TEDxCambridge
Tricia Wang: The human insights missing from big data
Tricia Wang: La perspectiva humana que hace falta en big data
Filmed:
Readability: 4.5
1,688,539 views
¿Por qué toman malas decisiones tantas empresas, aún cuando tienen acceso a una cantidad sin precedente de datos? Con historias desde Nokia hasta Netflix y los oráculos de la antigua Grecia, Tricia Wang desmitifica las grandes bases de datos e identifica sus debilidades, sugiriendo que en vez de en ellos nos concentremos en los "datos densos"--percepciones humanas valiosas, no cuantificables -- para tomar las decisiones comerciales correctas y prosperemos en lo desconocido.
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
En la antigua Grecia,
00:15
when anyone from slaves to soldiers,
poets and politicians,
poets and politicians,
1
3436
3943
cuando alguien, desde esclavos a soldados,
poetas y políticos,
poetas y políticos,
necesitaba tomar una gran decisión
sobre las preguntas más importantes,
sobre las preguntas más importantes,
00:19
needed to make a big decision
on life's most important questions,
on life's most important questions,
2
7403
4004
como, "¿Debería casarme?"
00:23
like, "Should I get married?"
3
11431
1391
o "¿Deberíamos iniciar este viaje?"
00:24
or "Should we embark on this voyage?"
4
12846
1857
00:26
or "Should our army
advance into this territory?"
advance into this territory?"
5
14727
2928
"¿Debería el ejército
avanzar a este territorio?"
avanzar a este territorio?"
todos consultaban el oráculo.
00:29
they all consulted the oracle.
6
17679
2579
00:33
So this is how it worked:
7
21020
1440
Así funcionaba:
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
traías una pregunta y te arrodillabas,
y luego ella entraba en un trance.
00:37
and then she would go into this trance.
9
25620
1871
Llevaba un par de días,
00:39
It would take a couple of days,
10
27515
1549
y eventualmente salía del trance,
00:41
and then eventually
she would come out of it,
she would come out of it,
11
29088
2163
dando sus predicciones como respuesta.
00:43
giving you her predictions as your answer.
12
31275
2536
00:46
From the oracle bones of ancient China
13
34910
2566
Desde los oráculos de huesos
de la antigua China
de la antigua China
00:49
to ancient Greece to Mayan calendars,
14
37500
2345
a la antigua Grecia,
a los calendarios mayas,
a los calendarios mayas,
00:51
people have craved for prophecy
15
39869
2296
la gente ha buscado la profecía
00:54
in order to find out
what's going to happen next.
what's going to happen next.
16
42189
3137
para enterarse de qué va a suceder.
Y eso se debe a que todos
queremos tomar la decisión correcta.
queremos tomar la decisión correcta.
00:58
And that's because we all want
to make the right decision.
to make the right decision.
17
46516
3239
No nos queremos perder de algo.
01:01
We don't want to miss something.
18
49779
1545
El futuro da miedo,
01:03
The future is scary,
19
51892
1743
es mucho mejor
saber que podemos decidir
saber que podemos decidir
01:05
so it's much nicer
knowing that we can make a decision
knowing that we can make a decision
20
53659
2717
01:08
with some assurance of the outcome.
21
56400
1982
con alguna garantía del resultado.
Bueno, tenemos un nuevo oráculo,
01:11
Well, we have a new oracle,
22
59079
1611
01:12
and it's name is big data,
23
60714
2145
y su nombre es big data.
01:14
or we call it "Watson"
or "deep learning" or "neural net."
or "deep learning" or "neural net."
24
62883
3939
o le llamamos "Watson"
o "aprendizaje profundo" o "red neural".
o "aprendizaje profundo" o "red neural".
Y estas son las preguntas que hacemos
a nuestro oráculo ahora,
a nuestro oráculo ahora,
01:19
And these are the kinds of questions
we ask of our oracle now,
we ask of our oracle now,
25
67340
4012
01:23
like, "What's the most efficient way
to ship these phones
to ship these phones
26
71376
3922
"¿Cuál es la forma más eficiente
de enviar estos teléfonos
de enviar estos teléfonos
01:27
from China to Sweden?"
27
75322
1823
de China a Suecia?"
O, "¿Cuál es la probabilidad
01:29
Or, "What are the odds
28
77169
1800
01:30
of my child being born
with a genetic disorder?"
with a genetic disorder?"
29
78993
3363
de que mi hijo nazca
con un problema genético?"
con un problema genético?"
01:34
Or, "What are the sales volume
we can predict for this product?"
we can predict for this product?"
30
82952
3244
O, "¿Qué volumen de ventas podemos
proyectar para este producto?"
proyectar para este producto?"
Tengo una perra. Se llama Elle,
y odia la lluvia.
y odia la lluvia.
01:40
I have a dog. Her name is Elle,
and she hates the rain.
and she hates the rain.
31
88108
4047
01:44
And I have tried everything
to untrain her.
to untrain her.
32
92179
3306
He tratado todo para re-entrenarla.
01:47
But because I have failed at this,
33
95509
2771
Pero como he fallado con esto,
01:50
I also have to consult
an oracle, called Dark Sky,
an oracle, called Dark Sky,
34
98304
3286
le consulto a un oráculo
que se llama Cielos Oscuros,
que se llama Cielos Oscuros,
01:53
every time before we go on a walk,
35
101614
1635
cada vez que salimos a caminar,
01:55
for very accurate weather predictions
in the next 10 minutes.
in the next 10 minutes.
