TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
סבסטיאן וורניק: איך להתשמש במידע כדי ליצור תוכניות טלויזיה מוצלחות
Filmed:
Readability: 4
1,628,704 views
האם איסוף יותר מידע משמעו קבלת החלטות טובות יותר? חברות תחרותיות, תאבות מידע כמו אמזון, גוגל ונטפליקס למדו שניתוח מידע לבדו לא תמיד מייצר תוצאות אופטימליות. בהרצאה זו, מדען המידע סבסטיאן וורניק מסביר מה משתבש כשאנחנו עושים החלטות בהתבסס על מידע בלבד -- ומציע דרך חכמה יותר להשתמש בו.
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
רוי פרייס הוא אדם שסביר להניח
שרובכם כנראה לא שמעתם עליו מעולם,
שרובכם כנראה לא שמעתם עליו מעולם,
00:17
even though he may have been responsible
1
5120
2496
למרות שייתכן והוא היה אחראי
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
לבערך 22 דקות בינוניות
של חייכם ב19 לאפריל 2013.
של חייכם ב19 לאפריל 2013.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
יכול להיות שהוא היה גם אחראי
ל22 דקות מאוד משעשעות,
ל22 דקות מאוד משעשעות,
00:29
but not very many of you.
4
17760
2256
אבל לא רבים מכם.
00:32
And all of that goes back to a decision
5
20040
1896
וכל זה חוזר להחלטה
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
שרוי היא צריך לקבל
לפני 3 שנים.
לפני 3 שנים.
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
אז אתם מבינים, רוי פרייס
הוא מנהל בכיר באולפני אמזון.
הוא מנהל בכיר באולפני אמזון.
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
זאת חברת הפקות הטלוויזיה
של אמזון.
של אמזון.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
הוא בן 47, רזה, שיער עם קוצים,
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
הוא מתאר עצמו בטוויטר
כ "סרטים, טלוויזיה, טכנולוגיה, טאקו."
כ "סרטים, טלוויזיה, טכנולוגיה, טאקו."
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
ולרוי פרייס יש יש אחריות רבה בעבודה
כי האחריות שלו היא
כי האחריות שלו היא
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
לבחור את התוכניות, את התוכן המקורי
שאמזון תיצור.
שאמזון תיצור.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
וכמובן שזה תחום תחרותי מאוד.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
אני מתכוון, יש כל כך הרבה
תוכניות טלוויזיה שכבר קיימות,
תוכניות טלוויזיה שכבר קיימות,
01:06
that Roy can't just choose any show.
15
54400
2176
ורוי לא פשוט יכול לבחור כל אחת.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
הוא חייב למצוא תוכניות
ממש ממש טובות.
ממש ממש טובות.
01:12
So in other words, he has to find shows
17
60720
2816
אז במילים אחרות, הוא חייב למצוא תוכניות
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
שנמצאות ממש על הקצה הימני
בעקומה הזאת.
בעקומה הזאת.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
העקומה הזאת מציגה את חלוקת הרייטינג
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
של בערך 2500 תוכניות טלוויזיה
באתר IMDB,
באתר IMDB,
01:25
and the rating goes from one to 10,
21
73040
2896
והרייטינג נע בין 1 ל10,
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
והגובה כאן, מראה לכם
כמה תוכניות קבלו את הרייטינג הזה.
כמה תוכניות קבלו את הרייטינג הזה.
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
אז אם התוכנית שלכם מקבלת רייטינג
של 9 נקודות ומעלה, זאת הצלחה.
של 9 נקודות ומעלה, זאת הצלחה.
01:35
Then you have a top two percent show.
24
83680
1816
ואז יש לכם את התוכניות
שנמצאות ב2 אחוז העליונים.
שנמצאות ב2 אחוז העליונים.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
תוכניות כמו "שובר שורות",
"משחקי הכס", "הסמויה",
"משחקי הכס", "הסמויה",
01:41
so all of these shows that are addictive,
26
89440
2296
אז כל התוכניות האלה שממכרות,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
כשאחרי שאתם רואים עונה,
המוח שלכם בעצם כמו,
המוח שלכם בעצם כמו,
01:46
"Where can I get more of these episodes?"
28
94840
2176
"איפה אני יכול למצוא עוד מהפרקים האלה?"
01:49
That kind of show.
