TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Erfolgreiche TV-Show durch Datensammlung?
Filmed:
Readability: 4
1,628,704 views
Führt erhöhte Datensammlung zu einer besseren Entscheidungsfindung? Konkurrierende, Daten versierte Unternehmen wie Amazon, Google und Netflix haben gelernt, dass Datenanalyse allein nicht immer optimale Ergebnisse erzielt. In diesem Vortrag erklärt der Datenexperte Sebastian Wernicke, was falsch läuft, wenn wir unsere Entscheidungen ausschließlich auf Daten stützen, und schlägt dabei einen klügeren Weg zur Nutzung von Daten vor.
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
Von Roy Price haben
die meisten noch nie gehört,
die meisten noch nie gehört,
00:17
even though he may have been responsible
1
5120
2496
obwohl er wahrscheinlich
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
für 22 mittelmäßige Minuten Ihres Lebens
am 19. April 2013 verantwortlich ist.
am 19. April 2013 verantwortlich ist.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
Wahrscheinlich auch für
22 sehr unterhaltsame Minuten,
22 sehr unterhaltsame Minuten,
00:29
but not very many of you.
4
17760
2256
aber nicht für sehr viele von Ihnen.
00:32
And all of that goes back to a decision
5
20040
1896
Das geht auf die Entscheidung zurück,
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
die Roy vor drei Jahren traf.
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 ist leitender Angestellter
bei Amazon Studios,
bei Amazon Studios,
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
der TV-Produktionsfirma von Amazon.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
Er ist 47 Jahre alt, schlank,
hat eine Igelfrisur
hat eine Igelfrisur
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
und beschreibt sich auf Twitter
als "Filme, TV, Technologie, Tacos".
als "Filme, 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
Roy hat einen sehr wichtigen Job,
weil er dafür verantwortlich ist,
weil er dafür verantwortlich ist,
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
die Shows und den Inhalt auszusuchen,
den Amazon produzieren wird.
den Amazon produzieren wird.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
Natürlich ist das eine
sehr hart umkämpfte Branche.
sehr hart umkämpfte Branche.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Es gibt schon so viele TV-Serien,
01:06
that Roy can't just choose any show.
15
54400
2176
dass Roy nicht irgendeine auswählen kann.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Er muss Shows finden,
die sehr, sehr gut sind.
die sehr, sehr gut sind.
01:12
So in other words, he has to find shows
17
60720
2816
In anderen Worten, er muss Shows finden,
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
die sich ganz rechts
auf dieser Kurve befinden.
auf dieser Kurve befinden.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Diese Kurve ist die Bewertungsverteilung
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
von über 2500 TV-Serien
auf der Website IMDB.
auf der Website IMDB.
01:25
and the rating goes from one to 10,
21
73040
2896
Die Bewertung geht von 1 bis 10
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
und die Höhe zeigt, wie viele Shows
diese Bewertung erhalten.
diese Bewertung erhalten.
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
Wird Ihre Show mit neun und
höher bewertet, ist diese ein Gewinner.
höher bewertet, ist diese ein Gewinner.
01:35
Then you have a top two percent show.
24
83680
1816
Dann hat man eine erfolgreiche Show.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
Das sind Shows wie "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
all die Shows, die süchtig machen,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
wo, nachdem man eine Staffel
geschaut hat, Ihr Gehirn fragt:
geschaut hat, Ihr Gehirn fragt:
01:46
"Where can I get more of these episodes?"
28
94840
2176
"Wo gibt es mehr von diesen Episoden?"
01:49
That kind of show.
29
97040
1200
Diese Art von Show.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
Auf der linken Seite, hier an diesem Ende,
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
sind Shows wie "Toddlers and Tiaras" --
01:56
(Laughter)
32
104640
2656
(Lachen)
01:59
-- which should tell you enough
33
107320
1536
-- das sollte Ihnen genug sagen,
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
was an diesem Ende der Kurve abgeht.
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
Roy Price sorgt sich nicht darum,
auf die linke Seite der Kurve zu geraten,
auf die linke Seite der Kurve zu geraten,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
denn ich glaube man braucht
schon besondere Intelligenz,
schon besondere Intelligenz,
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
um "Toddlers and Tiaras" zu unterbieten.