36
103273
3577
para tener predicciones precisas
para los próximos diez minutos.
para los próximos diez minutos.
(Risas)
Ella es tan dulce.
02:01
She's so sweet.
37
109535
1303
Por estas razones, nuestra industria
de oráculos es de USD 122 000 millones.
de oráculos es de USD 122 000 millones.
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
A pesar del tamaño de esta industria,
02:10
Now, despite the size of this industry,
39
118006
3376
los dividendos son
sorprendentemente bajos.
sorprendentemente bajos.
02:13
the returns are surprisingly low.
40
121406
2456
Invertir en big data es muy fácil,
02:16
Investing in big data is easy,
41
124342
2494
02:18
but using it is hard.
42
126860
1933
pero usar macrodatos es difícil.
Más del 73 % de los proyectos
de big data no son rentables,
de big data no son rentables,
02:21
Over 73 percent of big data projects
aren't even profitable,
aren't even profitable,
43
129981
4040
hay ejecutivos que dicen:
02:26
and I have executives
coming up to me saying,
coming up to me saying,
44
134045
2431
"Se repite el problema.
02:28
"We're experiencing the same thing.
45
136500
1789
02:30
We invested in some big data system,
46
138313
1753
Invertimos en algún sistema de big data,
02:32
and our employees aren't making
better decisions.
better decisions.
47
140090
2968
y nuestros empleados no toman
mejores decisiones.
mejores decisiones.
02:35
And they're certainly not coming up
with more breakthrough ideas."
with more breakthrough ideas."
48
143082
3162
Y definitivamente no generan
ideas innovadoras".
ideas innovadoras".
Esto me parece muy interesante,
02:38
So this is all really interesting to me,
49
146914
3184
02:42
because I'm a technology ethnographer.
50
150122
2010
porque soy etnógrafa de tecnología.
02:44
I study and I advise companies
51
152630
2564
Estudio y aconsejo a empresas
02:47
on the patterns
of how people use technology,
of how people use technology,
52
155218
2483
en las tendencias de uso de tecnología.
02:49
and one of my interest areas is data.
53
157725
2678
Una de las áreas que me interesan
es el análisis de datos.
es el análisis de datos.
02:52
So why is having more data
not helping us make better decisions,
not helping us make better decisions,
54
160427
5193
¿Por qué no estamos tomando
mejores decisiones,
mejores decisiones,
especialmente compañías que tienen
todos los recursos
todos los recursos
02:57
especially for companies
who have all these resources
who have all these resources
55
165644
2783
para invertir en estos
sistemas de big data?
sistemas de big data?
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
¿Por qué no les está facilitando
nuevas estrategias?
nuevas estrategias?
Soy testigo,
03:05
So, I've witnessed the struggle firsthand.
58
173990
2634
en 2009, empecé un puesto
de investigadora en Nokia.
de investigadora en Nokia.
03:09
In 2009, I started
a research position with Nokia.
a research position with Nokia.
59
177374
3484
03:13
And at the time,
60
181232
1158
En esa época, Nokia era
03:14
Nokia was one of the largest
cell phone companies in the world,
cell phone companies in the world,
61
182414
3158
una de las empresas
más grandes del mundo,
más grandes del mundo,
dominaba los mercados emergentes
como China, México e India...
como China, México e India...
03:17
dominating emerging markets
like China, Mexico and India --
like China, Mexico and India --
62
185596
3202
03:20
all places where I had done
a lot of research
a lot of research
63
188822
2502
todos sitios que yo había
investigado bastante
investigado bastante
03:23
on how low-income people use technology.
64
191348
2676
la forma de uso de tecnología
de perfiles de bajos ingresos.
de perfiles de bajos ingresos.
Pasé mucho tiempo en China,
03:26
And I spent a lot of extra time in China
65
194048
2330
03:28
getting to know the informal economy.
66
196402
2592
familiarizándome con la economía
informal.
informal.
03:31
So I did things like working
as a street vendor
as a street vendor
67
199018
2401
Trabajé como vendedora ambulante
03:33
selling dumplings to construction workers.
68
201443
2574
vendiendo comida a obreros.
Hice trabajo de campo,
03:36
Or I did fieldwork,
69
204041
1358
03:37
spending nights and days
in internet cafés,
in internet cafés,
70
205423
2958
pasé días y noches en cibercafés,
03:40
hanging out with Chinese youth,
so I could understand
so I could understand
71
208405
2546
parando con la juventud china,
para entender
para entender
cómo estaban usando
los videojuegos y móviles.
los videojuegos y móviles.
03:42
how they were using
games and mobile phones
games and mobile phones
72
210975
2284
Y cómo los usaban en la migración
del campo a las ciudades.
del campo a las ciudades.
03:45
and using it between moving
from the rural areas to the cities.
from the rural areas to the cities.
73
213283
3370
03:50
Through all of this qualitative evidence
that I was gathering,
that I was gathering,
74
218335
3927
Con toda esta evidencia cualitativa
que estaba coleccionando,
que estaba coleccionando,
noté claramente
03:54
I was starting to see so clearly
75
222286
2824
03:57
that a big change was about to happen
among low-income Chinese people.
among low-income Chinese people.
76
225134
4472
que iba a haber un gran cambio
entre los pobres de China.
entre los pobres de China.
