TED Salon Brightline Initiative
Dao Nguyen: What makes something go viral?
Dao Nguyen: ¿Qué hace que algo se vuelva viral?
Filmed:
Readability: 3.6
1,432,741 views
¿Cuál es el secreto para hacer que un contenido resulte atractivo? Dao Nguyen, publicista de BuzzFeed, explica cómo su equipo crea sus tentadores concursos, listas y videos, y muestra la manera en que han desarrollado un sistema para entender cómo la gente usa contenidos para conectarse y crear cultura.
Dao Nguyen - Media analytics expert
As Publisher of BuzzFeed, Dao Nguyen thinks about how media spreads online and the technology and data that publishers can use to understand why. Full bio
As Publisher of BuzzFeed, Dao Nguyen thinks about how media spreads online and the technology and data that publishers can use to understand why. Full bio
Double-click the English transcript below to play the video.
00:12
Last year, some BuzzFeed
employees were scheming
employees were scheming
0
841
3569
El año pasado, algunos empleados
de BuzzFeed tramaron
de BuzzFeed tramaron
00:16
to prank their boss, Ze Frank,
1
4434
2330
tomar el pelo a su jefe, Ze Frank,
00:19
on his birthday.
2
7415
1242
en su cumpleaños.
00:21
They decided to put a family
of baby goats in his office.
of baby goats in his office.
3
9319
4204
Decidieron poner una familia
de cabritos en su oficina.
de cabritos en su oficina.
00:25
(Laughter)
4
13547
1405
(Risas)
00:26
Now, BuzzFeed had recently signed on
to the Facebook Live experiment,
to the Facebook Live experiment,
5
14976
4421
BuzzFeed había iniciado recientemente
el experimento de Facebook Live
el experimento de Facebook Live
00:31
and so naturally,
6
19421
1371
y, naturalmente,
00:32
we decided to livestream
the whole event on the internet
the whole event on the internet
7
20816
3882
decidimos transmitir en vivo
todo el evento en Internet
todo el evento en Internet
00:36
to capture the moment
when Ze would walk in
when Ze would walk in
8
24722
3300
para capturar el momento
en que Ze entrara
en que Ze entrara
00:40
and discover livestock in his office.
9
28046
2962
y descubriera los animales en su oficina.
00:44
We thought the whole thing
would last maybe 10 minutes,
would last maybe 10 minutes,
10
32019
3164
Pensamos que todo duraría
tal vez 10 minutos.
tal vez 10 minutos.
00:47
and a few hundred company employees
would log in for the inside joke.
would log in for the inside joke.
11
35207
4524
Cientos de colegas se conectarían
para ver la broma interna.
para ver la broma interna.
00:52
But what happened?
12
40132
1263
¿Pero qué pasó?
00:53
They kept on getting delayed:
13
41977
1718
La espera se iba dilatando:
00:55
he went to get a drink,
14
43719
1486
él fue a tomar algo,
00:57
he was called to a meeting,
15
45229
1448
lo llamaron a una reunión,
00:58
the meeting ran long,
16
46701
1743
la reunión se alargó,
01:00
he went to the bathroom.
17
48468
1165
él fue al baño.
01:01
More and more people
started logging in to watch the goats.
started logging in to watch the goats.
18
49657
4220
Cada vez más personas iniciaban
sesión para observar las cabras.
sesión para observar las cabras.
01:06
By the time Ze walked in
more than 30 minutes later,
more than 30 minutes later,
19
54493
4013
Para cuando Ze entró
más de 30 minutos después,
más de 30 minutos después,
01:10
90,000 viewers were watching
the livestream.
the livestream.
20
58530
5106
90 000 espectadores estaban viendo
la transmisión en vivo.
la transmisión en vivo.
01:16
Now, our team had a lot
of discussion about this video
of discussion about this video
21
64601
3957
Nuestro equipo debatió mucho
sobre este video
sobre este video
01:20
and why it was so successful.
