TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Jak využít data ke stvoření skvělé TV show
Filmed:
Readability: 4
1,628,704 views
Vede sbírání více dat k lepším rozhodnutím? Soupeřivé, v datech zběhlé firmy jako Amazon, Google a Netflix zjistily, že datová analýza nemusí vždycky vyprodukovat optimální výsledky. V této přednášce rozebírá Sebastian Wernicke, vědec zabývající se daty, proč je špatné spoléhat se při rozhodování pouze na data a nabízí inteligentnější způsob jejich využití.
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 je muž, o kterém
většina z vás nikdy neslyšela,
většina z vás nikdy neslyšela,
00:17
even though he may have been responsible
1
5120
2496
přestože jste možná díky němu
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
strávili 19.dubna 2013
22 minut tak nějak podprůměrně.
22 minut tak nějak podprůměrně.
Možná někteří z vás díky němu strávili
22 minut života velmi zábavně,
22 minut života velmi zábavně,
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
00:29
but not very many of you.
4
17760
2256
ale nejspíš už ne tolik z vás.
00:32
And all of that goes back to a decision
5
20040
1896
A toto všechno díky rozhodnutí,
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
které Roy musel udělat.
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
Roy Price je vedoucí pracovník
v Amazon Studios,
v Amazon Studios,
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
což je firma Amazonu
zaměřená na TV produkci.
zaměřená na TV produkci.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
Je mu 47, je štíhlý, má zježené vlasy,
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
popisuje se na Twitteru takto:
"filmy, TV, technologie, tacos."
"filmy, TV, technologie, tacos."
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
A Roy Price má velmi zodpovědnou práci,
protože jeho zodpovědností je
protože jeho zodpovědností je
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
vybrat pořady, které pak
Amazon natočí.
Amazon natočí.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
A to je samozřejmě vysoce
konkurenční oblast.
konkurenční oblast.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Vezměte si, kolik televizních seriálů
již bylo natočeno.
již bylo natočeno.
01:06
that Roy can't just choose any show.
15
54400
2176
Roy proto nemůže vybrat
jen tak nějaký seriál.
jen tak nějaký seriál.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Musí najít seriál,
který je vážně, vážně skvělý.
který je vážně, vážně skvělý.
01:12
So in other words, he has to find shows
17
60720
2816
Jinými slovy, musí najít seriály,
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
které by byly na úplném
konci tady této křivky.
konci tady této křivky.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Ta křivka značí rozmístění
asi 2500 TV seriálů na IMDB
asi 2500 TV seriálů na IMDB
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
podle jejich hodnocení,
01:25
and the rating goes from one to 10,
21
73040
2896
které je od 1 do 10,
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
a výška tady ukazuje, kolik
seriálů toho hodnocení dosáhlo.
seriálů toho hodnocení dosáhlo.
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
Takže váš seriál vyhrává,
jestliže dostane 9 nebo více bodů.
jestliže dostane 9 nebo více bodů.
01:35
Then you have a top two percent show.
24
83680
1816
Pak máte show v horních 2 %.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
To jsou seriály jako "Perníkový táta",
"Hra o trůny", "The Wire",
"Hra o trůny", "The Wire",
01:41
so all of these shows that are addictive,
26
89440
2296
všechny takové ty návykové seriály,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
u kterých vám mozek po zhlédnutí
série v podstatě říká:
série v podstatě říká:
01:46
"Where can I get more of these episodes?"
28
94840
2176
"Kde seženu další epizody?"
01:49
That kind of show.
29
97040
1200
Takový typ seriálu.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
Jen pro ujasnění, na levé straně,
tady na konci,
tady na konci,
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
se nachází show nazvaná
Toddlers and Tiaras (Batolata a čelenky) -
Toddlers and Tiaras (Batolata a čelenky) -
01:56
(Laughter)
32
104640
2656
(smích)
01:59
-- which should tell you enough
33
107320
1536
- což by mělo dost vypovídat o tom,
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
co se děje na konci té křivky.