04:03
Even though they were surrounded
by advertisements for luxury products
by advertisements for luxury products
77
231020
4367
A pesar de estar rodeados de publicidad
para productos de lujo,
para productos de lujo,
como inodoros sofisticados
-- ¿quién no quiere uno? --
-- ¿quién no quiere uno? --
04:07
like fancy toilets --
who wouldn't want one? --
who wouldn't want one? --
78
235411
3495
y departamentos y autos,
04:10
and apartments and cars,
79
238930
2890
en nuestras conversaciones,
04:13
through my conversations with them,
80
241844
1820
04:15
I found out that the ads
the actually enticed them the most
the actually enticed them the most
81
243688
3841
me di cuenta de que los anuncios
que realmente les interesaban
que realmente les interesaban
04:19
were the ones for iPhones,
82
247553
1996
eran los anuncios para iPhones,
04:21
promising them this entry
into this high-tech life.
into this high-tech life.
83
249573
3052
que les prometía acceso a
esta vida de alta tecnología.
esta vida de alta tecnología.
Incluso cuando viví con ellos
en barriadas como esta,
en barriadas como esta,
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
04:28
I saw people investing
over half of their monthly income
over half of their monthly income
85
256656
2996
veía gente invirtiendo más de
la mitad de su sueldo mensual
la mitad de su sueldo mensual
04:31
into buying a phone,
86
259676
1623
para comprar un celular,
04:33
and increasingly, they were "shanzhai,"
87
261323
2302
y cada vez más, eran "shanzhai",
04:35
which are affordable knock-offs
of iPhones and other brands.
of iPhones and other brands.
88
263649
3388
que son imitaciones baratas
de iPhones y otras marcas.
de iPhones y otras marcas.
Son bastante usables,
04:40
They're very usable.
89
268303
1625
funcionan.
04:42
Does the job.
90
270890
1322
Y después de años de vivir
con inmigrantes y trabajar con ellos,
con inmigrantes y trabajar con ellos,
04:44
And after years of living
with migrants and working with them
with migrants and working with them
91
272750
5789
y básicamente hacer todo lo que
ellos hacían,
ellos hacían,
04:50
and just really doing everything
that they were doing,
that they were doing,
92
278563
3434
empecé a unir los datos...
04:54
I started piecing
all these data points together --
all these data points together --
93
282021
3597
desde las cosas que parecen
al azar como yo vendiendo comida,
al azar como yo vendiendo comida,
04:57
from the things that seem random,
like me selling dumplings,
like me selling dumplings,
94
285642
3123
05:00
to the things that were more obvious,
95
288789
1804
a las cosas más obvias,
05:02
like tracking how much they were spending
on their cell phone bills.
on their cell phone bills.
96
290617
3232
como calcular cuánto gastan
en las cuentas de móviles.
en las cuentas de móviles.
Así pude ver una figura más clara,
más completa,
más completa,
05:05
And I was able to create
this much more holistic picture
this much more holistic picture
97
293873
2639
de lo que estaba pasando.
05:08
of what was happening.
98
296536
1156
Ahí me di cuenta
05:09
And that's when I started to realize
99
297716
1722
de que hasta los más pobres de China
iban a querer un teléfono inteligente,
iban a querer un teléfono inteligente,
05:11
that even the poorest in China
would want a smartphone,
would want a smartphone,
100
299462
3509
05:14
and that they would do almost anything
to get their hands on one.
to get their hands on one.
101
302995
4985
y que harían casi cualquier cosa
por conseguir uno.
por conseguir uno.
Acuérdense,
05:21
You have to keep in mind,
102
309073
2404
los iPhones acababan de salir,
era el 2009,
era el 2009,
05:23
iPhones had just come out, it was 2009,
103
311501
3084
05:26
so this was, like, eight years ago,
104
314609
1885
o sea, hace ocho años,
05:28
and Androids had just started
looking like iPhones.
looking like iPhones.
105
316518
2437
y los Androids se parecían más
a los iPhones.
a los iPhones.
05:30
And a lot of very smart
and realistic people said,
and realistic people said,
106
318979
2507
Y mucha gente inteligente
y realista dijo:
y realista dijo:
05:33
"Those smartphones -- that's just a fad.
107
321510
2207
"Esos teléfonos inteligentes
son una moda pasajera.
son una moda pasajera.
05:36
Who wants to carry around
these heavy things
these heavy things
108
324243
2996
¿Quién quiere estar cargando
esas cosas pesadas
esas cosas pesadas
que se les gastan las baterías y que
se rompen cada vez que se te caen?"
se rompen cada vez que se te caen?"
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
05:44
But I had a lot of data,
110
332793
1201
Pero yo tenía bastantes datos,
05:46
and I was very confident
about my insights,
about my insights,
111
334018
2260
y confiaba en mis ideas,
05:48
so I was very excited
to share them with Nokia.
to share them with Nokia.
112
336302
2829
así que estaba muy entusiasmada
en compartirlas con Nokia.
en compartirlas con Nokia.
Pero en Nokia no estaban convencidos,
05:53
But Nokia was not convinced,
113
341332
2517
porque no era big data.
05:55
because it wasn't big data.
114
343873
2335
Dijeron: "Tenemos millones de datos,
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
no hay ninguna indicación de que alguien
quiera comprar teléfonos inteligentes,
quiera comprar teléfonos inteligentes,
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
y tu lista de 100 datos,
aún siendo diversa, es muy débil
aún siendo diversa, es muy débil
06:10
for us to even take seriously."
118
358133
1714
para tomarla en serio".
Yo les dije: "Nokia, tienen razón,
06:12
And I said, "Nokia, you're right.
