TEDxCambridge
Tricia Wang: The human insights missing from big data
Tricia Wang: Büyük veride eksik olan insan sezgisi
Filmed:
Readability: 4.5
1,688,539 views
Neden pek çok şirket, benzeri görülmemiş miktarda veriye erişebiliyor olduğu halde kötü kararlar veriyor? Nokia, Netflix ve antik Yunan kâhinlerinin hikâyeleriyle, Tricia Wang büyük veriyi açıklıyor ve tehlikelerinden bahsederken doğru iş kararları vermek ve bilinmeyeden başarılı olmak için "yoğun veri" - gerçek kişilerden değerli, niceliksel olmayan bilgiler - üzerine odaklanmamızı öneriyor.
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
Antik Yunan'da,
00:15
when anyone from slaves to soldiers,
poets and politicians,
poets and politicians,
1
3436
3943
kölesinden askerine,
şairinden politikacısına herkes,
şairinden politikacısına herkes,
00:19
needed to make a big decision
on life's most important questions,
on life's most important questions,
2
7403
4004
"Evlenmeli miyim?" veya
"Bu yolculuğa çıkmalı mıyım?"
"Bu yolculuğa çıkmalı mıyım?"
00:23
like, "Should I get married?"
3
11431
1391
veya "Ordumuz bu bölgede
ilerlemeli mi?" gibi
ilerlemeli mi?" gibi
00:24
or "Should we embark on this voyage?"
4
12846
1857
hayatın en önemli sorularıyla ilgili
00:26
or "Should our army
advance into this territory?"
advance into this territory?"
5
14727
2928
büyük bir karar vermesi gerektiğinde,
00:29
they all consulted the oracle.
6
17679
2579
hepsi kâhine danışırdı.
00:33
So this is how it worked:
7
21020
1440
İşler şöyle yürüyordu:
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
kâhine sorunuzu aktarır ve
dizlerinizin üstüne çökerdiniz,
dizlerinizin üstüne çökerdiniz,
sonra o da transa geçerdi.
00:37
and then she would go into this trance.
9
25620
1871
Birkaç gün sürerdi
00:39
It would take a couple of days,
10
27515
1549
ve nihayetinde kâhin transtan çıkardı,
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
tahminlerini cevaben size söylerdi.
00:46
From the oracle bones of ancient China
13
34910
2566
Antik Çin'in fal yazıtlarından
00:49
to ancient Greece to Mayan calendars,
14
37500
2345
antik Yunan ve Maya takvimine,
00:51
people have craved for prophecy
15
39869
2296
insanlar gelecekte
ne olacağını bulmak için
ne olacağını bulmak için
00:54
in order to find out
what's going to happen next.
what's going to happen next.
16
42189
3137
kehanetlerin peşinde koşmuştur.
00:58
And that's because we all want
to make the right decision.
to make the right decision.
17
46516
3239
Çünkü hepimiz doğru kararı vermek isteriz.
01:01
We don't want to miss something.
18
49779
1545
Bir şeyleri kaçırmak istemeyiz.
01:03
The future is scary,
19
51892
1743
Gelecek korkutucu,
01:05
so it's much nicer
knowing that we can make a decision
knowing that we can make a decision
20
53659
2717
sonucu garantileyen bir karar
verebileceğimizi bilmek
verebileceğimizi bilmek
01:08
with some assurance of the outcome.
21
56400
1982
çok daha hoş olur.
01:11
Well, we have a new oracle,
22
59079
1611
Artık yeni bir kâhinimiz var
01:12
and it's name is big data,
23
60714
2145
ve onun adı büyük veri
01:14
or we call it "Watson"
or "deep learning" or "neural net."
or "deep learning" or "neural net."
24
62883
3939
veya ona "Watson" veya "derin öğrenme"
veya "sinir ağı" diyebiliriz.
veya "sinir ağı" diyebiliriz.
01:19
And these are the kinds of questions
we ask of our oracle now,
we ask of our oracle now,
25
67340
4012
Ve şimdi kâhinimize şu gibi
sorular soruyoruz:
sorular soruyoruz:
01:23
like, "What's the most efficient way
to ship these phones
to ship these phones
26
71376
3922
"Bu telefonları Çin'den
İsveç'e göndermenin
İsveç'e göndermenin
01:27
from China to Sweden?"
27
75322
1823
en kolay yolu nedir?"
01:29
Or, "What are the odds
28
77169
1800
Veya "Çocuğumun
01:30
of my child being born
with a genetic disorder?"
with a genetic disorder?"
29
78993
3363
genetik bozuklukla doğma olasılığı nedir?"
01:34
Or, "What are the sales volume
we can predict for this product?"
we can predict for this product?"
30
82952
3244
Veya "Bu ürün için öngörebileceğimiz
satış hacmi nedir?"
satış hacmi nedir?"
01:40
I have a dog. Her name is Elle,
and she hates the rain.
and she hates the rain.
31
88108
4047
Bir köpeğim var.
Adı Elle ve yağmurdan nefret ediyor.
Adı Elle ve yağmurdan nefret ediyor.
01:44
And I have tried everything
to untrain her.
to untrain her.
32
92179
3306
Onu eğitmek için her şeyi denedim.
01:47
But because I have failed at this,
33
95509
2771
Bu konuda başarısız olduğum için
01:50
I also have to consult
an oracle, called Dark Sky,
an oracle, called Dark Sky,
34
98304
3286
yürüyüşe çıkmadan önce
sonraki 10 dakikanın
sonraki 10 dakikanın
01:53
every time before we go on a walk,
35
101614
1635
kesin hava tahmini için
01:55
for very accurate weather predictions
in the next 10 minutes.
in the next 10 minutes.
36
103273
3577
Dark Sky denen kâhine
danışmak zorundayım.
danışmak zorundayım.
02:01
She's so sweet.
37
109535
1303
Çok tatlı.
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
Bu nedenle kâhinimiz
112 milyar dolarlık bir endüstri.
112 milyar dolarlık bir endüstri.
