viciantes,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
em que, depois de se ter visto uma série,
o cérebro fica assim como:
o cérebro fica assim como:
01:46
"Where can I get more of these episodes?"
28
94840
2176
"Onde posso obter mais
destes episódios?"
destes episódios?"
01:49
That kind of show.
29
97040
1200
Esse tipo de programas.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
No lado esquerdo, só para clarificar,
tem-se, por outro lado,
tem-se, por outro lado,
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
um programa chamado
"Toddlers and Tiaras"...
"Toddlers and Tiaras"...
01:56
(Laughter)
32
104640
2656
(Risos)
01:59
-- which should tell you enough
33
107320
1536
... que deve dizer o suficiente
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
sobre o que se passa neste lado da curva.
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
Agora, o Roy Price não está preocupado
em ficar do lado esquerdo da curva,
em ficar do lado esquerdo da curva,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
porque acho que é preciso ter
um sério poder mental
um sério poder mental
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
para superar "Toddlers e Tiaras."
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
Ele está preocupado
com esta parte aqui no meio,
com esta parte aqui no meio,
02:15
the bulge of average TV,
39
123920
1816
a parte da TV mediana.
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
Vocês sabem, aqueles programas
que são mais ou menos,
que são mais ou menos,
02:20
they don't really get you excited.
41
128639
1656
que não vos deixam entusiasmados.
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
Ele tem que ter a certeza
que fica do lado direito da curva.
que fica do lado direito da curva.
02:27
So the pressure is on,
43
135200
1576
A pressão é máxima,
02:28
and of course it's also the first time
44
136800
2176
e claro que é também a primeira vez
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
que a Amazon está a fazer algo assim,
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
por isso o Roy Price não quer arriscar.
02:36
He wants to engineer success.
47
144560
2456
Ele quer fabricar um sucesso.
02:39
He needs a guaranteed success,
48
147040
1776
Ele precisa de sucesso garantido.
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
Então o que ele faz é
lançar uma competição.
lançar uma competição.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Pega numa data de ideias
para programas de TV
para programas de TV
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
e a partir dessas ideias,
através de uma avaliação,
através de uma avaliação,
02:48
they select eight candidates for TV shows,
52
156920
4096
selecionam 8 candidatos
para programas de TV.
para programas de TV.
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
Depois faz só o 1º episódio
de cada um desses programas
de cada um desses programas
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
e põe-nos "online" grátis,
para toda a gente ver.
para toda a gente ver.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
E quando a Amazon dá coisas grátis,
03:01
you're going to take it, right?
56
169720
1536
toda a gente a vai ver, não é?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Há milhões de telespectadores
a ver esses episódios.
a ver esses episódios.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
O que eles não se apercebem é que,
enquanto estão a ver o programa,
enquanto estão a ver o programa,
03:11
actually, they are being watched.
59
179680
2296
estão ser observados.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Estão a ser observados
pelo Roy Price e pela sua equipa
pelo Roy Price e pela sua equipa
03:16
who record everything.
61
184360
1376
que gravam tudo.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
Gravam quando alguém pressiona "Play",
quando alguém pressiona "Pausa",
quando alguém pressiona "Pausa",
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
que partes passam à frente,
que partes vêem de novo.
que partes vêem de novo.
03:23
So they collect millions of data points,
64
191720
2256
Recolhem milhares de dados,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
porque querem ter essa informação
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
para depois decidir
que programa devem fazer.
que programa devem fazer.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
E claro, recolhem toda a informação,
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
analisam-na, e a resposta surge.
03:35
and the answer is,
69
203640
1216
E a resposta é:
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"A Amazon devia fazer uma comédia
sobre 4 senadores Republicanos dos EUA."
sobre 4 senadores Republicanos dos EUA."
(Risos)
03:42
They did that show.
71
210440
1216
Fizeram esse programa.
03:43
So does anyone know the name of the show?
72
211680
2160
Então? Alguém sabe o nome desse programa?
Audiência: "Alpha House."
03:46
(Audience: "Alpha House.")