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
Teď, Roy Price se nebojí toho,
že by se mohl dostat na levý konec křivky,
že by se mohl dostat na levý konec křivky,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
protože si myslím,
že k trumfnutí "Batolat a čelenek"
že k trumfnutí "Batolat a čelenek"
musíte mít opravdu ohromnou inteligenci.
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
To, co jej znervózňuje je ta
výduť tady uprostřed,
výduť tady uprostřed,
02:15
the bulge of average TV,
39
123920
1816
výduť průměrné televize,
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
takové ty seriály, které nejsou
ani dobré ani špatné,
ani dobré ani špatné,
02:20
they don't really get you excited.
41
128639
1656
které vás tak moc nenadchnou.
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
On si potřebuje zajistit, aby se jeho show
dostala úplně na pravý konec křivky.
dostala úplně na pravý konec křivky.
02:27
So the pressure is on,
43
135200
1576
Takže je pod tlakem,
02:28
and of course it's also the first time
44
136800
2176
a také je to samozřejmě poprvé,
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
co Amazon zkouší něco takového,
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
takže Roy Price nechce riskovat.
02:36
He wants to engineer success.
47
144560
2456
Chce sestrojit úspěch.
02:39
He needs a guaranteed success,
48
147040
1776
Potřebuje garantovaný úspěch,
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
a tak uspořádá soutěž.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Takže vezme pár nápadů na TV seriály,
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
a po zvážení z nich
02:48
they select eight candidates for TV shows,
52
156920
4096
vyberou osm kandidátů na TV seriály.
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
Pak natočí jen první epizodu
každého z těchto seriálů
každého z těchto seriálů
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
a dají je pro všechny zadarmo na internet.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
A když Amazon rozdává věci zadarmo,
03:01
you're going to take it, right?
56
169720
1536
tak to vezmete, ne?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
A tak milióny diváku
sledují tyto epizody.
sledují tyto epizody.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
To, co ale neví, je,
že zatímco sledují tyto epizody,
že zatímco sledují tyto epizody,
03:11
actually, they are being watched.
59
179680
2296
jsou sami sledováni.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Sleduje je Roy Price a jeho tým,
03:16
who record everything.
61
184360
1376
a vše zaznamenávají.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
Zaznamenávají, když někdo zmáčkne přehrát,
když někdo video pozastaví,
když někdo video pozastaví,
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
které části lidé přeskakují
a které sledují znova.
a které sledují znova.
03:23
So they collect millions of data points,
64
191720
2256
Takže shromažďují milióny dat,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
protože chtějí ta data,
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
aby pak mohli rozhodnout,
který seriál natočit.
který seriál natočit.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
A tak jsou tedy data shromážděna,
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
zanalyzována, a pak se objeví odpověď,
03:35
and the answer is,
69
203640
1216
a ta odpověď je:
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"Amazon by měl udělat sitcom
o čtyřech republikánských senátorech."
o čtyřech republikánských senátorech."
03:42
They did that show.
71
210440
1216
Oni to natočili.
03:43
So does anyone know the name of the show?
72
211680
2160
Zná teda někdo jméno toho seriálu?
03:46
(Audience: "Alpha House.")
73
214720
1296
(obecenstvo: "Alpha House.")
03:48
Yes, "Alpha House,"
74
216040
1456
Ano, "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
Ale nezdá se, že by si mnoho
z vás pamatovalo ten seriál,
z vás pamatovalo ten seriál,
03:53
because it didn't turn out that great.
76
221640
1856
protože to nakonec nebylo tak skvělé.