02:10
Now, despite the size of this industry,
39
118006
3376
Şimdi, endüstrinin hacmine karşın,
02:13
the returns are surprisingly low.
40
121406
2456
getirisi şaşırtıcı derecede düşük.
02:16
Investing in big data is easy,
41
124342
2494
Büyük Veri'ye yatırım yapmak kolay,
02:18
but using it is hard.
42
126860
1933
ama onu kullanmak zor.
02:21
Over 73 percent of big data projects
aren't even profitable,
aren't even profitable,
43
129981
4040
Büyük Veri projelerinin
%73'ünden fazlası kârlı bile değil
%73'ünden fazlası kârlı bile değil
02:26
and I have executives
coming up to me saying,
coming up to me saying,
44
134045
2431
ve yöneticilerden yanıma gelip
02:28
"We're experiencing the same thing.
45
136500
1789
"Aynı şeyi deneyimliyoruz.
02:30
We invested in some big data system,
46
138313
1753
Bazı Büyük Veri sistemlerine
yatırım yaptık
yatırım yaptık
02:32
and our employees aren't making
better decisions.
better decisions.
47
140090
2968
ama çalışanlarımız
daha iyi kararlar vermiyor
daha iyi kararlar vermiyor
02:35
And they're certainly not coming up
with more breakthrough ideas."
with more breakthrough ideas."
48
143082
3162
ve kesinlikle daha çığır açıcı
fikirlerle gelmiyorlar." diyor.
fikirlerle gelmiyorlar." diyor.
02:38
So this is all really interesting to me,
49
146914
3184
Bunların hepsi benim için çok ilginç,
02:42
because I'm a technology ethnographer.
50
150122
2010
çünkü ben bir teknoloji etnografıyım.
Hem araştırıyor, hem de insanların
02:44
I study and I advise companies
51
152630
2564
teknolojiyi kullanım modelleri üzerinden
şirketlere tavsiyeler veriyorum
şirketlere tavsiyeler veriyorum
02:47
on the patterns
of how people use technology,
of how people use technology,
52
155218
2483
02:49
and one of my interest areas is data.
53
157725
2678
ve ilgi alanlarımdan biri de veri.
02:52
So why is having more data
not helping us make better decisions,
not helping us make better decisions,
54
160427
5193
Peki neden daha fazla veriye sahip olmak
daha iyi kararlar vermeye yardımcı olmuyor
daha iyi kararlar vermeye yardımcı olmuyor
02:57
especially for companies
who have all these resources
who have all these resources
55
165644
2783
özellikle de büyük veri sistemlerine
yatırım yapacak
kaynakları olan şirketlere?
kaynakları olan şirketlere?
03:00
to invest in these big data systems?
56
168451
1736
03:02
Why isn't it getting any easier for them?
57
170211
2398
Bu neden onların işini kolaylaştırmıyor?
03:05
So, I've witnessed the struggle firsthand.
58
173990
2634
Bu sıkıntıya birebir şahit oldum.
03:09
In 2009, I started
a research position with Nokia.
a research position with Nokia.
59
177374
3484
2009'da Nokia'nın araştırma
bölümünde işe başladım.
bölümünde işe başladım.
03:13
And at the time,
60
181232
1158
Ve o zamanlar,
03:14
Nokia was one of the largest
cell phone companies in the world,
cell phone companies in the world,
61
182414
3158
Nokia dünyadaki en büyük
telefon şirketlerinden biriydi,
telefon şirketlerinden biriydi,
03:17
dominating emerging markets
like China, Mexico and India --
like China, Mexico and India --
62
185596
3202
Çin, Meksika ve Hindistan gibi
gelişen pazarlara egemendi.
gelişen pazarlara egemendi.
03:20
all places where I had done
a lot of research
a lot of research
63
188822
2502
Tüm bu yerlerde düşük gelirli insanların
03:23
on how low-income people use technology.
64
191348
2676
teknoloji kullanımı üzerine
birçok araştırma yaptım.
birçok araştırma yaptım.
03:26
And I spent a lot of extra time in China
65
194048
2330
Ve kayıt dışı ekonomiyi öğrenmek için
03:28
getting to know the informal economy.
66
196402
2592
Çin'de epey fazla zaman harcadım.
03:31
So I did things like working
as a street vendor
as a street vendor
67
199018
2401
İşportacılık gibi şeyler yaptım,
03:33
selling dumplings to construction workers.
68
201443
2574
inşaat işçilerine mantı sattım.
03:36
Or I did fieldwork,
69
204041
1358
Veya saha işi yaptım,
03:37
spending nights and days
in internet cafés,
in internet cafés,
70
205423
2958
gece gündüzümü
internet kafelerinde geçirdim,
internet kafelerinde geçirdim,
03:40
hanging out with Chinese youth,
so I could understand
so I could understand
71
208405
2546
oyunları ve cep telefonlarını
03:42
how they were using
games and mobile phones
games and mobile phones
72
210975
2284
ve bunları köyden kente geçişte
03:45
and using it between moving
from the rural areas to the cities.
from the rural areas to the cities.
73
213283
3370
nasıl kullandıklarını anlamak için
genç Çinlilerle takıldım.
genç Çinlilerle takıldım.
03:50
Through all of this qualitative evidence
that I was gathering,
that I was gathering,
74
218335
3927
Topladığım tüm bu nitel kanıtlarla
03:54
I was starting to see so clearly
75
222286
2824
düşük gelirli Çin halkı içinde
03:57
that a big change was about to happen
among low-income Chinese people.
among low-income Chinese people.
76
225134
4472
büyük bir değişimin olmak üzere olduğunu
açık bir şekilde görmeye başlıyordum.
açık bir şekilde görmeye başlıyordum.