22
68582
1976
y por qué fue tan exitoso.
01:22
It wasn't the biggest live video
that we had done to date.
that we had done to date.
23
70582
2876
No fue el mejor video en vivo
que habíamos hecho hasta la fecha.
que habíamos hecho hasta la fecha.
01:25
The biggest one that we had done
involved a fountain of cheese.
involved a fountain of cheese.
24
73482
3642
El mejor que habíamos hecho
incorporaba una fuente de queso.
incorporaba una fuente de queso.
01:30
But it performed so much better
than we had expected.
than we had expected.
25
78063
3825
Pero funcionó mucho mejor
de lo que esperábamos.
de lo que esperábamos.
01:33
What was it about the goats in the office
that we didn't anticipate?
that we didn't anticipate?
26
81912
4263
¿Qué fue lo que previmos
con este video de las cabras?
con este video de las cabras?
01:38
Now, a reasonable person could have
any number of hypotheses.
any number of hypotheses.
27
86781
4058
Una persona con sentido común
tendría varias hipótesis.
tendría varias hipótesis.
Tal vez que a la gente
le encantan los animales bebé.
le encantan los animales bebé.
01:42
Maybe people love baby animals.
28
90863
2418
Tal vez le encantan
las bromas de oficina.
las bromas de oficina.
01:45
Maybe people love office pranks.
29
93751
1724
01:47
Maybe people love stories
about their bosses
about their bosses
30
95499
2745
Tal vez le encantan
las historias sobre sus jefes
las historias sobre sus jefes
01:50
or birthday surprises.
31
98268
1533
o las sorpresas de cumpleaños.
01:52
But our team wasn't really thinking
about what the video was about.
about what the video was about.
32
100382
3700
Pero nuestro equipo no pensaba
en el contenido del video,
en el contenido del video,
01:56
We were thinking about
33
104106
1272
sino en lo que pensaban
y sentían quienes lo veían.
y sentían quienes lo veían.
01:57
what the people watching the video
were thinking and feeling.
were thinking and feeling.
34
105402
4076
02:01
We read some of the 82,000 comments
that were made during the video,
that were made during the video,
35
109502
4783
Leímos algunos de los 82 000 comentarios
enviados durante el video,
enviados durante el video,
02:06
and we hypothesized that they were excited
36
114309
3792
y supusimos que estaban emocionados
02:10
because they were participating
in the shared anticipation
in the shared anticipation
37
118125
3174
porque participaban
de la expectativa compartida
de la expectativa compartida
02:13
of something that was about to happen.
38
121323
2730
por algo que estaba a punto de suceder.
02:16
They were part of a community,
just for an instant,
just for an instant,
39
124077
3212
Eran parte de una comunidad,
solo por un instante,
solo por un instante,
02:19
and it made them happy.
40
127313
1353
y eso les hizo felices.
02:21
So we decided that we needed
to test this hypothesis.
to test this hypothesis.
41
129102
3344
Y decidimos que necesitábamos
probar esta hipótesis.
probar esta hipótesis.
02:24
What could we do to test
this very same thing?
this very same thing?
42
132793
3482
¿Qué podíamos hacer
para probar esto mismo?
para probar esto mismo?
02:28
The following week,
43
136995
1391
La semana siguiente,
armados con el conocimiento adicional
02:30
armed with the additional knowledge
that food videos are very popular,
that food videos are very popular,
44
138410
4675
de que los videos de comida
son muy populares,
son muy populares,
02:35
we dressed two people in hazmat suits
45
143109
3571
vestimos a dos personas
con trajes de materiales peligrosos
con trajes de materiales peligrosos
02:38
and wrapped rubber bands
around a watermelon until it exploded.
around a watermelon until it exploded.
46
146704
4261
y envolvimos una sandía con bandas
de goma hasta hacerla reventar.
de goma hasta hacerla reventar.