03:55
It's actually just an average show,
77
223520
1856
Ve skutečnosti je to průměrný seriál,
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
a to doslova, protože průměr
na křivce je tady na 7,4
na křivce je tady na 7,4
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
a "Alpha House" se umístil na 7,5,
04:04
so a slightly above average show,
80
232440
2016
takže jen kousek nad průměrem,
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
kam ale určitě Roy Price
a jeho tým nemířili.
a jeho tým nemířili.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
Ale zhruba ve stejnou dobu,
04:13
at another company,
83
241200
1576
v jiné společnosti,
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
dokázal jiný vedoucí provést
skvělou ukázku použití analýzy dat,
skvělou ukázku použití analýzy dat,
04:19
and his name is Ted,
85
247040
1576
a jeho jméno je Ted,
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Ted Sarandos, což je
vedoucí oddělení obsahu v Netflixu
vedoucí oddělení obsahu v Netflixu
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
a ten je stejně jako Roy
na neustálé misi,
na neustálé misi,
04:26
to find that great TV show,
88
254240
1496
kterou je nalezení skvělé show,
04:27
and he uses data as well to do that,
89
255760
2016
a také k tomu používá data,
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
jen trochu jiným způsobem.
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
Místo uspořádání soutěže,
on a jeho tým
on a jeho tým
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
prohlédli všechna ta data,
co už měli o uživatelích Netflixu,
co už měli o uživatelích Netflixu,
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
třeba jak hodnotili různé filmy,
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
historie zhlédnutých filmů,
co mají lidé rádi atd.
co mají lidé rádi atd.
04:44
And then they use that data to discover
95
272000
1896
A pak ta data použili
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
k zjištění všeho možného o svém publiku:
04:48
what kinds of shows they like,
97
276560
1456
jaké typy seriálů se jim líbí,
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
jací producenti, jací herci.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
Když měli všechny kousky po hromadě,
04:54
they took a leap of faith,
100
282760
1656
udělali skok do neznáma,
04:56
and they decided to license
101
284440
2096
a rozhodli se podpořit něco,
04:58
not a sitcom about four Senators
102
286560
2456
co nebyl sitcom o čtyřech senátorech,
05:01
but a drama series about a single Senator.
103
289040
2880
nýbrž drama o jediném senátorovi.
05:04
You guys know the show?
104
292760
1656
Znáte ten seriál?
05:06
(Laughter)
105
294440
1296
(smích)
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
Ano, "House of Cards" a Netflix
s tou show pořádně zaválel,
s tou show pořádně zaválel,
05:11
at least for the first two seasons.
107
299520
2136
aspoň teda s prvními dvěma sériemi.
05:13
(Laughter) (Applause)
108
301680
3976
(smích)
(potlesk)
(potlesk)
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" dostal
na této křivce hodnocení 9,1,
na této křivce hodnocení 9,1,
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
takže je přesně tam,
kde jej chtěli mít.
kde jej chtěli mít.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
A teď se tady skýtá otázka,
co se to vlastně stalo?
co se to vlastně stalo?
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Máme dvě velmi soupeřivé,
v datech zběhlé společnosti.
v datech zběhlé společnosti.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
Spojí dohromady všechny ty milióny dat,
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
a pak to funguje hladce
jenom pro jednu z nich,
jenom pro jednu z nich,
05:34
and it doesn't work for the other one.
115
322480
1856
zatímco pro tu druhou to nefunguje.
05:36
So why?
116
324360
1216
Takže proč?
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
Logika říká, že by to
mělo fungovat vždycky.
mělo fungovat vždycky.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Když sesbíráte taková kvanta dat,
05:43
on a decision you're going to make,
119
331560
1736
abyste udělali nějaké rozhodnutí,
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
pak by vám to mělo přece
celkem dobře vyjít, ne?
celkem dobře vyjít, ne?
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
Máte 200 let statistik
na které se spoléháte.
na které se spoléháte.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
Vyhodnocujete všechno s pomocí
vysoce výkonných počítačů.
vysoce výkonných počítačů.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
To byste mohli očekávat
alespoň slušný seriál, že?
alespoň slušný seriál, že?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
A pokud takhle datová analýza nefunguje,
06:01
then it actually gets a little scary,
125
349520
2056
pak to začíná být celkem děsivé,
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
protože žijeme v době,
kdy se na data stále více a více obracíme,
kdy se na data stále více a více obracíme,
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
aby nám pomohla učinit velmi závažná
rozhodnutí, daleko závažnější než v TV.
rozhodnutí, daleko závažnější než v TV.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Znáte někdo společnost
Multi-Health Systems?
Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
365080
1656
Nikdo, OK, to je vlastně dobře.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
Dobře, takže Multi-Health System
je softwarová společnost,
je softwarová společnost,
06:22
and I hope that nobody here in this room
131
370000
2816
a já doufám, že se s jejich softwarem
nesetkal nikdo z této místnosti,
nesetkal nikdo z této místnosti,
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
protože kdyby ano,
tak by byl ve vězení.
tak by byl ve vězení.
06:30
(Laughter)
134
378160
1176
(smích)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Protože když někdo v USA ve vězení
požádá o propuštění na podmínku,
požádá o propuštění na podmínku,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
pak je velmi pravděpodobné, že software
pro datovou analýzu té společnosti
pro datovou analýzu té společnosti
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
bude použit k rozhodnutí,
jestli jej pustí.
jestli jej pustí.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
Takže to je ten samý princip jako
u Amazonu a Netflixu,
u Amazonu a Netflixu,
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
Ale namísto určování,
jestli bude seriál špatný nebo dobrý,
jestli bude seriál špatný nebo dobrý,
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
teď rozhoduje, jestli bude
člověk špatný nebo dobrý.
člověk špatný nebo dobrý.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
A podprůměrný 22 minutový TV program,
to může být celkem zlé,
to může být celkem zlé,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
ale řekl bych, že další roky ve
vězení by byly daleko horší.
vězení by byly daleko horší.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
A naneštěstí existuje evidence,
že tyto datové analýzy
že tyto datové analýzy
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
neprodukují vždycky optimální výsledky,
přestože mají spousty dat.
přestože mají spousty dat.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
A to ne kvůli tomu,
že by firmy jako Multi-Health Systems
že by firmy jako Multi-Health Systems
07:13
doesn't know what to do with data.
146
421506
1627
nevěděly, co dělat s daty.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
I ty nejchytřejší
datové firmy se někdy zmýlí.
datové firmy se někdy zmýlí.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Ano, dokonce i Google se občas splete.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
V roce 2009 Google prohlásil,
že jsou schopni pomocí datové analýzy
že jsou schopni pomocí datové analýzy
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
předvídat vypuknutí chřipky tím,
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
že zanalyzují své vyhledávání.
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
Fungovalo to krásně
a byl z toho obří poprask v médiích,
a byl z toho obří poprask v médiích,
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
dokonce to dosáhlo
vrcholu vědeckého úspěchu:
vrcholu vědeckého úspěchu:
07:39
a publication in the journal "Nature."
154
447200
2456
zveřejnění v časopisu "Nature."
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Rok za rokem to vše krásně fungovalo,
07:45
until one year it failed.
156
453320
1656
ale pak se to najednou pokazilo.
07:47
And nobody could even tell exactly why.
157
455000
2256
Nikdo nemohl říct, proč přesně.
07:49
It just didn't work that year,
158
457280
1696
Prostě to ten rok nefungovalo.
07:51
and of course that again made big news,
159
459000
1936
Samozřejmě se to zase dostalo do zpráv
07:52
including now a retraction
160
460960
1616
a pak následovalo stažení publikace
z časopisu "Nature."
z časopisu "Nature."
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Takže i ty nejvyspělejší firmy
v oblasti dat, Amazon a Google,
v oblasti dat, Amazon a Google,
08:01
they sometimes get it wrong.
163
469840
2136
to někdy spočítají špatně.
08:04
And despite all those failures,
164
472000
2936
A i přes všechna tato selhání
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
se velká data rychle přesouvají do
rozhodovacích procesů každodenního života:
rozhodovacích procesů každodenního života:
08:10
into the workplace,
166
478840
1816
na pracoviště,
08:12
law enforcement,
167
480680
1816
vymáhání práva,
08:14
medicine.
168
482520
1200
do medicíny.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Takže bychom si radši měli být jisti,
že ta data opravdu pomáhají.