04:03
Even though they were surrounded
by advertisements for luxury products
by advertisements for luxury products
77
231020
4367
Süslü tuvaletler -bunu kim istemez ki?-
ve binalar, arabalar gibi
ve binalar, arabalar gibi
04:07
like fancy toilets --
who wouldn't want one? --
who wouldn't want one? --
78
235411
3495
lüks ürün reklamlarıyla
04:10
and apartments and cars,
79
238930
2890
etrafları çevrili olmasına rağmen,
04:13
through my conversations with them,
80
241844
1820
onlarla yaptığım konuşmalarda
04:15
I found out that the ads
the actually enticed them the most
the actually enticed them the most
81
243688
3841
onların en çok aklını çelen reklamların
onlara bu yüksek teknoloji
hayatına girmeyi vaat eden
hayatına girmeyi vaat eden
04:19
were the ones for iPhones,
82
247553
1996
04:21
promising them this entry
into this high-tech life.
into this high-tech life.
83
249573
3052
iPhone reklamları olduğunu öğrendim.
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
Ve hatta onlarla burası gibi
varoşlarda yaşıyorken
varoşlarda yaşıyorken
04:28
I saw people investing
over half of their monthly income
over half of their monthly income
85
256656
2996
aylık gelirlerinin yarısını
bir telefona harcayan
bir telefona harcayan
04:31
into buying a phone,
86
259676
1623
insanlar gördüm
04:33
and increasingly, they were "shanzhai,"
87
261323
2302
ve çoğunlukla bunlar "shanzhai" denen
04:35
which are affordable knock-offs
of iPhones and other brands.
of iPhones and other brands.
88
263649
3388
iPhone ve diğer markaların
uygun fiyatlı taklitleri oluyor.
uygun fiyatlı taklitleri oluyor.
04:40
They're very usable.
89
268303
1625
Çok kullanışlılar.
04:42
Does the job.
90
270890
1322
İş görüyor.
04:44
And after years of living
with migrants and working with them
with migrants and working with them
91
272750
5789
Ve yıllarca göçmenlerle
yaşayıp çalıştıktan sonra
yaşayıp çalıştıktan sonra
04:50
and just really doing everything
that they were doing,
that they were doing,
92
278563
3434
ve sadece gerçekten onların
yaptığı her şeyi yaparak
yaptığı her şeyi yaparak
04:54
I started piecing
all these data points together --
all these data points together --
93
282021
3597
tüm bu veri noktalarını
birleştirmeye başladım;
birleştirmeye başladım;
04:57
from the things that seem random,
like me selling dumplings,
like me selling dumplings,
94
285642
3123
benim mantı satmam gibi
rastgele görünen şeylerden,
rastgele görünen şeylerden,
05:00
to the things that were more obvious,
95
288789
1804
telefon faturalarına
ne kadar harcadıklarını
ne kadar harcadıklarını
05:02
like tracking how much they were spending
on their cell phone bills.
on their cell phone bills.
96
290617
3232
takip etmek gibi
daha aşikâr olan şeylere kadar.
daha aşikâr olan şeylere kadar.
Ve neler olduğunu gösteren bu,
çok daha bütüncül olan
çok daha bütüncül olan
05:05
And I was able to create
this much more holistic picture
this much more holistic picture
97
293873
2639
05:08
of what was happening.
98
296536
1156
resmi yapabildim.
05:09
And that's when I started to realize
99
297716
1722
Ve işte o zaman
05:11
that even the poorest in China
would want a smartphone,
would want a smartphone,
100
299462
3509
en fakir Çinlinin bile bir akıllı telefon
istediğini ve onlardan birine
istediğini ve onlardan birine
05:14
and that they would do almost anything
to get their hands on one.
to get their hands on one.
101
302995
4985
el sürebilmek için neredeyse ne olursa
yapacaklarını fark etmeye başladım.
yapacaklarını fark etmeye başladım.
05:21
You have to keep in mind,
102
309073
2404
Unutmamalısınız ki,
05:23
iPhones had just come out, it was 2009,
103
311501
3084
iPhone'lar yeni çıkmıştı, 2009 yılıydı,
05:26
so this was, like, eight years ago,
104
314609
1885
yani bu, sekiz yıl kadar önce
05:28
and Androids had just started
looking like iPhones.
looking like iPhones.
105
316518
2437
ve Android'ler henüz iPhone'lar gibi
gözükmeye başlamıştı.
gözükmeye başlamıştı.
05:30
And a lot of very smart
and realistic people said,
and realistic people said,
106
318979
2507
Birçok zeki ve gerçekçi kişi
şöyle söyledi:
şöyle söyledi:
05:33
"Those smartphones -- that's just a fad.
107
321510
2207
"Bu akıllı telefonlar -- bir heves.
05:36
Who wants to carry around
these heavy things
these heavy things
108
324243
2996
Pili hemen biten ve her düştüğünde kırılan
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
bu ağır şeyleri kim taşımak ister?"
Fakat çok fazla verim vardı
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
ve sezgilerim konusunda
kendimden çok emindim,
kendimden çok emindim,
05:48
so I was very excited
to share them with Nokia.
to share them with Nokia.
112
336302
2829
bu yüzden bunları Nokia ile
paylaşmak için sabırsızlanıyordum.
paylaşmak için sabırsızlanıyordum.
05:53
But Nokia was not convinced,
113
341332
2517
Ama Nokia ikna olmamıştı,
05:55
because it wasn't big data.
114
343873
2335
çünkü bu büyük veri değildi.
"Elimizde milyonlarca veri noktası var
05:59
They said, "We have
millions of data points,
millions of data points,
115
347022
2404
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
ve kimsenin akıllı telefon almak
istediğine dair bir işaret görmüyoruz
istediğine dair bir işaret görmüyoruz
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
ve 100 olan veri kümen
çok kapsamlı olsa da,
çok kapsamlı olsa da,
ciddiye alamayacağımız kadar zayıf."
06:10
for us to even take seriously."
118
358133
1714
06:12
And I said, "Nokia, you're right.
119
360908
1605
Ben de,
"Nokia, haklısın.
"Nokia, haklısın.