73
214720
1296
03:48
Yes, "Alpha House,"
74
216040
1456
Sim, "Alpha House,"
03:49
but it seems like not too many of you here
remember that show, actually,
remember that show, actually,
75
217520
4096
mas parece que poucos aqui
se lembram desse programa,
se lembram desse programa,
03:53
because it didn't turn out that great.
76
221640
1856
porque não ficou assim tão bom.
03:55
It's actually just an average show,
77
223520
1856
Na verdade, é só um programa mediano,
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
literalmente, de facto,
porque a média da curva está em 7,4
porque a média da curva está em 7,4
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
e "Alpha House" tem 7,5.
04:04
so a slightly above average show,
80
232440
2016
Portanto, está ligeiramente acima da média,
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
mas certamente não é o que Roy Price
e a sua equipa queriam atingir.
e a sua equipa queriam atingir.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
Mas, entretanto,
por volta da mesma altura,
por volta da mesma altura,
04:13
at another company,
83
241200
1576
numa outra empresa
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
outro executivo produziu um programa
do topo, usando análise de dados.
do topo, usando análise de dados.
04:19
and his name is Ted,
85
247040
1576
Chama-se Ted, Ted Sarandos,
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
é o diretor de Conteúdos da Netflix.
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
Tal como o Roy,
ele está numa missão constante
ele está numa missão constante
04:26
to find that great TV show,
88
254240
1496
para encontrar um programa de topo
04:27
and he uses data as well to do that,
89
255760
2016
e também usa dados para fazer isso,
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
excepto que o faz de forma
um pouco diferente.
um pouco diferente.
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
Em vez de lançar uma competição,
ele e a sua equipa
ele e a sua equipa
olharam para todos os dados que tinham
sobre os telespectadores da Netflix,
sobre os telespectadores da Netflix,
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
as avaliações que dão aos programas,
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
o historial de visualizações,
o que gostam, etc.
o que gostam, etc.
04:44
And then they use that data to discover
95
272000
1896
Depois usaram esses dados
para descobrir
para descobrir
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
toda a informação e mais alguma
sobre a audiência:
sobre a audiência:
04:48
what kinds of shows they like,
97
276560
1456
que tipos de programas gostam,
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
que tipo de produtores,
que tipo de actores.
que tipo de actores.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
Depois de terem
toda essa informação junta,
toda essa informação junta,
04:54
they took a leap of faith,
100
282760
1656
num acto de fé,
04:56
and they decided to license
101
284440
2096
decidiram licenciar,
04:58
not a sitcom about four Senators
102
286560
2456
não uma comédia sobre quatro senadores
05:01
but a drama series about a single Senator.
103
289040
2880
mas uma série dramática sobre
um único senador.
um único senador.
05:04
You guys know the show?
104
292760
1656
Vocês conhecem o programa?
05:06
(Laughter)
105
294440
1296
(Risos)
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
Sim, "House of Cards", e a Netflix claro,
acertou em cheio com esse programa,
acertou em cheio com esse programa,
05:11
at least for the first two seasons.
107
299520
2136
pelos menos nas primeiras duas temporadas.
05:13
(Laughter) (Applause)
108
301680
3976
(Risos)
(Aplausos)
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
"House of Cards" tem uma avaliação
de 9,1 nesta curva.
de 9,1 nesta curva.
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
Exactamente onde queriam
que estivesse.
que estivesse.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
Agora, a pergunta é:
"O que aconteceu aqui?"
"O que aconteceu aqui?"
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Temos duas empresas muito competitivas
que usam análise de dados.
que usam análise de dados.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
Relacionam estes milhões
de pontos de informação,
de pontos de informação,
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
mas depois funciona lindamente
para um deles,
para um deles,
05:34
and it doesn't work for the other one.
115
322480
1856
e não funciona para outro.
05:36
So why?
116
324360
1216
Então porquê?
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
Porque a lógica diz
que isto devia resultar todas as vezes.
que isto devia resultar todas as vezes.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Quero dizer, se estamos a recolher
milhares de dados
milhares de dados
05:43
on a decision you're going to make,
119
331560
1736
para tomar uma decisão
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
então devíamos conseguir
tomar uma boa decisão.
tomar uma boa decisão.