29
97040
1200
סוג כזה של תוכניות.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
בצד השמאלי, רק לשם הבהרה,
כאן בקצה הזה,
כאן בקצה הזה,
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
נמצאת תוכניות שנקראת "פעוטות וכתרים"--
01:56
(Laughter)
32
104640
2656
(צחוק)
01:59
-- which should tell you enough
33
107320
1536
--וזה אמור להגיד לכם מספיק
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
בנוגע למה שקורה בקצה הזה
של העקומה.
של העקומה.
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
עכשיו, רוי פרייס לא מודאג
מלהגיע לקצה השמאלי של העקומה,
מלהגיע לקצה השמאלי של העקומה,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
בגלל שאני חושב שצריך יכולת חשיבה רצינית
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
בשביל לגבור על "פעוטות וכתרים".
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
אז מה שהוא מודאג ממנו
הוא הבליטה האמצעית שנמצאת כאן,
הוא הבליטה האמצעית שנמצאת כאן,
02:15
the bulge of average TV,
39
123920
1816
הבליטה של טלוויזיה ממוצעת,
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
אתם יודעים, התוכניות האלה
שלא כל כך טובות ולא כל כך רעות,
שלא כל כך טובות ולא כל כך רעות,
02:20
they don't really get you excited.
41
128639
1656
לא באמת גורמות לך להתרגש.
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
אז הוא צריך לוודא
שהוא נמצא ממש בקצה הימני של זה.
שהוא נמצא ממש בקצה הימני של זה.
02:27
So the pressure is on,
43
135200
1576
אז יש לחץ,
02:28
and of course it's also the first time
44
136800
2176
וכמובן, זאת גם הפעם הראשונה
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
שאמזון עושה משהו כזה,
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
אז רוי פרייס לא רוצה לקחת סיכונים.
02:36
He wants to engineer success.
47
144560
2456
הוא רוצה להנדס את ההצלחה.
02:39
He needs a guaranteed success,
48
147040
1776
הוא צריך הצלחה מובטחת,
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
אז מה שהוא עושה,
הוא עורך תחרות.
הוא עורך תחרות.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
אז הוא לוקח מספר רעיונות
לתוכניות טלוויזיה,
לתוכניות טלוויזיה,
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
ומהרעיונות האלה,
באמצעות הערכה,
באמצעות הערכה,
02:48
they select eight candidates for TV shows,
52
156920
4096
הם בוחרים 8 מועמדים לתוכניות טלוויזיה,
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
ואז הוא פשוט יוצר את הפרק הראשון
בכל אחת מהתוכניות האלה
בכל אחת מהתוכניות האלה
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
ומעלה אותם לרשת בחינם
שכל אחד יכול לצפות.
שכל אחד יכול לצפות.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
אז כשאמזון מחלקת דברים בחינם,
03:01
you're going to take it, right?
56
169720
1536
אתם תקחו אותם, נכון?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
אז מיליוני צופים
רואים את הפרקים האלה.
רואים את הפרקים האלה.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
מה שהם לא מבינים,
בזמן שהם צופים בתוכניות שלהם,
בזמן שהם צופים בתוכניות שלהם,
03:11
actually, they are being watched.
59
179680
2296
בעצם, עוקבים אחריהם.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
הם נצפים על ידי רוי פרייס והצוות שלו,
03:16
who record everything.
61
184360
1376
שמתעדים הכל.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
הם מתעדים כשמישהו לוחץ נגן,
וכשמישהו לוחץ השהה,
וכשמישהו לוחץ השהה,
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
על איזה חלקים הצופים מדלגים,
ואיזה חלקים הם רואים שוב.
ואיזה חלקים הם רואים שוב.
03:23
So they collect millions of data points,
64
191720
2256
אז הם אוספים מיליוני נקודות מידע,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
בגלל שהם רוצים להשתמש בנתונים האלה
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
כדי להחליט
איזה תוכנית הם ייצרו.
איזה תוכנית הם ייצרו.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
וכמובן, כך הם אוספים את כל המידע,
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
הם עושים את כל עיבוד המידע, ותשובה עולה,
03:35
and the answer is,
69
203640
1216
והתשובה היא,
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"אמזון צריכה ליצור סיטקום
על ארבעה סנטורים רפובליקאים."
על ארבעה סנטורים רפובליקאים."
03:42
They did that show.
71
210440
1216
הם עשו את התוכנית ההיא.
03:43
So does anyone know the name of the show?
72
211680
2160
אז האם כולם מכירים את השם של התוכנית?