06:14
Of course you wouldn't see this,
120
362537
1560
Tabii ki bunu göremezsiniz,
06:16
because you're sending out surveys
assuming that people don't know
assuming that people don't know
121
364121
3371
çünkü insanların akıllı telefonun
ne olduğunu bilmediğini varsayan
ne olduğunu bilmediğini varsayan
06:19
what a smartphone is,
122
367516
1159
anketler yapıyorsunuz,
06:20
so of course you're not going
to get any data back
to get any data back
123
368699
2366
o yüzden tabii ki iki yıl içinde
akıllı telefon almak isteyen insanlar
hakkında veri dönüşü alamazsınız.
hakkında veri dönüşü alamazsınız.
06:23
about people wanting to buy
a smartphone in two years.
a smartphone in two years.
124
371089
2572
Anketçileriniz, metodlarınız
mevcut bir iş modelini
mevcut bir iş modelini
06:25
Your surveys, your methods
have been designed
have been designed
125
373685
2118
06:27
to optimize an existing business model,
126
375827
2022
en iyi hale getirmek için tasarlandı
06:29
and I'm looking
at these emergent human dynamics
at these emergent human dynamics
127
377873
2608
ve ben henüz oluşmamış
yeni insan dinamiklerine bakıyorum.
06:32
that haven't happened yet.
128
380505
1354
06:33
We're looking outside of market dynamics
129
381883
2438
Biz pazar dinamikleri dışından bakıyoruz,
06:36
so that we can get ahead of it."
130
384345
1631
ki onların önüne geçebilelim."
06:39
Well, you know what happened to Nokia?
131
387373
2244
Nokia'ya ne olduğunu biliyor musunuz?
06:41
Their business fell off a cliff.
132
389641
2365
İşleri uçurumdan yuvarlandı.
06:44
This -- this is the cost
of missing something.
of missing something.
133
392791
3727
Bu, bir şeyi kaçırmanın bedeli.
06:49
It was unfathomable.
134
397163
1999
Bu akıl sır ermez bir şeydi.
06:52
But Nokia's not alone.
135
400003
1651
Ama Nokia yalnız değil.
06:54
I see organizations
throwing out data all the time
throwing out data all the time
136
402258
2581
Sürekli verileri görmezden gelen
şirketler görüyorum
şirketler görüyorum
06:56
because it didn't come from a quant model
137
404863
2561
çünkü bu nicel bir modelden gelmiyor
06:59
or it doesn't fit in one.
138
407448
1768
veya birine uymuyor.
07:02
But it's not big data's fault.
139
410219
2048
Ama bu, büyük verinin hatası değil.
07:04
It's the way we use big data;
it's our responsibility.
it's our responsibility.
140
412942
3907
Bu bizim büyük veriyi kullanma şeklimiz;
bu bizim sorumluluğumuz.
bu bizim sorumluluğumuz.
07:09
Big data's reputation for success
141
417730
1911
Büyük verinin başarı şöhreti
07:11
comes from quantifying
very specific environments,
very specific environments,
142
419665
3759
çok belirli çevrelerin
nicelendirilmesinden geliyor.
nicelendirilmesinden geliyor.
Örneğin; enerji nakil şebekeleri veya
dağıtım lojistikleri veya genetik kod gibi
dağıtım lojistikleri veya genetik kod gibi
07:15
like electricity power grids
or delivery logistics or genetic code,
or delivery logistics or genetic code,
143
423448
4913
07:20
when we're quantifying in systems
that are more or less contained.
that are more or less contained.
144
428385
4318
az çok kapsamlı sistemler.
07:24
But not all systems
are as neatly contained.
are as neatly contained.
145
432727
2969
Ama tüm sistemler bu kadar
düzgün belirlenmemiştir.
düzgün belirlenmemiştir.
07:27
When you're quantifying
and systems are more dynamic,
and systems are more dynamic,
146
435720
3258
Belirleme yaparken ve
sistemler daha dinamikse,
sistemler daha dinamikse,
07:31
especially systems
that involve human beings,
that involve human beings,
147
439002
3799
özellikle insanı içeren sistemler,
07:34
forces are complex and unpredictable,
148
442825
2426
kuvvetler karmaşık ve kestirilemez
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
ve bunlar, nasıl modelleyeceğimizi
çok iyi bilmediğimiz sistemler.
çok iyi bilmediğimiz sistemler.
07:41
Once you predict something
about human behavior,
about human behavior,
150
449204
2813
İnsan davranışları hakkında
bir tahminde bulunduğunuzda
bir tahminde bulunduğunuzda
07:44
new factors emerge,
151
452041
1855
yeni faktörler ortaya çıkar,
07:45
because conditions
are constantly changing.
are constantly changing.
152
453920
2365
çünkü şartlar sürekli değişmektedir.
07:48
That's why it's a never-ending cycle.
153
456309
1803
Bu yüzen hiç bitmeyen bir döngüdür.
07:50
You think you know something,
154
458136
1464
Bir şeyi bildiğinizi düşünürsünüz
07:51
and then something unknown
enters the picture.
enters the picture.
155
459624
2242
ve sonra bilinmeyen bir şey
olaya dahil olur.
olaya dahil olur.
07:53
And that's why just relying
on big data alone
on big data alone
156
461890
3322
Ve bu yüzden, sadece büyük veriye güvenmek
07:57
increases the chance
that we'll miss something,
that we'll miss something,
157
465236
2849
bir şeyleri kaçırma ihtimalini artırarak
08:00
while giving us this illusion
that we already know everything.
that we already know everything.
158
468109
3777
zaten her şeyi bildiğimizi
düşündürerek bizi yanıltır.
düşündürerek bizi yanıltır.
08:04
And what makes it really hard
to see this paradox
to see this paradox
159
472406
3856
Ve bu paradoksu görmeyi ve hatta
08:08
and even wrap our brains around it
160
476286
2659
anlam vermemizi zorlaştıran şey
08:10
is that we have this thing
that I call the quantification bias,
that I call the quantification bias,
161
478969
3691
nicelleştirme önyargısı olarak
adlandırdığım
adlandırdığım
08:14
which is the unconscious belief
of valuing the measurable
of valuing the measurable
162
482684
3922
ölçülemez olan yerine
ölçülebilir olan şeye değer biçme
ölçülebilir olan şeye değer biçme
08:18
over the immeasurable.