Temos 200 anos de estatísticas
com que podemos contar.
com que podemos contar.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
Estamos a amplificá-la
com computadores muito potentes.
com computadores muito potentes.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
O mínimo que podíamos esperar
é boa televisão, ou não é?
é boa televisão, ou não é?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
Se a análise de dados não funciona
dessa maneira,
dessa maneira,
06:01
then it actually gets a little scary,
125
349520
2056
então torna-se assustador,
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
porque vivemos numa época
em que dependemos cada vez mais de dados
em que dependemos cada vez mais de dados
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
para tomar decisões sérias
que vão para além da televisão.
que vão para além da televisão.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Alguém aqui conhece a empresa
Multi-Health Systems?
Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
365080
1656
Ninguém. OK, isso é certamente bom.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
A Multi-Health systems
é uma empresa de "software",
é uma empresa de "software",
06:22
and I hope that nobody here in this room
131
370000
2816
e espero que ninguém aqui nesta sala
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
venha a estar em contacto
com esse "software",
com esse "software",
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
porque, se estiver,
significa que está preso.
significa que está preso.
06:30
(Laughter)
134
378160
1176
(Risos)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Se alguém aqui nos EUA está na prisão,
e pretende a liberdade condicional
e pretende a liberdade condicional
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
é muito provável que o "software"
de análise de dados dessa empresa
de análise de dados dessa empresa
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
seja usado para determinar
se essa proposta é ou não aceite.
se essa proposta é ou não aceite.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
É o mesmo principio
que a Amazon e a Netflix utilizam,
que a Amazon e a Netflix utilizam,
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
mas agora em vez de decidir
se um programa vai ser bom ou mau,
se um programa vai ser bom ou mau,
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
vai-se decidir se uma pessoa
vai ser boa ou má.
vai ser boa ou má.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
Uma TV medíocre, 22 minutos,
pode ser muito mau,
pode ser muito mau,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
mas mais anos na prisão,
acho eu, é ainda pior.
acho eu, é ainda pior.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
Infelizmente, há algumas provas
de que a análise de dados,
de que a análise de dados,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
apesar da enormidade de dados,
nem sempre produz óptimos resultados.
nem sempre produz óptimos resultados.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
E não é porque uma empresa
como a Multi-Health Systems.
como a Multi-Health Systems.
não saiba o que fazer com os dados.
07:13
doesn't know what to do with data.
146
421506
1627
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
Até as empresas mais conhecedoras
na área falham.
na área falham.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Sim, até a Google erra às vezes.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
Em 2009, a Google anunciou
que conseguia, com a análise de dados,
que conseguia, com a análise de dados,
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
prever surtos de gripe da pior espécie,
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
fazendo análise de dados
nas pesquisas da Google.
nas pesquisas da Google.
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
E funcionou lindamente,
fazendo grande sensação nas notícias,
fazendo grande sensação nas notícias,
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
incluindo o pináculo
do sucesso científico:
do sucesso científico:
07:39
a publication in the journal "Nature."
154
447200
2456
uma publicação na revista "Nature".
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Funcionou óptimamente,
ano após ano após ano,
ano após ano após ano,
07:45
until one year it failed.
156
453320
1656
até que um dia falhou.
07:47
And nobody could even tell exactly why.
157
455000
2256
Ninguém conseguiu dizer
exactamente porquê.
exactamente porquê.
Simplesmente não funcionou nesse ano.
07:49
It just didn't work that year,
158
457280
1696
07:51
and of course that again made big news,
159
459000
1936
Claro que isso também
foi uma grande notícia,
foi uma grande notícia,
07:52
including now a retraction
160
460960
1616
incluindo agora uma retratação
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
de uma publicação
da revista "Nature".
da revista "Nature".
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Então, até as empresas mais conhecedoras,
como a Amazon e a Google,
como a Amazon e a Google,
08:01
they sometimes get it wrong.
163
469840
2136
às vezes erram.