03:46
(Audience: "Alpha House.")
73
214720
1296
(קהל: "בית אלפא.")
03:48
Yes, "Alpha House,"
74
216040
1456
כן, "בית אלפא."
03:49
but it seems like not too many of you here
remember that show, actually,
remember that show, actually,
75
217520
4096
אבל נראה כאילו לא הרבה מכם פה
זוכרים את הסדרה ההיא, למעשה,
זוכרים את הסדרה ההיא, למעשה,
03:53
because it didn't turn out that great.
76
221640
1856
מפני שהיא לא יצאה כזה טוב.
03:55
It's actually just an average show,
77
223520
1856
היא למעשה רק תוכנית ממוצעת,
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
למעשה -- מילולית, למעשה,
בגלל שהממוצע של העקומה פה הוא 7.4,
בגלל שהממוצע של העקומה פה הוא 7.4,
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
ו"בית אלפא" קיבלה 7.5,
04:04
so a slightly above average show,
80
232440
2016
אז מעט מעל התוכנית הממוצעת,
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
אבל בהחלט לא מה שרוי פרייס
והצוות שלנו כיוונו אליו.
והצוות שלנו כיוונו אליו.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
בינתיים, עם זאת, בערך באותו הזמן,
04:13
at another company,
83
241200
1576
בחברה אחרת,
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
מנהל אחר הצליח לפתח תוכנית מוצלחת
בשימוש בניתוח מידע,
בשימוש בניתוח מידע,
04:19
and his name is Ted,
85
247040
1576
והשם שלו הוא טד,
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
טד סרנדוס, שהוא מנהל התוכן הראשי
של נטפליקס,
של נטפליקס,
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
וממש כמו רוי, הוא במשימה קבועה
04:26
to find that great TV show,
88
254240
1496
למצוא תוכנית טלוויזיה מעולה,
04:27
and he uses data as well to do that,
89
255760
2016
והוא גם השתמש במידע כדי לעשות זאת,
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
אבל הוא עושה זאת מעט אחרת.
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
אז במקום לערוך תחרות,
מה שהוא עשה -- והצוות שלו כמובן --
מה שהוא עשה -- והצוות שלו כמובן --
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
היה שהם הביטו בכל המידע
שכבר היה להם על צופי נטפליקס,
שכבר היה להם על צופי נטפליקס,
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
אתם יודעים, הרייטינג שהם נותנים לתוכניות,
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
הסטוריות הצפיה, איזה תוכניות
אנשים אוהבים, וכך הלאה.
אנשים אוהבים, וכך הלאה.
04:44
And then they use that data to discover
95
272000
1896
ואז הם משתמשים במידע הזה כדי לגלות
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
את כל פיסות המידע הקטנות האלו בנוגע לקהל:
04:48
what kinds of shows they like,
97
276560
1456
איזה סוגים של תוכניות הם אוהבים,
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
איזה סוג של מפיקים, איזה סוג של שחקנים.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
וברגע שהיה להם את כל פיסות המידע ביחד,
04:54
they took a leap of faith,
100
282760
1656
הם עשו קפיצה של אמונה,
04:56
and they decided to license
101
284440
2096
והם החליטו לאשר
04:58
not a sitcom about four Senators
102
286560
2456
לא סיטקום על ארבעה סנטורים
05:01
but a drama series about a single Senator.
103
289040
2880
אלא סדרת דרמה על סנטור בודד.
05:04
You guys know the show?
104
292760
1656
אתם מכירים את התוכנית?
05:06
(Laughter)
105
294440
1296
(צחוק)
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
כן, "בית הקלפים," ונטפליקס כמובן,
הצליחו עם התוכנית הזו,
הצליחו עם התוכנית הזו,
05:11
at least for the first two seasons.
107
299520
2136
לפחות בשתי העונות הראשונות.
05:13
(Laughter) (Applause)
108
301680
3976
(צחוק) (מחיאות כפיים)
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
"בית הקלפים" מקבל דרוג של 9.1 מהעקומה הזו,
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
אז זה בדיוק במקום בו הם רצו שזה יהיה.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
עכשיו, השאלה היא כמובן, מה קרה פה?
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
אז יש לכם שתי חברות תחרותיות ותאבות מידע.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
הן חיברו את כל מליוני נקודות המידע האלו,
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
ואז זה עבד באופן יפיפה לאחת מהן,
05:34
and it doesn't work for the other one.