163
486630
1594
bilinç dışı inancıdır.
08:21
And we often experience this at our work.
164
489222
3284
Ve bunu işimizde sık sık yaşıyoruz.
08:24
Maybe we work alongside
colleagues who are like this,
colleagues who are like this,
165
492530
2650
Belki bu gibi meslektaşların
yanında çalışıyoruz
yanında çalışıyoruz
08:27
or even our whole entire
company may be like this,
company may be like this,
166
495204
2428
veya hatta belki de
tüm şirketimiz böyledir.
tüm şirketimiz böyledir.
08:29
where people become
so fixated on that number,
so fixated on that number,
167
497656
2546
İnsanlar o numaraya sabitlenmiştir,
08:32
that they can't see anything
outside of it,
outside of it,
168
500226
2067
onun dışında hiçbir şey göremiyorlardır,
08:34
even when you present them evidence
right in front of their face.
right in front of their face.
169
502317
3948
hatta kanıtları onların
gözlerine soktuğunuzda bile.
gözlerine soktuğunuzda bile.
08:39
And this is a very appealing message,
170
507123
3371
Bu çok albenili bir mesajdır,
08:42
because there's nothing
wrong with quantifying;
wrong with quantifying;
171
510518
2343
çünkü belirlemenin
yanlış bir tarafı yoktur;
yanlış bir tarafı yoktur;
08:44
it's actually very satisfying.
172
512885
1430
aslında çok tatmin edicidir.
08:46
I get a great sense of comfort
from looking at an Excel spreadsheet,
from looking at an Excel spreadsheet,
173
514339
4362
Çok basit Excel tablolarına
baktığımda bile
baktığımda bile
08:50
even very simple ones.
174
518725
1401
huzurla doluyorum.
08:52
(Laughter)
175
520150
1014
(Gülüşmeler)
08:53
It's just kind of like,
176
521188
1152
Bu şunun gibidir:
08:54
"Yes! The formula worked. It's all OK.
Everything is under control."
Everything is under control."
177
522364
3504
"Evet! Formül işe yaradı.
Her şey tamam. Her şey kontrol altında."
Her şey tamam. Her şey kontrol altında."
08:58
But the problem is
178
526792
2390
Ama problem şu ki,
09:01
that quantifying is addictive.
179
529206
2661
belirleme işi bağımlılık yapıyor.
09:03
And when we forget that
180
531891
1382
Ve bunu unuttuğumuzda
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
ve bunu kontrolde tutacak
bir şeyimiz yoksa,
bir şeyimiz yoksa,
09:08
it's very easy to just throw out data
182
536359
2118
veriyi çöpe atmak çok kolaydır
09:10
because it can't be expressed
as a numerical value.
as a numerical value.
183
538501
2718
çünkü sayısal değer olarak ifade edilemez.
09:13
It's very easy just to slip
into silver-bullet thinking,
into silver-bullet thinking,
184
541243
2921
Basit bir çözüm varmış gibi
sihirli değnek düşüncesine girmek
sihirli değnek düşüncesine girmek
09:16
as if some simple solution existed.
185
544188
2579
çok kolaydır.
09:19
Because this is a great moment of danger
for any organization,
for any organization,
186
547600
4062
Çünkü bu her şirket için
büyük tehlike anıdır,
büyük tehlike anıdır,
09:23
because oftentimes,
the future we need to predict --
the future we need to predict --
187
551686
2634
çünkü çoğu zaman,
tahmin etmemiz gereken gelecek,
tahmin etmemiz gereken gelecek,
09:26
it isn't in that haystack,
188
554344
2166
ot yığınının içinde değil,
09:28
but it's that tornado
that's bearing down on us
that's bearing down on us
189
556534
2538
ahırın dışından üzerimize gelen
09:31
outside of the barn.
190
559096
1488
o kasırgadır.
09:34
There is no greater risk
191
562960
2326
Bilinmeyeni görememekten
09:37
than being blind to the unknown.
192
565310
1666
daha büyük bir risk yoktur.
09:39
It can cause you to make
the wrong decisions.
the wrong decisions.
193
567000
2149
Bu, yanlış kararlar vermenize
neden olabilir.
neden olabilir.
09:41
It can cause you to miss something big.
194
569173
1974
Büyük bir şey kaçırmanıza neden olabilir.
09:43
But we don't have to go down this path.
195
571734
3101
Fakat bu yoldan gitmek zorunda değiliz.
09:47
It turns out that the oracle
of ancient Greece
of ancient Greece
196
575453
3195
Meğer antik Yunan kâhinlerinin elinde
09:50
holds the secret key
that shows us the path forward.
that shows us the path forward.
197
578672
3966
bizi ileriye götürecek olan yolun
gizli anahtarı varmış.
gizli anahtarı varmış.
09:55
Now, recent geological research has shown
198
583654
2595
Yakın zamanda yapılan jeolojik araştırma
09:58
that the Temple of Apollo,
where the most famous oracle sat,
where the most famous oracle sat,
199
586273
3564
en meşhur kâhinin oturduğu
Apollo Tapınağının aslında
Apollo Tapınağının aslında
10:01
was actually built
over two earthquake faults.
over two earthquake faults.
200
589861
3084
iki deprem fayı üzerine
inşa edildiğini gösterdi.
inşa edildiğini gösterdi.
10:04
And these faults would release
these petrochemical fumes
these petrochemical fumes
201
592969
2886
Ve bu faylar Dünya'nın kabuğu altından
10:07
from underneath the Earth's crust,
202
595879
1685
petro-kimyasal gazlar salıyor
10:09
and the oracle literally sat
right above these faults,
right above these faults,
203
597588
3866
ve kâhin tam olarak
bu fayların üzerine oturmuş,
bu fayların üzerine oturmuş,
10:13
inhaling enormous amounts
of ethylene gas, these fissures.
of ethylene gas, these fissures.