02:42
(Laughter)
47
150989
1581
(Risas)
02:44
Eight hundred thousand people watched
48
152889
3372
Pues bien, 800 mil personas observaron
02:48
the 690th rubber band
explode the watermelon,
explode the watermelon,
49
156285
4031
cómo la goma número 690 reventó la sandía,
02:52
marking it as the biggest
Facebook Live event to date.
Facebook Live event to date.
50
160340
3453
marcándolo como el mayor evento
de Facebook Live hasta la fecha.
de Facebook Live hasta la fecha.
02:56
The question I get most frequently is:
51
164483
2610
La pregunta que me hacen
con más frecuencia es:
con más frecuencia es:
02:59
How do you make something go viral?
52
167117
1833
¿Cómo haces que algo se vuelva viral?
03:01
The question itself is misplaced;
53
169713
2206
La pregunta en sí está fuera de lugar;
03:03
it's not about the something.
54
171943
1693
no se trata de algo.
03:05
It's about what the people
doing the something,
doing the something,
55
173660
3297
Se trata de lo que piensan las personas
que leen o miran ese "algo".
que leen o miran ese "algo".
03:08
reading or watching --
56
176981
1203
03:10
what are they thinking?
57
178208
1280
03:11
Now, most media companies,
when they think about metadata,
when they think about metadata,
58
179841
3346
Cuando la mayoría de las compañías
de medios piensan en metadatos,
de medios piensan en metadatos,
03:15
they think about subjects or formats.
59
183211
2383
piensan en temas o formatos.
03:18
It's about goats,
60
186412
1150
Se trata de cabras,
03:19
it's about office pranks,
61
187586
1776
se trata de bromas de oficina,
03:21
it's about food,
62
189386
1297
se trata de comida,
es una lista o un video
o un cuestionario,
o un cuestionario,
03:22
it's a list or a video or a quiz,
63
190707
1854
03:24
it's 2,000 words long,
64
192585
1259
tiene 2000 palabras,
03:25
it's 15 minutes long,
65
193868
1153
dura 15 minutos,
03:27
it has 23 embedded tweets or 15 images.
66
195045
3122
tiene 23 tuits integrados o 15 imágenes.
03:30
Now, that kind of metadata
is mildly interesting,
is mildly interesting,
67
198191
3012
Ese tipo de metadatos es
medianamente interesante,
medianamente interesante,
03:33
but it doesn't actually get at
what really matters.
what really matters.
68
201227
2966
pero en realidad no es
lo que realmente importa.
lo que realmente importa.
03:36
What if, instead of tagging
what articles or videos are about,
what articles or videos are about,
69
204217
4158
¿Qué tal si, en lugar de etiquetar
de qué van los artículos o videos,
de qué van los artículos o videos,
preguntamos otra cosa?
03:40
what if we asked:
70
208399
1190
03:41
How is it helping our users
do a real job in their lives?
do a real job in their lives?
71
209613
3553
"¿Cómo ayudar a nuestros usuarios
a hacer una tarea en la vida real?"
a hacer una tarea en la vida real?"
03:46
Last year, we started a project
72
214173
2820
El año pasado comenzamos un proyecto
03:49
to formally categorize
our content in this way.
our content in this way.
73
217017
2932
para categorizar formalmente
nuestro contenido de esa manera.
nuestro contenido de esa manera.
03:51
We called it, "cultural cartography."
74
219973
2747
Lo llamamos "cartografía cultural".
03:55
It formalized an informal practice
that we've had for a really long time:
that we've had for a really long time:
75
223720
4002
Formaliza una práctica informal que
hemos tenido mucho tiempo:
hemos tenido mucho tiempo:
03:59
don't just think about the subject matter;
76
227746
2226
no solo piensen en el tema;
04:01
think also about, and in fact,
primarily about,
primarily about,
77
229996
3168
piensen, principalmente,
04:05
the job that your content is doing
for the reader or the viewer.
for the reader or the viewer.