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
Er macht sich mehr Gedanken
über die mittlere Ausbeulung,
über die mittlere Ausbeulung,
02:15
the bulge of average TV,
39
123920
1816
das durchschnittliche Fernsehen --
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
die Shows, die weder
gut oder schlecht sind,
gut oder schlecht sind,
02:20
they don't really get you excited.
41
128639
1656
sie begeistern einfach nicht.
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
Also muss er sicherstellen, dass er
wirklich auf der richtigen Seite ist.
wirklich auf der richtigen Seite ist.
02:27
So the pressure is on,
43
135200
1576
Der Druck ist vorhanden,
und natürlich ist es auch das erste Mal,
und natürlich ist es auch das erste Mal,
02:28
and of course it's also the first time
44
136800
2176
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
dass Amazon so etwas macht,
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
deshalb will Roy Price nichts riskieren.
02:36
He wants to engineer success.
47
144560
2456
Er will Erfolge kreieren.
02:39
He needs a guaranteed success,
48
147040
1776
Er benötigt garantierten Erfolg,
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
also hält er einen Wettbewerb ab.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Er nimmt viele Ideen für TV-Shows
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
und wählt durch eine Auswertung
02:48
they select eight candidates for TV shows,
52
156920
4096
acht Kandidaten für TV-Shows aus,
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
dann produziert er die erste Episode
jeder dieser Shows
jeder dieser Shows
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
und stellt sie online, wo sie jeder
kostenlos anschauen kann.
kostenlos anschauen kann.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
Und wenn Amazon umsonst Sachen
herausgibt, greift man doch zu, richtig?
herausgibt, greift man doch zu, richtig?
03:01
you're going to take it, right?
56
169720
1536
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Millionen von Zuschauern
schauen sich diese Episoden an.
schauen sich diese Episoden an.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
Jedoch wissen sie nicht, dass sie
beim Anschauen dieser Shows
beim Anschauen dieser Shows
03:11
actually, they are being watched.
59
179680
2296
beobachtet werden.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Sie werden von Roy
und seinem Team beobachtet,
und seinem Team beobachtet,
03:16
who record everything.
61
184360
1376
die alles aufnehmen.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
Sie erfassen, wann man die Show startet,
wann man pausiert,
wann man pausiert,
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
welche Teile man überspringt
bzw. nochmal anschaut.
bzw. nochmal anschaut.
03:23
So they collect millions of data points,
64
191720
2256
Sie sammeln Millionen von Daten,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
um mit diesen Daten dann zu entscheiden,
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
welche Show sie produzieren sollten.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
In der Tat sammeln sie die Daten,
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
verarbeiten diese und daraus
ergibt sich die Antwort,
ergibt sich die Antwort,
03:35
and the answer is,
69
203640
1216
und diese lautet:
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"Amazon sollte eine Sitcom über
vier republikanische US-Senatoren machen."
vier republikanische US-Senatoren machen."
03:42
They did that show.
71
210440
1216
Sie machten diese Show.
03:43
So does anyone know the name of the show?
72
211680
2160
Kennt jemand den Namen dieser Show?
03:46
(Audience: "Alpha House.")
73
214720
1296
(Publikum: "Alpha House")
03:48
Yes, "Alpha House,"
74
216040
1456
Ja, "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
aber es scheint, dass sich nicht viele
an diese Show erinnern können,
an diese Show erinnern können,
03:53
because it didn't turn out that great.
76
221640
1856
weil sie nicht so gut war.
03:55
It's actually just an average show,
77
223520
1856
Es ist nur eine Durchschnittsshow
-- im wahrsten Sinne des Wortes --
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
da der Durchschnitt
dieser Kurve 7,4 beträgt
dieser Kurve 7,4 beträgt
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
und Alpha House landet bei 7,5 --
04:04
so a slightly above average show,
80
232440
2016
also etwas über dem Durchschnitt,
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
aber nicht gerade das, worauf
Roy und sein Team hinarbeiteten.
Roy und sein Team hinarbeiteten.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
Etwa zur gleichen Zeit
04:13
at another company,
83
241200
1576
bei einer anderen Firma
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
hat ein anderer Manager eine Top-Show
durch Datenanalyse plaziert.
durch Datenanalyse plaziert.