204
601478
3588
bu yarıklardan gelen muazzam
miktarda etilen gazını soluyor.
miktarda etilen gazını soluyor.
10:17
(Laughter)
205
605090
1008
(Kahkaha)
10:18
It's true.
206
606122
1173
Bu doğru.
10:19
(Laughter)
207
607319
1017
(Kahkaha)
10:20
It's all true, and that's what made her
babble and hallucinate
babble and hallucinate
208
608360
3509
Hepsi doğru ve onun saçmalamasına
ve hayal görmesine ve onu
ve hayal görmesine ve onu
10:23
and go into this trance-like state.
209
611893
1724
trans durumuna sokan şey bu.
10:25
She was high as a kite!
210
613641
1770
Bir uçurtma kadar yüksekte uçuyordu.
10:27
(Laughter)
211
615435
4461
(Kahkaha)
10:31
So how did anyone --
212
619920
2779
Peki bir kimse nasıl --
10:34
How did anyone get
any useful advice out of her
any useful advice out of her
213
622723
3030
Peki bir kimse kadın bu haldeyken
ondan nasıl faydalı bir tavsiye alır?
10:37
in this state?
214
625777
1190
10:39
Well, you see those people
surrounding the oracle?
surrounding the oracle?
215
627497
2381
Kâhinin etrafını saran
insanları görüyor musunuz?
insanları görüyor musunuz?
10:41
You see those people holding her up,
216
629902
1879
Bu insanların onu tutmasının sebebi
10:43
because she's, like, a little woozy?
217
631805
1717
kadının kafasının güzel olması mı?
10:45
And you see that guy
on your left-hand side
on your left-hand side
218
633546
2308
Peki sol tarafta
turuncu defteri tutan
turuncu defteri tutan
10:47
holding the orange notebook?
219
635878
1598
adamı görüyor musunuz?
10:50
Well, those were the temple guides,
220
638105
1730
Bunlar tapınak rehberleriydi
10:51
and they worked hand in hand
with the oracle.
with the oracle.
221
639859
3016
ve kâhinle el ele çalışıyorlardı.
Talepte bulunanlar gelip
dizlerinin üzerine çöktüklerinde
dizlerinin üzerine çöktüklerinde
10:56
When inquisitors would come
and get on their knees,
and get on their knees,
222
644084
2516
10:58
that's when the temple guides
would get to work,
would get to work,
223
646624
2340
tapınak rehberleri işe koyulur,
çünkü kâhine sorularını sorduktan sonra
11:00
because after they asked her questions,
224
648988
1864
rehberler kişinin
duygusal durumunu gözlemler
duygusal durumunu gözlemler
11:02
they would observe their emotional state,
225
650876
2001
ve ona sorular sorarlar:
11:04
and then they would ask them
follow-up questions,
follow-up questions,
226
652901
2324
"Bu kehaneti neden bilmek
istiyorsun? Sen kimsin?
istiyorsun? Sen kimsin?
11:07
like, "Why do you want to know
this prophecy? Who are you?
this prophecy? Who are you?
227
655249
2834
Bu bilgi ile ne yapacaksın?"
11:10
What are you going to do
with this information?"
with this information?"
228
658107
2264
Ve sonra tapınak rehberleri
bu daha çok kültürel,
bu daha çok kültürel,
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
bu daha çok nitel bilgiyi alır
11:17
and interpret the oracle's babblings.
231
665781
2075
ve kâhinin zırvalamalarını yorumlardı.
11:21
So the oracle didn't stand alone,
232
669428
2292
Yani kâhin tek başına değildi
11:23
and neither should our big data systems.
233
671744
2148
ve bizim büyük verimiz de öyle olmalı.
Yanlış anlaşılmasın,
11:26
Now to be clear,
234
674630
1161
11:27
I'm not saying that big data systems
are huffing ethylene gas,
are huffing ethylene gas,
235
675815
3459
büyük veri sistemlerinin
etilen gazı olduğunu
etilen gazı olduğunu
11:31
or that they're even giving
invalid predictions.
invalid predictions.
236
679298
2353
veya geçersiz tahminlerde
bulunduğunu söylemiyorum.
bulunduğunu söylemiyorum.
11:33
The total opposite.
237
681675
1161
Tam tersi.
11:34
But what I am saying
238
682860
2068
Ama söylediğim şey şu;
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
kâhinin tapınak rehberlerine
ihtiyaç duyması gibi
ihtiyaç duyması gibi
11:40
our big data systems need them, too.
240
688808
2288
büyük veri sistemlerimiz de
buna ihtiyaç duyar.
buna ihtiyaç duyar.
11:43
They need people like ethnographers
and user researchers
and user researchers
241
691120
4109
Yoğun veri dediğim şeyleri toplayabilen
etnograflar ve kullanıcı araştırmacıları
gibi insanlara ihtiyaçları var.
gibi insanlara ihtiyaçları var.
11:47
who can gather what I call thick data.
242
695253
2506
11:50
This is precious data from humans,
243
698502
2991
Bu, insanlardan gelen, nicelleştirilemeyen
11:53
like stories, emotions and interactions
that cannot be quantified.
that cannot be quantified.
244
701517
4102
hikâyeler, duygular ve etkileşimler
gibi değerli verilerdir.
gibi değerli verilerdir.
11:57
It's the kind of data
that I collected for Nokia
that I collected for Nokia
245
705643
2322
Nokia için topladığım benzer veri
11:59
that comes in in the form
of a very small sample size,
of a very small sample size,
246
707989
2669
çok küçük bir örnek boyutu formundaydı
12:02
but delivers incredible depth of meaning.
247
710682
2955
ancak inanılmaz derin mana katmaktaydı.
12:05
And what makes it so thick and meaty
248
713661
3680
Onu bu kadar yoğun ve özlü yapan şey
12:10
is the experience of understanding
the human narrative.
the human narrative.