119
360908
1605
por supuesto que no ven esto,
06:14
Of course you wouldn't see this,
120
362537
1560
porque Uds. mandan encuestas
suponiendo que la gente no sabe
suponiendo que la gente no sabe
06:16
because you're sending out surveys
assuming that people don't know
assuming that people don't know
121
364121
3371
qué es un teléfono inteligente,
06:19
what a smartphone is,
122
367516
1159
06:20
so of course you're not going
to get any data back
to get any data back
123
368699
2366
así que claro que no van
a obtener ningún resultado
a obtener ningún resultado
06:23
about people wanting to buy
a smartphone in two years.
a smartphone in two years.
124
371089
2572
sobre demanda de teléfonos inteligentes.
06:25
Your surveys, your methods
have been designed
have been designed
125
373685
2118
Sus encuestas, sus métodos
han sido diseñados
han sido diseñados
06:27
to optimize an existing business model,
126
375827
2022
para optimizar el modelo
empresarial existente,
empresarial existente,
06:29
and I'm looking
at these emergent human dynamics
at these emergent human dynamics
127
377873
2608
y yo estoy mirando las dinámicas
humanas emergentes,
humanas emergentes,
06:32
that haven't happened yet.
128
380505
1354
que no han pasado todavía.
06:33
We're looking outside of market dynamics
129
381883
2438
Mirando fuera de las dinámicas del mercado
06:36
so that we can get ahead of it."
130
384345
1631
para poder estar en la vanguardia".
¿Saben que le pasó a Nokia?
06:39
Well, you know what happened to Nokia?
131
387373
2244
La empresa se cayó por un barranco.
06:41
Their business fell off a cliff.
132
389641
2365
Ese es el costo de ignorar algo.
06:44
This -- this is the cost
of missing something.
of missing something.
133
392791
3727
Fue increíble.
06:49
It was unfathomable.
134
397163
1999
Pero Nokia no está sola.
06:52
But Nokia's not alone.
135
400003
1651
Veo organizaciones que desechan
datos todo el tiempo
datos todo el tiempo
06:54
I see organizations
throwing out data all the time
throwing out data all the time
136
402258
2581
06:56
because it didn't come from a quant model
137
404863
2561
porque no vienen de un modelo cuantitativo
06:59
or it doesn't fit in one.
138
407448
1768
o no son compatibles con uno cuantitativo.
Pero no se debe a los
grandes volúmenes de datos.
grandes volúmenes de datos.
07:02
But it's not big data's fault.
139
410219
2048
Es la manera en que los usamos;
nosotros somos los responsables.
nosotros somos los responsables.
07:04
It's the way we use big data;
it's our responsibility.
it's our responsibility.
140
412942
3907
07:09
Big data's reputation for success
141
417730
1911
La reputación exitosa de big data
07:11
comes from quantifying
very specific environments,
very specific environments,
142
419665
3759
se debe a cuantificaciones
en ambientes bastante específicos,
en ambientes bastante específicos,
07:15
like electricity power grids
or delivery logistics or genetic code,
or delivery logistics or genetic code,
143
423448
4913
como redes eléctricas, logística de
distribución, o códigos genéticos,
distribución, o códigos genéticos,
07:20
when we're quantifying in systems
that are more or less contained.
that are more or less contained.
144
428385
4318
cuando el análisis cuantitativo
es de sistemas contenidos.
es de sistemas contenidos.
Pero no todos los sistemas
son contenidos tan organizadamente.
son contenidos tan organizadamente.
07:24
But not all systems
are as neatly contained.
are as neatly contained.
145
432727
2969
07:27
When you're quantifying
and systems are more dynamic,
and systems are more dynamic,
146
435720
3258
Cuando uno cuantifica
sistemas más dinámicos,
sistemas más dinámicos,
07:31
especially systems
that involve human beings,
that involve human beings,
147
439002
3799
especialmente sistemas
que conciernen a seres humanos,
que conciernen a seres humanos,
hay fuerzas complejas e impredecibles,
07:34
forces are complex and unpredictable,
148
442825
2426
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
cosas que no sabemos modelar tan bien.
Y una vez que uno predice algo
sobre la conducta humana,
sobre la conducta humana,
07:41
Once you predict something
about human behavior,
about human behavior,
150
449204
2813
emergen nuevos factores,
07:44
new factors emerge,
151
452041
1855
07:45
because conditions
are constantly changing.
are constantly changing.
152
453920
2365
porque las condiciones
cambian constantemente.
cambian constantemente.
07:48
That's why it's a never-ending cycle.
153
456309
1803
Por eso es un ciclo interminable.
07:50
You think you know something,
154
458136
1464
Uno cree que sabe algo
y aparece algo nuevo.
y aparece algo nuevo.
07:51
and then something unknown
enters the picture.
enters the picture.
155
459624
2242
Por eso es que confiar solo en big data,
07:53
And that's why just relying
on big data alone
on big data alone
156
461890
3322
incrementa la posibilidad
de no ver algo,
de no ver algo,
07:57
increases the chance
that we'll miss something,
that we'll miss something,
157
465236
2849
08:00
while giving us this illusion
that we already know everything.
that we already know everything.
158
468109
3777
y a la vez nos da la ilusión
de saberlo todo.
de saberlo todo.