78
233188
3739
en el efecto que ese contenido tiene
en el lector o el espectador.
en el lector o el espectador.
04:09
Let me show you the map
that we have today.
that we have today.
79
237450
2506
Déjenme mostrarles
el esquema que tenemos hoy.
el esquema que tenemos hoy.
04:11
Each bubble is a specific job,
80
239980
2842
Cada burbuja es una situación específica,
04:14
and each group of bubbles
in a specific color are related jobs.
in a specific color are related jobs.
81
242846
4770
y cada grupo de burbujas del mismo color
son situaciones relacionadas.
son situaciones relacionadas.
04:19
First up: humor.
82
247640
1478
Primero: humor.
04:21
"Makes me laugh."
83
249918
1161
"Me hace reír".
04:23
There are so many ways
to make somebody laugh.
to make somebody laugh.
84
251103
2788
Hay muchas maneras
de hacer reír a alguien.
de hacer reír a alguien.
Puedes estar riéndote de alguien,
04:25
You can be laughing at someone,
85
253915
1517
puedes reírte del
humor específico de Internet,
humor específico de Internet,
04:27
you could laugh
at specific internet humor,
at specific internet humor,
86
255456
2155
04:29
you could be laughing at some good,
clean, inoffensive dad jokes.
clean, inoffensive dad jokes.
87
257635
3392
puedes reírte de algún buen
chiste, ingenuo e inofensivo.
chiste, ingenuo e inofensivo.
04:33
"This is me." Identity.
88
261706
2300
"Este soy yo". Identidad.
04:36
People are increasingly using media
to explain, "This is who I am.
to explain, "This is who I am.
89
264030
3808
La gente usa cada vez más los medios
para explicar: "Esto es lo que soy.
para explicar: "Esto es lo que soy.
04:39
This is my upbringing, this is my culture,
90
267862
2199
Esta es mi educación, esta es mi cultura,
04:42
this is my fandom,
this is my guilty pleasure,
this is my guilty pleasure,
91
270085
2338
esta es mi pasión,
este es mi placer oculto,
este es mi placer oculto,
04:44
and this is how I laugh about myself."
92
272447
2183
y así es como me río de mí mismo".
"Me ayuda a conectarme con otra persona".
04:48
"Helps me connect with another person."
93
276600
1882
04:50
This is one of the greatest
gifts of the internet.
gifts of the internet.
94
278506
2411
Este es uno de
los mejores regalos de Internet.
los mejores regalos de Internet.
04:52
It's amazing when you find
a piece of media
a piece of media
95
280941
2191
Es increíble cuando encuentras un medio
04:55
that precisely describes
your bond with someone.
your bond with someone.
96
283156
2532
que describe con precisión
tu vínculo con alguien.
tu vínculo con alguien.
Este es el grupo de situaciones
que me ayuda a hacer algo:
que me ayuda a hacer algo:
04:59
This is the group of jobs
that helps me do something --
that helps me do something --
97
287020
2598
05:01
helps me settle an argument,
98
289642
1377
me ayuda a resolver una discusión,
05:03
helps me learn something
about myself or another person,
about myself or another person,
99
291043
2673
me ayuda a aprender algo
sobre mí o sobre otra persona,
sobre mí o sobre otra persona,
05:05
or helps me explain my story.
100
293740
1856
o me ayuda a explicar mi historia.
05:07
This is the group of jobs
that makes me feel something --
that makes me feel something --
101
295620
2689
Este es el grupo de situaciones
que me hace sentir algo,
que me hace sentir algo,
05:10
makes me curious or sad
or restores my faith in humanity.
or restores my faith in humanity.
102
298333
3157
despierta mi curiosidad o me pone triste
o me devuelve la fe en la humanidad.
o me devuelve la fe en la humanidad.