08:04
And despite all those failures,
164
472000
2936
Apesar de todos esses falhanços,
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
os dados intervêm cada vez mais
em decisões da vida real
em decisões da vida real
08:10
into the workplace,
166
478840
1816
— no espaço de trabalho,
08:12
law enforcement,
167
480680
1816
no cumprimento da lei,
08:14
medicine.
168
482520
1200
na medicina.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Então devíamos ter a certeza
de que os dados estão a ajudar.
de que os dados estão a ajudar.
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
Agora, pessoalmente, já vi
muita desta luta com dados,
muita desta luta com dados,
08:22
because I work in computational genetics,
171
490920
1976
porque trabalho com genética
computacional,
computacional,
que é também um campo
onde muita gente inteligente
onde muita gente inteligente
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
usa quantidades de dados inimagináveis
para tomar decisões importantes,
para tomar decisões importantes,
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
como decidir uma terapia de cancro
ou desenvolver uma droga.
ou desenvolver uma droga.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
Ao longo dos anos,
notei um tipo de padrão
notei um tipo de padrão
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
ou uma regra, se quiserem,
sobre a diferença
sobre a diferença
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
entre tomadas de decisão
bem sucedidas com dados
bem sucedidas com dados
08:43
and unsuccessful decision-making,
178
511120
1616
e tomadas de decisão mal-sucedidas.
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
Acho que é um padrão que devo partilhar,
e é mais ou menos assim.
e é mais ou menos assim.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
Sempre que se resolve um problema complexo
08:52
you're doing essentially two things.
181
520679
1737
fazem-se basicamente duas coisas.
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
A primeira é dividir esse problema
em várias partes
em várias partes
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
para que se possa analisar
cada parte em separado.
cada parte em separado.
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
Depois, claro, faz-se a segunda parte.
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
Juntam-se todas essas partes de novo
09:05
to come to your conclusion.
186
533000
1336
para chegar a uma conclusão.
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
Às vezes é preciso fazer tudo de novo,
09:08
but it's always those two things:
188
536720
1656
mas são sempre essas duas coisas:
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
Dividir e voltar a juntar de novo.
09:14
And now the crucial thing is
190
542280
1616
Agora a parte crucial é
09:15
that data and data analysis
191
543920
2896
que esses dados e a análise de dados
09:18
is only good for the first part.
192
546840
2496
servem apenas para a primeira parte.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
Os dados e análise de dados,
por mais poderosos que sejam,
por mais poderosos que sejam,
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
só ajudam a dividir o problema
e a compreender as suas partes.
e a compreender as suas partes.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Não é adequado para voltar a juntar
essas partes de novo
essas partes de novo
09:31
and then to come to a conclusion.
196
559600
1896
e depois chegar a uma conclusão.
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
Há outra ferramenta que faz isso,
e todos a temos.
e todos a temos.
09:36
and that tool is the brain.
198
564280
1296
Essa ferramenta é o cérebro.
09:37
If there's one thing a brain is good at,
199
565600
1936
Se há uma coisa em que o cérebro é bom
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
é em pegar em pedaços
de informação e juntá-los
de informação e juntá-los
09:41
even when you have incomplete information,
201
569840
2016
mesmo quando a informação é incompleta,
09:43
and coming to a good conclusion,
202
571880
1576
e chegar a uma boa conclusão,
09:45
especially if it's the brain of an expert.
203
573480
2936
especialmente se for o cérebro
de um especialista.
de um especialista.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
É por isso que acredito
que a Netflix teve tanto sucesso,
que a Netflix teve tanto sucesso,
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
porque usaram dados e cérebros
onde devido, durante o processo.
onde devido, durante o processo.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Utilizaram dados para perceber
informações sobre a audiência
informações sobre a audiência
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
que, de outra maneira, não conseguiriam
perceber àquele nível.
perceber àquele nível.
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
Mas a decisão de pegar
em todas essas informações
em todas essas informações
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
e juntá-las de novo, para fazer
uma série como a "House of Cards,"
uma série como a "House of Cards,"
10:07
that was nowhere in the data.
210
595720
1416
isso não estava nos dados.
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
Ted Sarandos e a sua equipa
tomaram a decisão de licenciar a série,
tomaram a decisão de licenciar a série,
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
o que também significou,
que eles estavam a correr
que eles estavam a correr
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
um grande risco pessoal
com essa decisão.
com essa decisão.