Lo que hace difícil de ver
esta contradicción,
esta contradicción,
08:04
And what makes it really hard
to see this paradox
to see this paradox
159
472406
3856
08:08
and even wrap our brains around it
160
476286
2659
y hasta de comprenderla,
08:10
is that we have this thing
that I call the quantification bias,
that I call the quantification bias,
161
478969
3691
es algo que se llama
predisposición cuantitativa
predisposición cuantitativa
que significa que inconscientemente
valoramos más lo que podemos medir
valoramos más lo que podemos medir
08:14
which is the unconscious belief
of valuing the measurable
of valuing the measurable
162
482684
3922
08:18
over the immeasurable.
163
486630
1594
que lo que no es medible.
Y muy a menudo tenemos
esta experiencia en el trabajo.
esta experiencia en el trabajo.
08:21
And we often experience this at our work.
164
489222
3284
Quizás tenemos colegas que son así,
08:24
Maybe we work alongside
colleagues who are like this,
colleagues who are like this,
165
492530
2650
08:27
or even our whole entire
company may be like this,
company may be like this,
166
495204
2428
o quizás la empresa es así,
08:29
where people become
so fixated on that number,
so fixated on that number,
167
497656
2546
donde la gente tiene una
fijación con un número,
fijación con un número,
08:32
that they can't see anything
outside of it,
outside of it,
168
500226
2067
y no ve nada más,
aún si tienen las pruebas
en la punta de la nariz.
en la punta de la nariz.
08:34
even when you present them evidence
right in front of their face.
right in front of their face.
169
502317
3948
Y este es un mensaje muy atractivo,
08:39
And this is a very appealing message,
170
507123
3371
08:42
because there's nothing
wrong with quantifying;
wrong with quantifying;
171
510518
2343
porque no hay nada malo en cuantificar;
08:44
it's actually very satisfying.
172
512885
1430
realmente da mucha satisfacción.
08:46
I get a great sense of comfort
from looking at an Excel spreadsheet,
from looking at an Excel spreadsheet,
173
514339
4362
Me causa bienestar ver
una hoja de cálculo Excel,
una hoja de cálculo Excel,
08:50
even very simple ones.
174
518725
1401
hasta las más simples.
08:52
(Laughter)
175
520150
1014
(Risas)
08:53
It's just kind of like,
176
521188
1152
Es así:
"¡Sí, la formula funciona! Todo
está bien. Todo está bajo control".
está bien. Todo está bajo control".
08:54
"Yes! The formula worked. It's all OK.
Everything is under control."
Everything is under control."
177
522364
3504
08:58
But the problem is
178
526792
2390
Pero el problema es
que la cuantificación es adictiva.
09:01
that quantifying is addictive.
179
529206
2661
09:03
And when we forget that
180
531891
1382
Y cuando nos olvidamos de eso
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
y no tenemos un sistema de control,
podemos muy fácilmente desechar datos
09:08
it's very easy to just throw out data
182
536359
2118
09:10
because it can't be expressed
as a numerical value.
as a numerical value.
183
538501
2718
que no se pueden expresar numéricamente.
09:13
It's very easy just to slip
into silver-bullet thinking,
into silver-bullet thinking,
184
541243
2921
Es muy fácil caer en la idea milagrosa,
como si existiera una solución simple.
09:16
as if some simple solution existed.
185
544188
2579
Este es un momento peligroso
para cualquier organización,
para cualquier organización,
09:19
Because this is a great moment of danger
for any organization,
for any organization,
186
547600
4062
09:23
because oftentimes,
the future we need to predict --
the future we need to predict --
187
551686
2634
en muchos casos, el futuro que
predecimos
predecimos
no está en el pajar,
09:26
it isn't in that haystack,
188
554344
2166
09:28
but it's that tornado
that's bearing down on us
that's bearing down on us
189
556534
2538
es un tornado que se nos viene encima
afuera del granero.
09:31
outside of the barn.
190
559096
1488
No hay peor riesgo
09:34
There is no greater risk
191
562960
2326
que no ver lo desconocido.
09:37
than being blind to the unknown.
192
565310
1666
09:39
It can cause you to make
the wrong decisions.
the wrong decisions.
193
567000
2149
Puede causar malas decisiones.
09:41
It can cause you to miss something big.
194
569173
1974
Puede causar que no veas algo importante.
Pero no es necesario
que vayamos por ese camino.
que vayamos por ese camino.
09:43
But we don't have to go down this path.
195
571734
3101
Resulta que el oráculo
de la antigua Grecia
de la antigua Grecia
09:47
It turns out that the oracle
of ancient Greece
of ancient Greece
196
575453
3195
09:50
holds the secret key
that shows us the path forward.
that shows us the path forward.
197
578672
3966
tiene la llave secreta para
enseñarnos el camino hacia adelante.
enseñarnos el camino hacia adelante.
Estudios geológicos recientes
han demostrado
han demostrado
09:55
Now, recent geological research has shown
198
583654
2595
09:58
that the Temple of Apollo,
where the most famous oracle sat,
where the most famous oracle sat,
199
586273
3564
que el Templo de Apolo,
donde estaba el oráculo más famoso,
donde estaba el oráculo más famoso,
10:01
was actually built
over two earthquake faults.
over two earthquake faults.
200
589861
3084
fue construido sobre dos fallas sísmicas;
10:04
And these faults would release
these petrochemical fumes
these petrochemical fumes
201
592969
2886
y estas fallas emiten gases
petroquímicos
petroquímicos
10:07
from underneath the Earth's crust,
202
595879
1685
que están bajo la corteza terrestre,
10:09
and the oracle literally sat
right above these faults,
right above these faults,
203
597588
3866
y que el oráculo estaba literalmente
sentado sobre estas fallas,
sentado sobre estas fallas,
10:13
inhaling enormous amounts
of ethylene gas, these fissures.
of ethylene gas, these fissures.