05:13
Many media companies
and creators do put themselves
and creators do put themselves
103
301514
3719
Muchas compañías de medios
y creativos se ponen
y creativos se ponen
05:17
in their audiences' shoes.
104
305257
1468
en la piel de su grupo objetivo.
05:18
But in the age of social media,
we can go much farther.
we can go much farther.
105
306749
2704
Pero en la era de las redes sociales,
podemos ir mucho más allá.
podemos ir mucho más allá.
05:22
People are connected to each other
on Facebook, on Twitter,
on Facebook, on Twitter,
106
310056
4062
Las personas están conectadas
entre sí en Facebook, en Twitter,
entre sí en Facebook, en Twitter,
05:26
and they're increasingly using media
to have a conversation
to have a conversation
107
314142
4263
y cada vez usan más los medios
para tener una conversación
para tener una conversación
05:30
and to talk to each other.
108
318429
1454
y hablarse.
05:31
If we can be a part of establishing
a deeper connection between two people,
a deeper connection between two people,
109
319907
5836
Si contribuimos a establecer
una conexión más profunda
entre dos personas,
entre dos personas,
05:37
then we will have done
a real job for these people.
a real job for these people.
110
325767
3189
entonces habremos ayudado
a estas personas.
a estas personas.
Déjenme darles algunos ejemplos
de cómo funciona esto.
de cómo funciona esto.
05:41
Let me give you some examples
of how this plays out.
of how this plays out.
111
329394
2589
05:44
This is one of my favorite lists:
112
332578
1891
Esta es una de mis listas favoritas:
05:46
"32 Memes You Should
Send Your Sister Immediately" --
Send Your Sister Immediately" --
113
334493
3303
"Debes enviar 32 memes
a tu hermana inmediatamente".
a tu hermana inmediatamente".
05:49
immediately.
114
337820
1302
Inmediatamente.
Por ejemplo, "Cuando estás husmeando
en las cosas de tu hermana,
en las cosas de tu hermana,
05:51
For example, "When you're going
through your sister's stuff,
through your sister's stuff,
115
339583
3104
05:54
and you hear her coming up the stairs."
116
342711
1979
y la oyes subir las escaleras".
05:56
Absolutely, I've done that.
117
344714
1790
He hecho eso.
05:58
"Watching your sister get in trouble
for something that you did
for something that you did
118
346528
3155
"Ver a tu hermana meterse
en problemas por algo que hiciste
en problemas por algo que hiciste
06:01
and blamed on her."
119
349707
1192
y la culpaste a ella".
06:02
Yes, I've done that as well.
120
350923
1608
Sí, he hecho eso también.
06:04
This list got three million views.
121
352555
1799
Esta lista tiene tres millones de visitas.
06:06
Why is that?
122
354378
1165
¿Por qué?
06:07
Because it did, very well, several jobs:
123
355567
2976
Porque generó varias reacciones:
06:10
"This is us."
124
358567
1520
"Estos somos nosotros."
"Me identifica con la familia".
06:12
"Connect with family."
125
360111
1265
06:13
"Makes me laugh."
126
361400
1181
"Me hace reír".
06:14
Here are some of the thousands
and thousands of comments
and thousands of comments
127
362605
3134
Estos son algunos de los miles
y miles de comentarios
y miles de comentarios
06:17
that sisters sent to each other
using this list.
using this list.
128
365763
2849
enviados entre hermanas,
usando esta lista.
usando esta lista.
06:21
Sometimes we discover
what jobs do after the fact.
what jobs do after the fact.
129
369508
3511
A veces descubrimos qué reacciones
surgen después del hecho.
surgen después del hecho.
06:25
This quiz, "Pick an Outfit and We'll Guess
Your Exact Age and Height,"
Your Exact Age and Height,"
130
373592
5138
Este cuestionario, "Elige un atuendo y
adivinaremos tu edad y altura exactas"
adivinaremos tu edad y altura exactas"
06:30
went very viral: 10 million views.