04:19
and his name is Ted,
85
247040
1576
Sein Name ist Ted,
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Ted Sarandos, der Manager
für Programmgestaltung von Netflix.
für Programmgestaltung von Netflix.
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
Genau wie Roy ist er immer auf der Suche,
04:26
to find that great TV show,
88
254240
1496
diese eine Super-Show zu finden
04:27
and he uses data as well to do that,
89
255760
2016
und er benutzt auch Daten dafür,
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
aber er macht es etwas anders.
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
Anstatt einen Wettbewerb zu veranstalten,
haben er und sein Team
haben er und sein Team
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
sich die vorhandenen Daten
über die Netflix-Zuschauer angeschaut,
über die Netflix-Zuschauer angeschaut,
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
also die Bewertungen,
die sie den Shows geben,
die sie den Shows geben,
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
deren Verlauf, welche Shows sie mögen etc.
04:44
And then they use that data to discover
95
272000
1896
Dann nutzen sie diese Daten,
um diese kleinen Details
über die Zuschauer herauszufinden:
über die Zuschauer herauszufinden:
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
04:48
what kinds of shows they like,
97
276560
1456
welche Shows sie mögen,
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
welche Produzenten, welche Schauspieler.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
Als sie all die Teile zusammen hatten,
04:54
they took a leap of faith,
100
282760
1656
gingen sie ein Wagnis ein
04:56
and they decided to license
101
284440
2096
und entschieden sich dazu,
04:58
not a sitcom about four Senators
102
286560
2456
nicht eine Sitcom über vier Senatoren,
05:01
but a drama series about a single Senator.
103
289040
2880
sondern eine Drama-Serie
über einen Senator zu machen.
über einen Senator zu machen.
05:04
You guys know the show?
104
292760
1656
Kennen Sie diese Show?
05:06
(Laughter)
105
294440
1296
(Lachen)
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
Ja, "House of Cards".
Netflix hat damit einen Hit gelandet,
zumindest für die ersten zwei Staffeln.
zumindest für die ersten zwei Staffeln.
05:11
at least for the first two seasons.
107
299520
2136
05:13
(Laughter) (Applause)
108
301680
3976
(Lachen) (Applaus)
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" bekommt
eine 9,1-Bewertung auf dieser Kurve.
eine 9,1-Bewertung auf dieser Kurve.
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
Also genau dort, wo sie hin wollten.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
Natürlich ist nun die Frage:
Was ist hier passiert?
Was ist hier passiert?
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Man hat zwei sehr kompetitive,
Daten versierte Firmen.
Daten versierte Firmen.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
Sie verbinden diese
vielen Daten miteinander
vielen Daten miteinander
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
und es funktioniert super
für eine von ihnen,
für eine von ihnen,
05:34
and it doesn't work for the other one.
115
322480
1856
aber nicht für die andere Firma.
05:36
So why?
116
324360
1216
Woran liegt das?
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
Weil die Logik irgendwie besagt,
dass das bei allem funktionieren sollte.
dass das bei allem funktionieren sollte.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Wenn man Millionen Daten sammelt,
für eine Entscheidung, die man trifft,
für eine Entscheidung, die man trifft,
05:43
on a decision you're going to make,
119
331560
1736
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
dann sollte man eine
gute Entscheidung treffen können.
gute Entscheidung treffen können.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
Man hat 200 Jahre
an Statistik als Back-Up.
an Statistik als Back-Up.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
Man optimiert es durch
sehr leistungsfähige Computer.
sehr leistungsfähige Computer.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
Das Mindeste, was man erwarten kann,
ist gutes Fernsehen oder?
ist gutes Fernsehen oder?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
Wenn Datenanalyse so nicht funktioniert,
06:01
then it actually gets a little scary,
125
349520
2056
dann ist dies etwas erschreckend,
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
weil wir in einer Zeit leben, in der wir
mehr und mehr zu Statistiken greifen,
mehr und mehr zu Statistiken greifen,
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
um ernsthafte Entscheidungen zu treffen,
weit über das Fernsehen hinaus.
weit über das Fernsehen hinaus.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Kennt jemand hier
die Firma Multi-Health Systems?
die Firma Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
365080
1656
Niemand. Ok, das ist sogar gut.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
Multi-Health Systems
ist eine Software-Firma
ist eine Software-Firma
06:22
and I hope that nobody here in this room
131
370000
2816
und ich hoffe, dass niemand in diesem Raum
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
jemals in Berührung
mit dieser Software kommt.
mit dieser Software kommt.