204
601478
3588
inhalando cantidades inmensas de
gas etileno, por estas grietas.
gas etileno, por estas grietas.
(Risas)
10:17
(Laughter)
205
605090
1008
Es verdad.
10:18
It's true.
206
606122
1173
(Risas)
10:19
(Laughter)
207
607319
1017
Todo es verdad, eso es lo que
la hacía balbucear, alucinar,
la hacía balbucear, alucinar,
10:20
It's all true, and that's what made her
babble and hallucinate
babble and hallucinate
208
608360
3509
10:23
and go into this trance-like state.
209
611893
1724
y entrar en trance.
10:25
She was high as a kite!
210
613641
1770
¡Volar como una cometa!
10:27
(Laughter)
211
615435
4461
(Risas)
(Aplausos)
Entonces cómo...
10:31
So how did anyone --
212
619920
2779
¿Cómo recibió alguien buenos consejos
10:34
How did anyone get
any useful advice out of her
any useful advice out of her
213
622723
3030
de ella en ese estado?
10:37
in this state?
214
625777
1190
Bueno, ¿ven la gente que rodeaba
al oráculo?
al oráculo?
10:39
Well, you see those people
surrounding the oracle?
surrounding the oracle?
215
627497
2381
Toda esa gente que la está sujetando
10:41
You see those people holding her up,
216
629902
1879
10:43
because she's, like, a little woozy?
217
631805
1717
porque está un poquito mareada.
10:45
And you see that guy
on your left-hand side
on your left-hand side
218
633546
2308
Y ¿pueden ver al hombre que
está a su izquierda,
está a su izquierda,
10:47
holding the orange notebook?
219
635878
1598
con un cuaderno anaranjado?
Todos esos eran guías del templo,
10:50
Well, those were the temple guides,
220
638105
1730
10:51
and they worked hand in hand
with the oracle.
with the oracle.
221
639859
3016
y trabajaban mano a mano
con el oráculo.
con el oráculo.
Cuando las personas entraban
y se arrodillaban,
y se arrodillaban,
10:56
When inquisitors would come
and get on their knees,
and get on their knees,
222
644084
2516
los guías se ponían a trabajar,
10:58
that's when the temple guides
would get to work,
would get to work,
223
646624
2340
después que la persona preguntaba,
11:00
because after they asked her questions,
224
648988
1864
observaban su estado emocional,
11:02
they would observe their emotional state,
225
650876
2001
le hacían más preguntas,
11:04
and then they would ask them
follow-up questions,
follow-up questions,
226
652901
2324
como: "¿Por qué quieres saber
esta profecía? ¿Quién eres?
esta profecía? ¿Quién eres?
11:07
like, "Why do you want to know
this prophecy? Who are you?
this prophecy? Who are you?
227
655249
2834
¿Qué vas a hacer con esta información?"
11:10
What are you going to do
with this information?"
with this information?"
228
658107
2264
Y después los guías usaban esta
información, más etnográfica,
información, más etnográfica,
11:12
And then the temple guides would take
this more ethnographic,
this more ethnographic,
229
660395
3182
esta información más cualitativa,
11:15
this more qualitative information,
230
663601
2156
e interpretaban los balbuceos
del oráculo.
del oráculo.
11:17
and interpret the oracle's babblings.
231
665781
2075
Así que el oráculo no estaba solo,
11:21
So the oracle didn't stand alone,
232
669428
2292
y tampoco deberían estarlo
los sistemas de big data.
los sistemas de big data.
11:23
and neither should our big data systems.
233
671744
2148
Ahora, aclaremos,
11:26
Now to be clear,
234
674630
1161
no estoy diciendo que los sistemas
de big data estén inhalando gas
de big data estén inhalando gas
11:27
I'm not saying that big data systems
are huffing ethylene gas,
are huffing ethylene gas,
235
675815
3459
11:31
or that they're even giving
invalid predictions.
invalid predictions.
236
679298
2353
o haciendo malas predicciones.
Al contrario,
11:33
The total opposite.
237
681675
1161
estoy diciendo que
11:34
But what I am saying
238
682860
2068
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
de la misma forma que el oráculo
necesitaba los guías de templo,
necesitaba los guías de templo,
nuestros sistemas de big data
también los necesitan.
también los necesitan.
11:40
our big data systems need them, too.
240
688808
2288
11:43
They need people like ethnographers
and user researchers
and user researchers
241
691120
4109
Necesitan etnógrafos e investigadores
que puedan colectar lo que
yo llamo "datos densos".
yo llamo "datos densos".
11:47
who can gather what I call thick data.
242
695253
2506
Estos preciosos datos humanos,
11:50
This is precious data from humans,
243
698502
2991
como historias, emociones, interacciones
que no se pueden cuantificar.
que no se pueden cuantificar.
11:53
like stories, emotions and interactions
that cannot be quantified.
that cannot be quantified.
244
701517
4102
11:57
It's the kind of data
that I collected for Nokia
that I collected for Nokia
245
705643
2322
Es el tipo de datos que colecté
para Nokia,
para Nokia,
que se obtienen con pocas muestras,
11:59
that comes in in the form
of a very small sample size,
of a very small sample size,
246
707989
2669
pero traen información trascendente.
12:02
but delivers incredible depth of meaning.
247
710682
2955
12:05
And what makes it so thick and meaty
248
713661
3680
Y lo que hace esto tan denso
y sustancioso,
y sustancioso,
es la experiencia de entender
la narrativa humana.
la narrativa humana.