131
378754
2063
fue muy viral: 10 millones de visitas.
Diez millones de visitas.
06:32
Ten million views.
132
380841
1176
06:34
I mean -- did we actually determine
the exact age and height
the exact age and height
133
382041
4526
Quiero decir, ¿realmente determinamos
la edad y la altura exactas
la edad y la altura exactas
06:38
of 10 million people?
134
386591
1584
de 10 millones de personas?
06:40
That's incredible. It's incredible.
135
388199
2262
Eso es increíble, realmente.
06:42
In fact, we didn't.
136
390485
1244
De hecho, no lo hicimos.
06:43
(Laughter)
137
391753
1129
(Risas)
06:44
Turns out that this quiz
went extremely viral
went extremely viral
138
392906
4093
Resulta que esta prueba
fue extremadamente viral
fue extremadamente viral
06:49
among a group of 55-and-up women --
139
397023
3563
entre un grupo de mujeres
de 55 años y más,
de 55 años y más,
06:52
(Laughter)
140
400610
1172
(Risas)
06:53
who were surprised and delighted
141
401806
3649
quienes estaban sorprendidas y encantadas
06:57
that BuzzFeed determined
that they were 28 and 5'9".
that they were 28 and 5'9".
142
405479
5718
de que BuzzFeed les diera
28 años y 1,80 m de altura.
28 años y 1,80 m de altura.
07:03
(Laughter)
143
411221
1610
(Risas)
07:04
"They put me at 34 years younger
and seven inches taller.
and seven inches taller.
144
412855
3208
"Me pusieron 34 años más joven
y 18 cm más alta.
y 18 cm más alta.
07:08
I dress for comfort and do not give
a damn what anyone says.
a damn what anyone says.
145
416087
2948
Me visto para mi comodidad y
no me importa lo que digan.
no me importa lo que digan.
07:11
Age is a state of mind."
146
419059
1779
La edad es un estado mental".
07:12
This quiz was successful
not because it was accurate,
not because it was accurate,
147
420862
3050
Esta prueba fue exitosa
no porque fuera precisa,
no porque fuera precisa,
07:15
but because it allowed these ladies
to do a very important job --
to do a very important job --
148
423936
4054
sino porque permitió a estas mujeres
expresar una emoción importante
expresar una emoción importante
07:20
the humblebrag.
149
428014
1204
-- la de falsa modestia.
07:22
Now, we can even apply
this framework to recipes and food.
this framework to recipes and food.
150
430478
4983
Incluso podemos aplicar este patrón
a recetas y alimentos.
a recetas y alimentos.
07:27
A recipe's normal job is to tell you
what to make for dinner or for lunch.
what to make for dinner or for lunch.
151
435887
5573
El objeto normal de una receta es decir
qué preparar para la cena o el almuerzo.
qué preparar para la cena o el almuerzo.
07:34
And this is how you would normally
brainstorm for a recipe:
brainstorm for a recipe:
152
442205
3408
Y así es como normalmente
ordenamos las ideas para una receta:
ordenamos las ideas para una receta:
07:37
you figure out what ingredients
you want to use,
you want to use,
153
445637
2323
averiguas qué ingredientes quieres usar,
07:39
what recipe that makes,
154
447984
1168
qué receta hacer,
07:41
and then maybe you slap a job on
at the end to sell it.
at the end to sell it.
155
449176
3245
y luego tal vez logres una tarea
para venderlo al final.
para venderlo al final.
07:44
But what if we flipped it around
and thought about the job first?
and thought about the job first?
156
452445
4367
¿Pero qué pasaría si lo invertimos y
pensáramos primero en la tarea?
pensáramos primero en la tarea?
07:49
One brainstorming session
involved the job of bonding.
involved the job of bonding.
157
457730
4665
Una sesión de intercambio de ideas
incluyó la tarea de vincularse.
incluyó la tarea de vincularse.