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
Kommen Sie damit in Berührung,
sind Sie im Gefängnis.
sind Sie im Gefängnis.
06:30
(Laughter)
134
378160
1176
(Lachen)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Wenn jemand hier in den USA
im Gefängnis ist und um Entlassung bittet,
im Gefängnis ist und um Entlassung bittet,
ist es wahrscheinlich,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
dass die Datenanalyse
dieser Firma benutzt wird,
dieser Firma benutzt wird,
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
um zu bestimmen, ob
eine Entlassung erfolgt oder nicht.
eine Entlassung erfolgt oder nicht.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
Genau wie bei Amazon und Netflix.
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
Aber anstatt zu entscheiden,
ob eine Show gut oder schlecht sein wird,
ob eine Show gut oder schlecht sein wird,
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
wird entschieden, ob eine Person
gut oder schlecht sein wird.
gut oder schlecht sein wird.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
Mittelmäßiges Fernsehen, 22 Minuten,
das kann echt schlecht sein,
das kann echt schlecht sein,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
aber noch mehr Jahre im Gefängnis
sind schlimmer.
sind schlimmer.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
Leider gibt es Beweise dafür,
dass diese Datenanalyse,
trotz der vielen Daten,
trotz der vielen Daten,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
nicht immer die besten Resultate erzeugt.
Das liegt nicht daran,
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
dass eine Firma wie Multi-Health Systems
nicht weiß, wie man Daten nutzt.
nicht weiß, wie man Daten nutzt.
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
Auch die Daten versiertesten Firmen
liegen mal falsch.
liegen mal falsch.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Ja, selbst Google macht manchmal Fehler.
2009 gab Google bekannt,
dass sie durch Datenanalyse
dass sie durch Datenanalyse
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
Ausbrüche von Grippe,
der schlimmen Art, voraussagen können --
der schlimmen Art, voraussagen können --
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
durch Datenanalyse der Google-Recherchen.
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
Es funktionierte wunderbar
und war eine große Nachrichtensensation.
und war eine große Nachrichtensensation.
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
Der Erfolg gipfelte in einer
Veröffentlichung im Magazin "Nature".
Veröffentlichung im Magazin "Nature".
07:39
a publication in the journal "Nature."
154
447200
2456
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Es funktionierte einwandfrei,
Jahr um Jahr um Jahr,
Jahr um Jahr um Jahr,
07:45
until one year it failed.
156
453320
1656
bis es plötzlich nicht mehr funktionierte,
07:47
And nobody could even tell exactly why.
157
455000
2256
und niemand konnte sagen warum.
07:49
It just didn't work that year,
158
457280
1696
Es funktionierte einfach nicht,
dies war erneut eine Sensation,
dies war erneut eine Sensation,
07:51
and of course that again made big news,
159
459000
1936
einschließlich des Widerrufs
der Veröffentlichung im Magazin "Nature".
der Veröffentlichung im Magazin "Nature".
07:52
including now a retraction
160
460960
1616
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
Selbst die Daten versiertesten Firmen
wie Amazon und Google
wie Amazon und Google
08:01
they sometimes get it wrong.
163
469840
2136
missverstehen manchmal etwas.
08:04
And despite all those failures,
164
472000
2936
Trotz all dieser Fehler
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
strömen Daten zusehends
in Entscheidungen des Lebens ein --
in Entscheidungen des Lebens ein --
08:10
into the workplace,
166
478840
1816
am Arbeitsplatz,
08:12
law enforcement,
167
480680
1816
bei der Rechtsdurchsetzung,
08:14
medicine.
168
482520
1200
in der Medizin.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Also sollten wir lieber sicherstellen,
dass Daten hilfreich sind.
dass Daten hilfreich sind.
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
Auch ich kenne viele
Schwierigkeiten mit Daten.
Schwierigkeiten mit Daten.