249
718445
4029
insan anlatısını anlama deneyimidir.
12:14
And that's what helps to see
what's missing in our models.
what's missing in our models.
250
722498
3639
Ve modellerimizde neyin eksik olduğunu
görmeye yardım eden de bu.
görmeye yardım eden de bu.
12:18
Thick data grounds our business questions
in human questions,
in human questions,
251
726851
4045
Yoğun veri işle ilgili sorularımızı
insanla ilgili sorularımızla temellendirir
insanla ilgili sorularımızla temellendirir
12:22
and that's why integrating
big and thick data
big and thick data
252
730920
3562
ve bu nedenle büyük ve
yoğun veriyi birleştirmek
yoğun veriyi birleştirmek
12:26
forms a more complete picture.
253
734506
1689
daha bütün bir resim oluşturur.
12:28
Big data is able to offer
insights at scale
insights at scale
254
736772
2881
Büyük veri ölçekli sezgi sağlayıp
12:31
and leverage the best
of machine intelligence,
of machine intelligence,
255
739677
2647
en iyi makine zekâsını geliştirebilir,
12:34
whereas thick data can help us
rescue the context loss
rescue the context loss
256
742348
3572
oysa yoğun veri bize büyük veriyi
kullanılabilir yaparken
kullanılabilir yaparken
oluşan içerik kaybını
kurtarmamızda yardım edebilir
kurtarmamızda yardım edebilir
12:37
that comes from making big data usable,
257
745944
2098
ve en iyi insan zekâsını geliştirir.
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
Ve bu ikisini birleştirdiğinizde
işler eğlenceli hale gelir,
işler eğlenceli hale gelir,
çünkü artık sadece topladığınız veriyle
12:45
because then you're no longer
just working with data
just working with data
260
753847
2436
çalışıyor olmazsınız.
12:48
you've already collected.
261
756307
1196
Ayrıca henüz toplanmamış veriyle
çalışabilirsiniz.
çalışabilirsiniz.
12:49
You get to also work with data
that hasn't been collected.
that hasn't been collected.
262
757527
2737
Kendinize nedenlerle ilgili
sorular sorabilirsiniz:
sorular sorabilirsiniz:
12:52
You get to ask questions about why:
263
760288
1719
12:54
Why is this happening?
264
762031
1317
Bu neden oluyor?
Netflix bunu yaptığında,
12:55
Now, when Netflix did this,
265
763778
1379
12:57
they unlocked a whole new way
to transform their business.
to transform their business.
266
765181
3035
işlerini dönüştürmek için
tamamen yeni bir yolun kilidini açtı.
tamamen yeni bir yolun kilidini açtı.
13:01
Netflix is known for their really great
recommendation algorithm,
recommendation algorithm,
267
769406
3956
Netflix gerçekten harika
tavsiye algoritmasıyla bilinir
tavsiye algoritmasıyla bilinir
13:05
and they had this $1 million prize
for anyone who could improve it.
for anyone who could improve it.
268
773386
4797
ve bunu geliştirecek kişi için
1 milyon dolarlık ödül koydular
1 milyon dolarlık ödül koydular
13:10
And there were winners.
269
778207
1314
ve kazananlar oldu.
13:12
But Netflix discovered
the improvements were only incremental.
the improvements were only incremental.
270
780255
4323
Ama Netflix yapılan geliştirmelerin
sadece aşamalı olduğunu keşfetti.
sadece aşamalı olduğunu keşfetti.
13:17
So to really find out what was going on,
271
785404
1964
Ve gerçekte neler olduğunu bulması,
13:19
they hired an ethnographer,
Grant McCracken,
Grant McCracken,
272
787392
3741
yoğun veri içgörülerini toplaması için
etnograf Grant McCracken'i işe aldılar.
13:23
to gather thick data insights.
273
791157
1546
13:24
And what he discovered was something
that they hadn't seen initially
that they hadn't seen initially
274
792727
3924
Ve o, kantitatif veride
ilk başta görmedikleri
ilk başta görmedikleri
13:28
in the quantitative data.
275
796675
1355
bir şeyi keşfetti.
İnsanların dizileri peş peşe
izlemeyi sevdiğini keşfetti.
izlemeyi sevdiğini keşfetti.
13:31
He discovered that people loved
to binge-watch.
to binge-watch.
276
799072
2728
Doğrusu insanlar bu konuda
suçlu da hissetmiyorlardı.
suçlu da hissetmiyorlardı.
13:33
In fact, people didn't even
feel guilty about it.
feel guilty about it.
277
801824
2353
Bu onları eğlendiriyordu.
13:36
They enjoyed it.
278
804201
1255
13:37
(Laughter)
279
805480
1026
(Kahkaha)
13:38
So Netflix was like,
"Oh. This is a new insight."
"Oh. This is a new insight."
280
806530
2356
Netflix de, "Bu yeni bir anlayış" dedi.
Onlar da veri araştırma
ekiplerine gittiler
ekiplerine gittiler
13:40
So they went to their data science team,
281
808910
1938
ve ekipleri de büyük veri
içgörülerini nicel veri içinde
içgörülerini nicel veri içinde
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
ölçeklendirmeyi başardı.
13:47
And once they verified it
and validated it,
and validated it,
284
815825
3170
Ve bunu onaylayıp doğruladıklarında,
13:51
Netflix decided to do something
very simple but impactful.
very simple but impactful.
285
819019
4761
Netflix çok basit ama çok etkili
bir şey yapmaya karar verdi.
bir şey yapmaya karar verdi.
13:56
They said, instead of offering
the same show from different genres
the same show from different genres
286
824834
6492
Şunu söylediler:
Aynı şovu farklı türlerden
Aynı şovu farklı türlerden
veya benzer kullanıcılardan gelen
farklı şovlardan daha fazla sunmak yerine,
farklı şovlardan daha fazla sunmak yerine,
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
aynı şovdan daha fazlasını sunacağız.