07:54
So, could we make a recipe
that brought people together?
that brought people together?
158
462976
4300
¿Podríamos hacer una receta
que reuniera a las personas?
que reuniera a las personas?
07:59
This is not a normal brainstorming
process at a food publisher.
process at a food publisher.
159
467300
4421
No es el típico proceso de tormenta
de ideas en un editor de alimentos.
de ideas en un editor de alimentos.
08:05
So we know that people
like to bake together,
like to bake together,
160
473532
2715
Y sabemos que a las personas
les gusta cocinar juntas
les gusta cocinar juntas
08:08
and we know that people
like to do challenges together,
like to do challenges together,
161
476271
3285
y acometer desafíos juntas,
08:11
so we decided to come up with a recipe
that involved those two things,
that involved those two things,
162
479580
4733
así que decidimos crear una receta
que involucrara esas dos cosas,
que involucrara esas dos cosas,
08:16
and we challenged ourselves:
163
484337
1911
y nos desafiamos a nosotros mismos:
08:18
Could we get people to say,
164
486272
1806
¿Podríamos hacer que la gente dijera,
08:20
"Hey, BFF, let's see
if we can do this together"?
if we can do this together"?
165
488102
4086
"BFF, veamos si podemos
hacer esto juntos".
hacer esto juntos".
El video resultante fue "Fudgiest Brownies
Ever" [los brownies más exquisitos].
Ever" [los brownies más exquisitos].
08:24
The resulting video was
the "Fudgiest Brownies Ever" video.
the "Fudgiest Brownies Ever" video.
166
492807
3335
08:28
It was enormously successful
in every metric possible --
in every metric possible --
167
496166
2924
Fue enormemente exitoso
desde todos los parámetros posibles:
desde todos los parámetros posibles:
08:31
70 million views.
168
499114
1364
70 millones de visitas.
08:32
And people said the exact things
that we were going after:
that we were going after:
169
500935
3700
Y la gente dijo exactamente
lo que estábamos buscando:
lo que estábamos buscando:
08:36
"Hey, Colette, we need to make these,
are you up for a challenge?"
are you up for a challenge?"
170
504659
3100
"Colette, tenemos que hacer esto,
¿estás lista para un desafío?"
¿estás lista para un desafío?"
08:39
"Game on."
171
507783
1153
"¡A jugar!"
08:40
It did the job that it set out to do,
172
508960
2270
Cumplió el objetivo propuesto
08:43
which was to bring people together
over baking and chocolate.
over baking and chocolate.
173
511254
4116
que era unir a la gente con la excusa
del horneado y el chocolate.
del horneado y el chocolate.
08:49
I'm really excited about
the potential for this project.
the potential for this project.
174
517294
3924
Estoy muy entusiasmada
con el potencial de este proyecto.
con el potencial de este proyecto.
Cuando hablamos de este esquema
con nuestros creadores de contenido,
con nuestros creadores de contenido,
08:53
When we talk about this framework
with our content creators,
with our content creators,
175
521242
3142
08:56
they instantly get it,
176
524408
1165
lo entienden al instante,
08:57
no matter what beat they cover,
what country they’re in,
what country they’re in,
177
525597
2733
no importa el tema que cubran,
en qué país están,
en qué país están,
09:00
or what language they speak.
178
528354
1365
o qué idioma hablan.
09:01
So cultural cartography has helped us
massively scale our workforce training.
massively scale our workforce training.
179
529743
4377
Y la cartografía cultural nos ha ayudado
a aumentar notablemente
nuestra capacitación laboral.
nuestra capacitación laboral.