08:22
because I work in computational genetics,
171
490920
1976
Ich arbeite in der
computergestützten Genetik --
computergestützten Genetik --
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
ein Gebiet, bei dem
einige sehr kluge Menschen
einige sehr kluge Menschen
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
unvorstellbar viele Daten nutzen, um
ernsthafte Entscheidungen zu treffen,
ernsthafte Entscheidungen zu treffen,
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
wie die Entscheidung
für eine Krebstherapie
für eine Krebstherapie
oder die Entwicklung eines Medikamentes.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
Über die Jahre habe ich einige Muster
erkannt über den Unterschied
erkannt über den Unterschied
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
zwischen erfolgreichen Entscheidungen
anhand von Daten
anhand von Daten
08:43
and unsuccessful decision-making,
178
511120
1616
und nicht erfolgreichen Entscheidungen.
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
Dieses Muster sollte verbreitet werden.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
Müssen Sie je ein komplexes Problem lösen,
08:52
you're doing essentially two things.
181
520679
1737
tun Sie hauptsächlich zwei Dinge:
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
Als Erstes zerlegen Sie
dieses Problem in seine Einzelteile,
dieses Problem in seine Einzelteile,
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
sodass Sie die Einzelteile
analysieren können;
analysieren können;
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
als Zweites setzen Sie
die Einzelteile wieder zusammen,
die Einzelteile wieder zusammen,
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
um einen Entschluss zu fassen.
09:05
to come to your conclusion.
186
533000
1336
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
Manchmal müssen Sie dies mehrmals tun,
09:08
but it's always those two things:
188
536720
1656
aber es sind immer zwei Dinge:
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
auseinander nehmen
und wieder zusammensetzen.
und wieder zusammensetzen.
09:14
And now the crucial thing is
190
542280
1616
Und nun das Wichtigste:
09:15
that data and data analysis
191
543920
2896
Daten und Datenanalyse sind
nur gut für den ersten Teil.
nur gut für den ersten Teil.
09:18
is only good for the first part.
192
546840
2496
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
Daten und Datenanalyse,
egal wie machtvoll,
egal wie machtvoll,
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
können nur dabei helfen, ein Problem
zu zerlegen und seine Teile zu verstehen.
zu zerlegen und seine Teile zu verstehen.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Sie sind nicht dazu geeignet,
um die Teile wieder zusammenzusetzen
um die Teile wieder zusammenzusetzen
09:31
and then to come to a conclusion.
196
559600
1896
und dann zu einem Entschluss zu kommen.
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
Dafür gibt es ein anderes Werkzeug
und wir besitzen es alle: unser Gehirn.
und wir besitzen es alle: unser Gehirn.
09:36
and that tool is the brain.
198
564280
1296
09:37
If there's one thing a brain is good at,
199
565600
1936
Wenn es etwas gibt,
bei dem das Gehirn gut ist,
bei dem das Gehirn gut ist,
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
ist es Teile und Stücke
wieder zusammenzusetzen,
wieder zusammenzusetzen,
09:41
even when you have incomplete information,
201
569840
2016
auch wenn die Informationen
unvollständig sind,
unvollständig sind,
09:43
and coming to a good conclusion,
202
571880
1576
um dann einen
guten Entschluss zu fassen --
guten Entschluss zu fassen --
09:45
especially if it's the brain of an expert.
203
573480
2936
besonders wenn es das Gehirn
eines Experten ist.
eines Experten ist.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
Darum, glaube ich,
war Netflix so erfolgreich,
war Netflix so erfolgreich,
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
weil sie Daten und Verstand genutzt haben,
wo sie auch im Prozess hingehören.
wo sie auch im Prozess hingehören.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Sie nutzen Daten, um ihr Publikum
besser zu verstehen,
besser zu verstehen,
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
wozu sie sonst nicht fähig gewesen wären.
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
Aber die Entscheidung,
wie man all diese Teile nehmen,
wie man all diese Teile nehmen,
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
wieder zusammensetzen und daraus
eine Show wie "House of Cards" macht,
eine Show wie "House of Cards" macht,
10:07
that was nowhere in the data.
210
595720
1416
das stand nicht in den Daten.
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 und sein Team
trafen diese Entscheidung für diese Show,
trafen diese Entscheidung für diese Show,
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
was bedeutete, dass sie
ein großes persönliches Risiko
ein großes persönliches Risiko
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
mit dieser Entscheidung eingingen.