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
A Amazon, por outro lado, fez o oposto.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Usaram os dados para guiar
a sua tomada de decisão,
a sua tomada de decisão,
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
primeiro quando lançaram
a competição de ideias de TV,
a competição de ideias de TV,
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
depois quanto escolheram
"Alpha House" como série.
"Alpha House" como série.
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
Claro que foi uma decisão
muito segura para eles,
muito segura para eles,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
porque podiam sempre
apontar para os dados e dizer:
apontar para os dados e dizer:
10:35
"This is what the data tells us."
220
623400
1696
"Isto é o que os dados nos dizem."
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
Mas não os levou aos resultados
excepcionais que eles estavam à espera.
excepcionais que eles estavam à espera.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Claro que os dados são uma ferramenta
muito útil para tomar melhores decisões,
muito útil para tomar melhores decisões,
10:47
but I believe that things go wrong
223
635120
2376
mas acredito que as coisas
dão para o torto
dão para o torto
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
quando os dados começam
a guiar tais decisões.
a guiar tais decisões.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
Não interessa quão poderosos possam
ser os dados, são só uma ferramenta.
ser os dados, são só uma ferramenta.
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
Para manter isso presente,
acho este aparelho aqui muito útil.
acho este aparelho aqui muito útil.
10:59
Many of you will ...
227
647280
1216
Muitos de vocês vão...
11:00
(Laughter)
228
648520
1216
(Risos)
11:01
Before there was data,
229
649760
1216
Antes de haver dados,
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
este era o aparelho
de tomada de decisões que se usava.
de tomada de decisões que se usava.
11:05
(Laughter)
231
653880
1256
(Risos)
11:07
Many of you will know this.
232
655160
1336
Devem conhecer isto.
Este brinquedo chama-se "Magic 8 Ball",
Este brinquedo chama-se "Magic 8 Ball",
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
11:10
and it's really amazing,
234
658497
1199
E é realmente incrível,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
Porque, se tivermos uma decisão a tomar,
uma questão de sim/não,
uma questão de sim/não,
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
basta abanarmos a bola,
e recebemos uma resposta.
e recebemos uma resposta.
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
"Muito provavelmente"
— aqui nesta janela, em tempo real.
— aqui nesta janela, em tempo real.
11:21
I'll have it out later for tech demos.
238
669240
2096
Vou deixá-la por aí para uma "tech demo".
11:23
(Laughter)
239
671360
1216
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
Agora, eu tomei algumas decisões
na minha vida
na minha vida
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
em que, em retrospectiva,
eu devia ter dado ouvidos à bola.
eu devia ter dado ouvidos à bola.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Mas, claro,
se temos dados disponíveis,
se temos dados disponíveis,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
queremos substituir a bola
por algo mais sofisticado,
por algo mais sofisticado,
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
como a análise de dados,
para tomar uma decisão melhor.
para tomar uma decisão melhor.
11:41
But that does not change the basic setup.
245
689200
2616
Mas tal não altera a configuração base.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
A bola pode ficar
cada vez mais inteligente
cada vez mais inteligente
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
mas eu acredito que somos nós
que temos que tomar decisões,
que temos que tomar decisões,
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
se queremos alcançar
algo extraordinário,
algo extraordinário,
11:52
on the right end of the curve.
249
700920
1936
no lado direito da curva.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
Acho que uma mensagem muito encorajadora
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
é que, mesmo perante imensa informação,
12:03
it still pays off to make decisions,
252
711400
4096
ainda compensa tomar decisões,
12:07
to be an expert in what you're doing
253
715520
2656
ser um especialista no que fazemos
12:10
and take risks.
254
718200
2096
e correr riscos.
12:12
Because in the end, it's not data,
255
720320
2776
Porque, afinal, não são os dados,
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
são os riscos que nos possibilitam
estar no lado direito da curva.
estar no lado direito da curva.
12:19
Thank you.
257
727840
1216
Obrigado.
12:21
(Applause)
258
729080
3680
(Aplausos)
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