14:09
We'll make it easier
for you to binge-watch.
for you to binge-watch.
289
837840
2105
Bölümlerini peş peşe izlemeyi
kolaylaştıracağız.
kolaylaştıracağız.
14:11
And they didn't stop there.
290
839969
1486
Ve orada da durmadılar.
14:13
They did all these things
291
841479
1474
Tüm bunları
tüm izleyici deneyimini
tüm izleyici deneyimini
14:14
to redesign their entire
viewer experience,
viewer experience,
292
842977
2959
tekrar tasarlamak ve seri izlemeyi
14:17
to really encourage binge-watching.
293
845960
1758
desteklemek için yaptılar.
Bu yüzden insanlar ve arkadaşlarınız,
"Master of None" gibi dizileri izlemek
"Master of None" gibi dizileri izlemek
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
için tüm hafta sonu birden kayboluyordu.
14:25
By integrating big data and thick data,
they not only improved their business,
they not only improved their business,
296
853862
4173
Büyük veri ve yoğun veriyi birleştirerek
işlerini geliştirmekle kalmadılar,
işlerini geliştirmekle kalmadılar,
14:30
but they transformed how we consume media.
297
858059
2812
medyayı tüketim şeklimizi de
değiştirdiler.
değiştirdiler.
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
Ve şimdi hisse senetlerinin sonraki birkaç
yılda iki katına çıkacağı öngörülüyor.
yılda iki katına çıkacağı öngörülüyor.
14:38
But this isn't just about
watching more videos
watching more videos
299
866280
3830
Fakat mesele sadece daha çok video izlemek
veya daha çok akıllı telefon satmak değil.
14:42
or selling more smartphones.
300
870134
1620
14:44
For some, integrating thick data
insights into the algorithm
insights into the algorithm
301
872143
4050
Kimisi için, yoğun veri içgörüsünü
algoritmaya entegre etmek
algoritmaya entegre etmek
14:48
could mean life or death,
302
876217
2263
ölüm kalım meselesidir,
14:50
especially for the marginalized.
303
878504
2146
özellikle de ötekileştirilenler için.
14:53
All around the country,
police departments are using big data
police departments are using big data
304
881738
3434
Tüm ülke çapında,
polis merkezleri
polis merkezleri
14:57
for predictive policing,
305
885196
1963
öngörücü polislik için,
14:59
to set bond amounts
and sentencing recommendations
and sentencing recommendations
306
887183
3084
mevcut önyargıları güçlendirecek
şekilde kefalet miktarını ayarlamak
şekilde kefalet miktarını ayarlamak
15:02
in ways that reinforce existing biases.
307
890291
3147
ve cezalandırma önerileri için
büyük veriyi kullanıyor.
büyük veriyi kullanıyor.
15:06
NSA's Skynet machine learning algorithm
308
894296
2423
Ulusal Güvenlik Teşkilatı'nın
Skynet makine öğrenimi algoritması
Skynet makine öğrenimi algoritması
15:08
has possibly aided in the deaths
of thousands of civilians in Pakistan
of thousands of civilians in Pakistan
309
896743
5444
muhtemelen mobil cihaz verilerinin
yanlış okunması nedeniyle
yanlış okunması nedeniyle
15:14
from misreading cellular device metadata.
310
902211
2721
binlerce Pakistanlının
ölmesine sebep oldu.
ölmesine sebep oldu.
15:19
As all of our lives become more automated,
311
907131
3403
Otomobillerden sağlık sigortasına
veya istihdama,
veya istihdama,
15:22
from automobiles to health insurance
or to employment,
or to employment,
312
910558
3080
tüm hayatımız otomatikleştikçe
15:25
it is likely that all of us
313
913662
2350
muhtemelen hepimiz
15:28
will be impacted
by the quantification bias.
by the quantification bias.
314
916036
2989
nicelleştirme önyargısından etkileneceğiz.
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
Şimdi, iyi haber şu ki, etilen gazından
15:35
from huffing ethylene gas
to make predictions.
to make predictions.
316
923617
2450
tahminlerde bulunmaya kadar
uzun bir yol geldik.
uzun bir yol geldik.
15:38
We have better tools,
so let's just use them better.
so let's just use them better.
317
926091
3070
Daha iyi araçlarımız var,
gelin onları daha iyi kullanalım.
gelin onları daha iyi kullanalım.
15:41
Let's integrate the big data
with the thick data.
with the thick data.
318
929185
2323
Gelin büyük veriyi
yoğun veriyle entegre edelim.
yoğun veriyle entegre edelim.
15:43
Let's bring our temple guides
with the oracles,
with the oracles,
319
931532
2261
Gelin tapınak rehberleriyle
kâhinleri bir araya getirelim
kâhinleri bir araya getirelim
15:45
and whether this work happens
in companies or nonprofits
in companies or nonprofits
320
933817
3376
ve bu işin şirketlerde,
kâr amacı gütmeyen kuruluşlarda,
kâr amacı gütmeyen kuruluşlarda,
15:49
or government or even in the software,
321
937217
2469
devlette veya yazılımda
çalışıp çalışmadığını öğrenelim,
çalışıp çalışmadığını öğrenelim,
15:51
all of it matters,
322
939710
1792
hepsi önemlidir,
15:53
because that means
we're collectively committed
we're collectively committed
323
941526
3023
çünkü bu, toplu olarak
veriyi, algoritmaları,
veriyi, algoritmaları,
15:56
to making better data,
324
944573
2191
sonuçları ve verilen kararları
15:58
better algorithms, better outputs
325
946788
1836
daha iyi hale getirmeye
16:00
and better decisions.
326
948648
1643
kararlı olduğumuz anlamına gelir.
16:02
This is how we'll avoid
missing that something.
missing that something.
327
950315
3558
İşte bu şekilde o bir şeyleri
kaçırmaktan sakınacağız.
kaçırmaktan sakınacağız.
16:07
(Applause)
328
955222
3948
(Alkış)
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