12:10
is the experience of understanding
the human narrative.
the human narrative.
249
718445
4029
12:14
And that's what helps to see
what's missing in our models.
what's missing in our models.
250
722498
3639
Y eso es lo que ayuda a ver lo que hace
falta en nuestros modelos.
falta en nuestros modelos.
12:18
Thick data grounds our business questions
in human questions,
in human questions,
251
726851
4045
Los "datos densos" arraigan nuestras
preguntas de negocios en preguntas humanas
preguntas de negocios en preguntas humanas
y por eso integrando
big data y "datos densos"
big data y "datos densos"
12:22
and that's why integrating
big and thick data
big and thick data
252
730920
3562
12:26
forms a more complete picture.
253
734506
1689
formamos una figura más completa.
12:28
Big data is able to offer
insights at scale
insights at scale
254
736772
2881
Los grandes volúmenes de datos
nos ofrecen ideas en escala,
nos ofrecen ideas en escala,
12:31
and leverage the best
of machine intelligence,
of machine intelligence,
255
739677
2647
sostienen lo mejor de
la inteligencia artificial
la inteligencia artificial
mientras que los "datos densos" nos
ayudan a rescatar el contexto perdido
ayudan a rescatar el contexto perdido
12:34
whereas thick data can help us
rescue the context loss
rescue the context loss
256
742348
3572
que viene del uso de big data
12:37
that comes from making big data usable,
257
745944
2098
y le saca provecho a lo mejor
de la inteligencia humana.
de la inteligencia humana.
12:40
and leverage the best
of human intelligence.
of human intelligence.
258
748066
2181
12:42
And when you actually integrate the two,
that's when things get really fun,
that's when things get really fun,
259
750271
3552
Y cuando se integra ambas cosas,
la cosa se pone divertida,
la cosa se pone divertida,
porque uno ya no trabaja solo con datos
12:45
because then you're no longer
just working with data
just working with data
260
753847
2436
que ha recolectado.
12:48
you've already collected.
261
756307
1196
También trabaja con datos
que nunca ha recolectado.
que nunca ha recolectado.
12:49
You get to also work with data
that hasn't been collected.
that hasn't been collected.
262
757527
2737
Puede hacer preguntas como ¿por qué?
12:52
You get to ask questions about why:
263
760288
1719
12:54
Why is this happening?
264
762031
1317
¿Por qué está pasando esto?
Ahora, cuando Netflix hizo esto,
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
desencadenó una nueva manera
de transformar su negocio.
de transformar su negocio.
13:01
Netflix is known for their really great
recommendation algorithm,
recommendation algorithm,
267
769406
3956
Netflix es conocido por su excelente
algoritmo de recomendaciones,
algoritmo de recomendaciones,
13:05
and they had this $1 million prize
for anyone who could improve it.
for anyone who could improve it.
268
773386
4797
y tenía un premio de USD 1 millón
para cualquiera que lo pudiera mejorar.
para cualquiera que lo pudiera mejorar.
Y hubo ganadores.
13:10
And there were winners.
269
778207
1314
Pero Netflix descubrió que las mejoras
eran solo graduales.
eran solo graduales.
13:12
But Netflix discovered
the improvements were only incremental.
the improvements were only incremental.
270
780255
4323
Para realmente enterarse
de lo que pasaba,
de lo que pasaba,
13:17
So to really find out what was going on,
271
785404
1964
13:19
they hired an ethnographer,
Grant McCracken,
Grant McCracken,
272
787392
3741
contrataron a un etnógrafo,
Grant McCracken,
Grant McCracken,
para compilar inferencias
de "datos densos".
de "datos densos".
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
Y Grant descubrió algo
que no vieron inicialmente
que no vieron inicialmente
13:28
in the quantitative data.
275
796675
1355
en los datos cuantitativos.
Descubrió que a la gente
le encanta mirar de una sentada.
le encanta mirar de una sentada.
13:31
He discovered that people loved
to binge-watch.
to binge-watch.
276
799072
2728
13:33
In fact, people didn't even
feel guilty about it.
feel guilty about it.
277
801824
2353
Tanto es así que las personas
ni se sentían culpables.
ni se sentían culpables.
Disfrutaban.
13:36
They enjoyed it.
278
804201
1255
(Risas)
13:37
(Laughter)
279
805480
1026
Así que Netflix dijo: "Ah, esto es nuevo".
13:38
So Netflix was like,
"Oh. This is a new insight."
"Oh. This is a new insight."
280
806530
2356
Incluyeron al equipo de análisis de datos,
13:40
So they went to their data science team,
281
808910
1938
13:42
and they were able to scale
this big data insight
this big data insight
282
810872
2318
y lograron incluir estos hallazgos
de los datos densos
de los datos densos
13:45
in with their quantitative data.
283
813214
2587
con los datos cuantitativos.
13:47
And once they verified it
and validated it,
and validated it,
284
815825
3170
Y una vez que lo verificaron y validaron,
13:51
Netflix decided to do something
very simple but impactful.
very simple but impactful.
285
819019
4761
Netflix decidió hacer algo muy
simple pero con mucho impacto.
simple pero con mucho impacto.
Dijeron: "En vez de ofrecer
series de diferentes géneros
series de diferentes géneros
13:56
They said, instead of offering
the same show from different genres
the same show from different genres
286
824834
6492
o más variedad de series
a usuarios similares,
a usuarios similares,
14:03
or more of the different shows
from similar users,
from similar users,
287
831350
3888
vamos a ofrecer más de la misma serie.