že ta data opravdu pomáhají.
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
Nedávno jsem viděl
spousty těchto potíží s daty,
spousty těchto potíží s daty,
08:22
because I work in computational genetics,
171
490920
1976
protože pracuji ve výpočetní genetice,
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
což je obor, ve kterém
hodně velmi chytrých lidí
hodně velmi chytrých lidí
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
používá nepředstavitelná kvanta dat
k rozhodování o tak vážných věcech,
k rozhodování o tak vážných věcech,
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
jako je rakovinová terapie
nebo vývoj léků.
nebo vývoj léků.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
A za ty roky
jsem našel určitý vzor,
jsem našel určitý vzor,
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
či pravidlo,
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
v rozdílu mezi úspěšným a neúspěšným
08:43
and unsuccessful decision-making,
178
511120
1616
rozhodnutím podle dat.
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
A tento vzor pokládám za hodný sdílení,
a pracuje to zhruba takhle:
a pracuje to zhruba takhle:
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
Kdykoliv řešíte komplexní problém,
08:52
you're doing essentially two things.
181
520679
1737
děláte v podstatě dvě věci.
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
Nejprve problém rozeberete
na malé kousky a části,
na malé kousky a části,
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
abyste poté mohli tyto kousky
důkladně zanalyzovat,
důkladně zanalyzovat,
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
a pak uděláte, samozřejmě, tu druhou část.
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
Dáte to všechno zase dohromady,
09:05
to come to your conclusion.
186
533000
1336
abyste mohli dojít k závěru.
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
A někdy to musíte udělat znova a znova,
09:08
but it's always those two things:
188
536720
1656
ale pořád děláte tyto dvě věci:
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
rozkládáte a znova skládáte.
09:14
And now the crucial thing is
190
542280
1616
A je důležité vědět,
09:15
that data and data analysis
191
543920
2896
že data a datová analýza
09:18
is only good for the first part.
192
546840
2496
jsou dobré jen pro tu první část.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
Data a datová analýza,
jakkoliv silné,
jakkoliv silné,
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
vám pomůžou pouze rozebrat problém
a pochopit jeho kousky.
a pochopit jeho kousky.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Nejsou stvořeny pro skládání
kousků zpět dohromady
kousků zpět dohromady
09:31
and then to come to a conclusion.
196
559600
1896
a k vytvoření nějakého závěru.
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
Na to je jiný nástroj,
který máme všichni,
který máme všichni,
09:36
and that tool is the brain.
198
564280
1296
a tím nástrojem je mozek.
09:37
If there's one thing a brain is good at,
199
565600
1936
Mozek vyniká v tom, že dokáže
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
poskládat kousky zpět dohromady,
09:41
even when you have incomplete information,
201
569840
2016
i když nemá kompletní informace,
09:43
and coming to a good conclusion,
202
571880
1576
a dojít správnému závěru,
09:45
especially if it's the brain of an expert.
203
573480
2936
zvláště je-li to mozek experta.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
A proto byl dle mého názoru
Netflix tak úspěšný.
Netflix tak úspěšný.
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
Protože používají data i hlavu tam,
kam v procesu patří.
kam v procesu patří.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Používají data ke zjišťování
drobností o jejich publiku,
drobností o jejich publiku,
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
které by jinak nemohli
pochopit do takové hloubky.
pochopit do takové hloubky.
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
Ale konečné rozhodnutí,
že to všechno zase vezmou
že to všechno zase vezmou
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
a seskládají a vydají seriál
jako "House of Cards,"
jako "House of Cards,"
10:07
that was nowhere in the data.
210
595720
1416
to už nebylo na datech.
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 Sarantos s jeho týmem rozhodl,
že ten seriál budou licencovat,
že ten seriál budou licencovat,
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
což také mimochodem znamenalo,
že s tím rozhodnutím
na sebe vzali celkem velký risk.
na sebe vzali celkem velký risk.
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
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
Na druhou stranu v Amazonu
to vzali za špatný konec.
to vzali za špatný konec.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Používali data v celém
rozhodovacím procesu.
rozhodovacím procesu.