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
Amazon hingegen tat dies
auf die falsche Weise.
auf die falsche Weise.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Sie nutzten Daten, um
all ihre Entscheidungen zu steuern,
all ihre Entscheidungen zu steuern,
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
zuerst als sie um TV-Ideen wetteiferten,
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
dann als sie "Alpha House"
als Show auswählten.
als Show auswählten.
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
Es war eine sichere Entscheidung,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
weil sie immer sagen konnten:
10:35
"This is what the data tells us."
220
623400
1696
"Das sagen uns die Daten."
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
Es führte nicht zum gewünschten Ergebnis.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Daten sind hilfreich
für bessere Entscheidungen,
für bessere Entscheidungen,
10:47
but I believe that things go wrong
223
635120
2376
aber ich glaube, dass Dinge schief laufen,
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
wenn Daten anfangen
unsere Entscheidungen zu steuern.
unsere Entscheidungen zu steuern.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
Egal wie machtvoll sie sind,
Daten sind nur ein Werkzeug,
Daten sind nur ein Werkzeug,
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
und um das nicht zu vergessen,
ist dieses Gerät ziemlich nützlich.
ist dieses Gerät ziemlich nützlich.
10:59
Many of you will ...
227
647280
1216
Vielen von Ihnen werden ...
11:00
(Laughter)
228
648520
1216
(Gelächter)
11:01
Before there was data,
229
649760
1216
Bevor es Daten gab,
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
war dies das Gerät für Entscheidungen.
11:05
(Laughter)
231
653880
1256
(Gelächter)
11:07
Many of you will know this.
232
655160
1336
Viele kennen es.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Es wird auch "Magic 8 Ball" genannt.
11:10
and it's really amazing,
234
658497
1199
Es ist erstaunlich.
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
Für Entscheidungen mithilfe
einer Ja- oder Nein-Frage
einer Ja- oder Nein-Frage
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
müssen Sie nur den Ball schütteln,
um eine Antwort zu bekommen.
um eine Antwort zu bekommen.
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
"Höchst wahrscheinlich" --
genau hier in diesem Moment.
genau hier in diesem Moment.
11:21
I'll have it out later for tech demos.
238
669240
2096
Ich werde es später
mit einer Technikdemo ausfechten.
mit einer Technikdemo ausfechten.
11:23
(Laughter)
239
671360
1216
(Gelächter)
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
Ich habe bisher einige Entscheidungen
in meinem Leben getroffen,
in meinem Leben getroffen,
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
wobei ich im Nachhinein
auf den Ball hätte hören sollen.
auf den Ball hätte hören sollen.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Aber, wie Sie natürlich wissen,
wenn Sie die Daten verfügbar haben,
wenn Sie die Daten verfügbar haben,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
möchten Sie diese durch etwas
viel Ausgeklügelteres ersetzen,
viel Ausgeklügelteres ersetzen,
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
wie Datenanalyse, um
bessere Entscheidungen zu treffen.
bessere Entscheidungen zu treffen.
11:41
But that does not change the basic setup.
245
689200
2616
Aber dies verändert nicht den Grundaufbau.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
So wird vielleicht der Ball klüger
und klüger und klüger.
und klüger und klüger.
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
Letztendlich liegt es an uns,
Entscheidungen zu treffen,
Entscheidungen zu treffen,
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
wenn wir etwas außergewöhnliches am Ende
der rechten Kurve erreichen wollen.
der rechten Kurve erreichen wollen.
11:52
on the right end of the curve.
249
700920
1936
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
Und ich empfinde dies als
sehr ermutigende Nachricht,
sehr ermutigende Nachricht,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
dass es sich trotz der
großen Menge an Daten
großen Menge an Daten
12:03
it still pays off to make decisions,
252
711400
4096
immer noch auszahlt,
Entscheidungen zu treffen,
Entscheidungen zu treffen,
12:07
to be an expert in what you're doing
253
715520
2656
ein Experte in dem zu sein, was man tut,
12:10
and take risks.
254
718200
2096
und Risiken einzugehen.
12:12
Because in the end, it's not data,
255
720320
2776
Denn am Ende sind es nicht die Daten,
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
sondern die Risiken, mit denen Sie
am rechten Ende der Kurve landen.
am rechten Ende der Kurve landen.
12:19
Thank you.
257
727840
1216
Danke schön.
12:21
(Applause)
258
729080
3680
(Applaus)
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