14:07
we'll just offer more of the same show.
288
835262
2554
Les vamos a facilitar
ver series de una sentada.
ver series de una sentada.
14:09
We'll make it easier
for you to binge-watch.
for you to binge-watch.
289
837840
2105
14:11
And they didn't stop there.
290
839969
1486
Y no pararon allí.
Hicieron todo esto
14:13
They did all these things
291
841479
1474
14:14
to redesign their entire
viewer experience,
viewer experience,
292
842977
2959
para rediseñar la experiencia
completa de los espectadores,
completa de los espectadores,
14:17
to really encourage binge-watching.
293
845960
1758
para fomentar los atracones de series.
14:20
It's why people and friends disappear
for whole weekends at a time,
for whole weekends at a time,
294
848230
3241
Por eso es que la gente y los amigos
se desaparecen por fines de semanas,
se desaparecen por fines de semanas,
14:23
catching up on shows
like "Master of None."
like "Master of None."
295
851495
2343
están mirando shows como
Dueño de nadie.
Dueño de nadie.
14:25
By integrating big data and thick data,
they not only improved their business,
they not only improved their business,
296
853862
4173
Al integrar big data con "datos densos",
no solo mejoraron su negocio,
no solo mejoraron su negocio,
14:30
but they transformed how we consume media.
297
858059
2812
sino que transformaron la manera
de consumo de la audiencia.
de consumo de la audiencia.
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
Ahora proyectan duplicar el valor
de sus acciones en los próximos años.
de sus acciones en los próximos años.
Pero esto no solo se trata
de cómo consumimos programación,
de cómo consumimos programación,
14:38
But this isn't just about
watching more videos
watching more videos
299
866280
3830
o vendemos más teléfonos inteligentes.
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
Para algunos, la integración de ideas
de "datos densos" a los algoritmos
de "datos densos" a los algoritmos
14:48
could mean life or death,
302
876217
2263
puede significar algo de vida o muerte,
14:50
especially for the marginalized.
303
878504
2146
especialmente para los marginados.
En todo el país, las comisarías
están usando big data
están usando big data
14:53
All around the country,
police departments are using big data
police departments are using big data
304
881738
3434
14:57
for predictive policing,
305
885196
1963
para predecir dónde patrullar;
14:59
to set bond amounts
and sentencing recommendations
and sentencing recommendations
306
887183
3084
para determinar las fianzas
y las sentencias
y las sentencias
15:02
in ways that reinforce existing biases.
307
890291
3147
en maneras que refuerzan
prejuicios existentes.
prejuicios existentes.
El algoritmo "Skynet" de la
Agencia Nacional de Seguridad
Agencia Nacional de Seguridad
15:06
NSA's Skynet machine learning algorithm
308
894296
2423
15:08
has possibly aided in the deaths
of thousands of civilians in Pakistan
of thousands of civilians in Pakistan
309
896743
5444
quizá haya contribuido a
miles de muertes de civiles
miles de muertes de civiles
en Pakistán por malinterpretar
metadatos de aparatos móviles.
metadatos de aparatos móviles.
15:14
from misreading cellular device metadata.
310
902211
2721
15:19
As all of our lives become more automated,
311
907131
3403
Mientras más automatizadas nuestras vidas,
desde automóviles hasta
seguro médico o empleo,
seguro médico o empleo,
15:22
from automobiles to health insurance
or to employment,
or to employment,
312
910558
3080
es probable que a todos
15:25
it is likely that all of us
313
913662
2350
15:28
will be impacted
by the quantification bias.
by the quantification bias.
314
916036
2989
nos afecte la parcialidad
hacia la cuantificación.
hacia la cuantificación.
Las buenas noticias son que
hemos progresado mucho
hemos progresado mucho
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
15:35
from huffing ethylene gas
to make predictions.
to make predictions.
316
923617
2450
desde que aspirábamos gases
para hacer predicciones.
para hacer predicciones.
15:38
We have better tools,
so let's just use them better.
so let's just use them better.
317
926091
3070
Tenemos mejores herramientas,
o sea que usémoslas mejor.
o sea que usémoslas mejor.
Integremos big data
con los "datos densos",
con los "datos densos",
15:41
Let's integrate the big data
with the thick data.
with the thick data.
318
929185
2323
Unamos a los guías del templo
con los oráculos,
con los oráculos,
15:43
Let's bring our temple guides
with the oracles,
with the oracles,
319
931532
2261
15:45
and whether this work happens
in companies or nonprofits
in companies or nonprofits
320
933817
3376
y ya sea que lo hagamos en empresas
u organizaciones sin fines de lucro
u organizaciones sin fines de lucro
15:49
or government or even in the software,
321
937217
2469
en gobiernos o en el software,
15:51
all of it matters,
322
939710
1792
todo es importante,
porque significa que colectivamente
estamos comprometidos
estamos comprometidos
15:53
because that means
we're collectively committed
we're collectively committed
323
941526
3023
15:56
to making better data,
324
944573
2191
a crear mejores datos,
15:58
better algorithms, better outputs
325
946788
1836
algoritmos, resultados,
y a tomar mejores decisiones.
16:00
and better decisions.
326
948648
1643
16:02
This is how we'll avoid
missing that something.
missing that something.
327
950315
3558
Así evitaremos perdernos algo.
(Aplausos)
16:07
(Applause)
328
955222
3948
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