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
Nejprve vyhlásili soutěž nápadů,
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
z které si pak vybrali "Alpha House."
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
To pro ně bylo samozřejmě
velmi bezpečné rozhodnutí,
velmi bezpečné rozhodnutí,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
protože vždy mohli
poukázat na data a říct:
poukázat na data a říct:
10:35
"This is what the data tells us."
220
623400
1696
"Toto nám tvrdila data."
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
Ale nevedlo to k výjimečným výsledkům,
ve které doufali.
ve které doufali.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Takže data jsou samozřejmě velmi mocným
nástrojem pro zlepšení rozhodování,
nástrojem pro zlepšení rozhodování,
10:47
but I believe that things go wrong
223
635120
2376
ale věřím, že věci začnou jít špatně,
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
když necháme data
udělat ta rozhodnutí celé.
udělat ta rozhodnutí celé.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
Ať jsou data jakkoliv mocná,
stále jsou pouhým nástrojem,
stále jsou pouhým nástrojem,
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
a k zapamatování si tohoto faktu
je dobré toto malé zařízení.
je dobré toto malé zařízení.
10:59
Many of you will ...
227
647280
1216
Mnoho z vás bude znát...
11:00
(Laughter)
228
648520
1216
(smích)
11:01
Before there was data,
229
649760
1216
před vynalezením dat
se rozhodovalo podle tohoto zařízení
se rozhodovalo podle tohoto zařízení
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
11:05
(Laughter)
231
653880
1256
(smích)
11:07
Many of you will know this.
232
655160
1336
Mnoho z vás to bude znát.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Tato hračka se nazývá Magic 8 Ball,
11:10
and it's really amazing,
234
658497
1199
a je opravdu úžasná,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
protože když se musíte
rozhodnout mezi ano a ne,
rozhodnout mezi ano a ne,
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
všechno, co musíte udělat je zatřást
tou koulí, a pak dostanete odpověď -
tou koulí, a pak dostanete odpověď -
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
"S největší pravděpodobností"
- tady, takřka ihned.
- tady, takřka ihned.
11:21
I'll have it out later for tech demos.
238
669240
2096
Budu to tu mít později
na ukázku technologie.
na ukázku technologie.
11:23
(Laughter)
239
671360
1216
(smích)
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
No, a teď, samozřejmě -
udělal jsem v životě rozhodnutí,
udělal jsem v životě rozhodnutí,
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
kdy jsem měl prostě poslechnout tu kouli,
když se tak teď dívám zpět.
když se tak teď dívám zpět.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Ale to víte, kdybyste měli ta data,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
rádi byste toto vyměnili
za něco mnohem sofistikovanějšího,
za něco mnohem sofistikovanějšího,
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
třeba za datovou analýzu,
pro lepší rozhodnutí.
pro lepší rozhodnutí.
11:41
But that does not change the basic setup.
245
689200
2616
To ale nemění základní princip.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
Ta koule může být čím dál chytřejší,
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
ale podle mě, se musíme
rozhodnout my sami,
rozhodnout my sami,
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
pokud chceme dosáhnout něčeho skvělého
11:52
on the right end of the curve.
249
700920
1936
na pravém konci křivky.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
A myslím si, že je velmi
povzbudivou zprávou,
povzbudivou zprávou,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
že i tváří v tvář
takovému množství dat,
takovému množství dat,
12:03
it still pays off to make decisions,
252
711400
4096
se stále vyplatí činit rozhodnutí,
12:07
to be an expert in what you're doing
253
715520
2656
být expertem v tom, co děláte,
12:10
and take risks.
254
718200
2096
a riskovat.
12:12
Because in the end, it's not data,
255
720320
2776
Protože to nakonec nejsou data,
co vás dostane na pravý konec křivky,
co vás dostane na pravý konec křivky,
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
jsou to risky.
12:19
Thank you.
257
727840
1216
Děkuji vám.
12:21
(Applause)
258
729080
3680
(potlesk)
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