115
322480
1856
וזה לא עובד לאחרת.
05:36
So why?
116
324360
1216
אז למה?
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
מפני שהלוגיקה סוג של מספרת לכם
שזה צריך לעבוד כל הזמן.
שזה צריך לעבוד כל הזמן.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
אני מתכוון, אם אתם אוספים
מליוני נקודות מידע
מליוני נקודות מידע
05:43
on a decision you're going to make,
119
331560
1736
על החלטה שאתם עומדים לעשות,
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
אז אתם צריכים להיות מסוגלים
לעשות החלטות די טובות.
לעשות החלטות די טובות.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
יש לכם 200 שנה של סטטיסטיקות להסתמך עליהן.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
אתם מגבירים אותן עם מחשבים ממש חזקים.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
הכי מעט שאתם יכולים לצפות לו
זה טלויזיה טובה, נכון?
זה טלויזיה טובה, נכון?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
ואם ניתוח מידע לא עובד כך,
06:01
then it actually gets a little scary,
125
349520
2056
אז זה למעשה נעשה מעט מפחיד,
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
מפני שאנחנו חיים בזמן
בו אנחנו פונים למידע יותר ויותר
בו אנחנו פונים למידע יותר ויותר
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
כדי לעשות החלטות ממש חשובות
שעוברות מעבר לטלויזיה.
שעוברות מעבר לטלויזיה.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
האם מישהו פה מכיר את החברה
"מערכות מולטי-הלט'"?
"מערכות מולטי-הלט'"?
06:17
No one. OK, that's good actually.
129
365080
1656
אף אחד. אוקיי, זה טוב למעשה.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
אוקיי, אז "מערכות מולטי-הלט'"
היא חברת תוכנה,
היא חברת תוכנה,
06:22
and I hope that nobody here in this room
131
370000
2816
ואני מקווה שאף אחד פה בחדר
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
לעולם לא יגיע למגע עם התוכנה שלהם,
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
מפני שאם כן, זה אומר שאתם בכלא.
06:30
(Laughter)
134
378160
1176
(צחוק)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
אם מישהו פה בארצות הברית בכלא,
ואז הם מגישים בקשה לחנינה,
ואז הם מגישים בקשה לחנינה,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
אז זה מאוד סביר שתוכנת ניתוח המידע
מהחברה ההיא
מהחברה ההיא
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
תהיה בשימוש בלקבוע אם להעניק את החנינה.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
אז זה אותו עיקרון כמו אמזון ונטפליקס,
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
אבל עכשיו במקום להחליט
אם תוכנית טלוויזיה תהיה טובה או גרועה,
אם תוכנית טלוויזיה תהיה טובה או גרועה,
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
אתם מחליטים אם אדם עומד להיות טוב או רע.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
וטלויזיה בינונית, 22 דקות,
שיכולה להיות די גרועה,
שיכולה להיות די גרועה,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
אבל יותר שנים בכלא,
אני מתאר, אפילו גרועה יותר.
אני מתאר, אפילו גרועה יותר.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
ולמרבה הצער, יש למעשה
כמה עדויות שניתוח המידע הזה,
כמה עדויות שניתוח המידע הזה,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
למרות שיש לנו הרבה מידע,
לא תמיד מייצר תוצאות אופטימליות.
לא תמיד מייצר תוצאות אופטימליות.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
וזה לא בגלל שחברה כמו "מערכות מולטי-הלט'"
07:13
doesn't know what to do with data.
146
421506
1627
לא יודעת מה לעשות עם המידע.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
אפילו החברות הכי תאבות מידע טועות.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
כן, אפילו גוגל טועה לפעמים.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
ב 2009, גוגל הודיעה שהם מסוגלים,
עם ניתוח מידע,
עם ניתוח מידע,
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
לחזות התפרצויות של שפעת,
הסוג הנבזי של שפעת,
הסוג הנבזי של שפעת,
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
על ידי ניתוח של חיפושי גוגל.
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
וזה עבד יפהפה, וזה עשה גל גדול בחדשות,
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
כולל הפסגה של ההצלחה המדעית:
07:39
a publication in the journal "Nature."
154
447200
2456
פרסום בירחון "נייצ'ר."
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
זה עבד מושלם במשך שנה אחרי שנה אחרי שנה,
07:45
until one year it failed.
156
453320
1656
עד ששנה אחת זה נכשל.
07:47
And nobody could even tell exactly why.