09:06
When we talk about this project
and this framework
and this framework
180
534621
3650
Cuando hablamos
de este proyecto y este esquema
de este proyecto y este esquema
09:10
with advertisers and brands,
181
538295
1372
con anunciantes y marcas,
09:11
they also instantly get it,
182
539691
1578
también lo comprenden al instante,
09:13
because advertisers,
more often than media companies,
more often than media companies,
183
541293
5626
porque los anunciantes, más a menudo
que las compañías de medios,
que las compañías de medios,
09:18
understand how important it is
to understand the job
to understand the job
184
546943
3522
saben lo importante que es
entender el efecto
entender el efecto
09:22
that their products
are doing for customers.
are doing for customers.
185
550489
2446
que sus productos causan en los clientes.
09:26
But the reason I'm the most excited
about this project
about this project
186
554580
3743
Pero lo que más me entusiasma
de este proyecto
de este proyecto
09:30
is because it changes the relationship
between media and data.
between media and data.
187
558347
3871
es que cambia la relación
entre los medios y los datos.
entre los medios y los datos.
09:35
Most media companies
think of media as "mine."
think of media as "mine."
188
563051
3434
La mayoría de las compañías de medios
piensan en los medios como "míos".
piensan en los medios como "míos".
09:39
How many fans do I have?
189
567547
1207
¿Cuántos fans tengo?
09:40
How many followers have I gained?
190
568778
1597
¿Cuántos seguidores he ganado?
09:42
How many views have I gotten?
191
570399
1707
¿Cuántas visitas he obtenido?
09:44
How many unique IDs do I have
in my data warehouse?
in my data warehouse?
192
572130
2777
¿Cuántos identificadores únicos hay
en mi almacén de datos?
en mi almacén de datos?
09:47
But that misses the true value of data,
which is that it's yours.
which is that it's yours.
193
575372
3948
Pero eso soslaya el verdadero valor
de los datos; es decir, que es tuyo.
de los datos; es decir, que es tuyo.
09:53
If we can capture in data
what really matters to you,
what really matters to you,
194
581166
6098
Si podemos capturar en datos
lo que realmente te importa,
lo que realmente te importa,
09:59
and if we can understand more
the role that our work plays
the role that our work plays
195
587288
4488
y si podemos entender mejor el papel
que juega nuestro trabajo
que juega nuestro trabajo
10:03
in your actual life,
196
591800
1389
en tu vida real,
10:05
the better content we can create for you,
197
593213
2863
podremos crear mejores contenidos para ti
10:08
and the better that we can reach you.
198
596100
1857
y contactarte más fácilmente.
10:10
Who are you?
199
598760
1275
¿Quién eres?
10:13
How did you get there?
200
601293
1580
¿Cómo llegaste allí?
10:14
Where are you going?
201
602897
1209
¿A dónde vas?
10:16
What do you care about?
202
604130
1269
¿Qué te interesa?
10:17
What can you teach us?
203
605423
1379
¿Qué puedes enseñarnos?
10:19
That's cultural cartography.
204
607151
1460
Eso es cartografía cultural.
10:21
Thank you.
205
609146
1156
Gracias.
10:22
(Applause)
206
610326
3380
(Aplausos)
ABOUT THE SPEAKER
Dao Nguyen - Media analytics expertAs Publisher of BuzzFeed, Dao Nguyen thinks about how media spreads online and the technology and data that publishers can use to understand why.
Why you should listen
Dao Nguyen is the Publisher of BuzzFeed, a reinvention of the traditional title in which she oversees the company’s tech, product, data and publishing platform, as well as ad product, pricing, and distribution. Nguyen joined BuzzFeed in 2012 and has been instrumental in its rapid growth as the largest independent digital media company in the world. Prior to joining BuzzFeed, Nguyen oversaw product for a financial careers venture within Dow Jones. She also previously served as Chief Executive Officer of Le Monde Interactif, publisher of the leading news site lemonde.fr. Before moving to France, she was Executive Producer at Concrete Media, a small web agency, and a consultant at Andersen Consulting (now Accenture). She has a degree in Applied Mathematics / Computer Science from Harvard and is based in New York City.
Dao Nguyen | Speaker | TED.com