157
455000
2256
ואף אחד לא היה יכול אפילו
להסביר למה בדיוק.
להסביר למה בדיוק.
07:49
It just didn't work that year,
158
457280
1696
זה פשוט לא עבד באותה שנה,
07:51
and of course that again made big news,
159
459000
1936
וכמובן שזה היה שוב חדשות גדולות,
07:52
including now a retraction
160
460960
1616
כולל ביטול עכשיו
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
של הפרסום במגזין "נייצ'ר."
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
אז אפילו החברות שהכי תאבות מידע,
אמזון וגוגל,
אמזון וגוגל,
08:01
they sometimes get it wrong.
163
469840
2136
לפעמים טועות.
08:04
And despite all those failures,
164
472000
2936
ולמרות הכשלונות האלו,
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
מידע נע במהירות להחלטות בחיים האמיתיים --
08:10
into the workplace,
166
478840
1816
לתוך מקום העבודה,
08:12
law enforcement,
167
480680
1816
לאכיפת החוק,
08:14
medicine.
168
482520
1200
לרפואה.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
אז אנחנו צריכים לדאוג יותר שהמידע עוזר.
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
עכשיו, אישית, אני ראיתי הרבה
מהמאבק הזה במידע בעצמי,
מהמאבק הזה במידע בעצמי,
08:22
because I work in computational genetics,
171
490920
1976
מפני שאני עובד בגנטיקה חישובית,
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
שהיא גם תחום בו הרבה אנשים מאוד חכמים
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
משתמשים בכמויות שלא ניתן לתאר
של מידע כדי לעשות החלטות די רציניות
של מידע כדי לעשות החלטות די רציניות
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
כמו להחליט על טיפול בסרטן או פיתוח תרופה.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
ובמהלך השנים, הבחנתי בסוג של תבנית
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
או סוג של חוק, אם תרצו, בנוגע להבדל
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
בין קבלת החלטות מוצלחת עם מידע
08:43
and unsuccessful decision-making,
178
511120
1616
וקבלת החלטות לא מוצלחת.
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
ואני מוצא שזו תבנית ששווה לחלוק,
והיא הולכת משהו כזה.
והיא הולכת משהו כזה.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
אז כל פעם שאתם פותרים בעיה סבוכה,
08:52
you're doing essentially two things.
181
520679
1737
אתם עושים בעיקרון שני דברים.
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
הראשון הוא, אתם מפרקים
את הבעיה לחלקים הקטנים שלה
את הבעיה לחלקים הקטנים שלה
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
כך שתוכלו לנתח את החלקים האלה,
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
ואז כמובן אתם עושים את החלק השני.
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
אתם מחברים חזרה את כל החלקים
09:05
to come to your conclusion.
186
533000
1336
כדי להגיע למסקנה שלכם.
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
ולפעמים אתם צריכים לעשות את זה שוב,
09:08
but it's always those two things:
188
536720
1656
אבל זה תמיד שני הדברים האלה:
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
לפרק ולהרכיב בחזרה.
09:14
And now the crucial thing is
190
542280
1616
ועכשיו הדבר הקריטי הוא
09:15
that data and data analysis
191
543920
2896
שהמידע וניתוח המידע
09:18
is only good for the first part.
192
546840
2496
הוא טוב רק לחלק הראשון.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
מידע וניתוח מידע, לא משנה כמה חזקים,
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
יכולם רק לעזור לכם לפרק
את הבעיה ולהבין את הפיסות.
את הבעיה ולהבין את הפיסות.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
זה לא מתאים לחיבור הפיסות האלו חזרה יחד
09:31
and then to come to a conclusion.
196
559600
1896
ואז להגיע למסקנה.
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
יש כלי נוסף שיכול לעשות את זה,
ולכולנו יש אותו,
ולכולנו יש אותו,
09:36
and that tool is the brain.
198
564280
1296
והכלי הזה הוא המוח שלנו.
09:37
If there's one thing a brain is good at,
199
565600
1936
אם יש משהו אחד שהמוח טוב בו,
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
זה לקחת פיסות מידע ולחבר אותן יחד,
09:41
even when you have incomplete information,
201
569840
2016
אפילו כשיש לכם פיסות מידע לא שלמות,
09:43
and coming to a good conclusion,
202
571880
1576
ולהגיע למסקנה,
09:45
especially if it's the brain of an expert.
203
573480
2936
בעיקר אם זה המוח של מומחה.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
ולכן אני מאמין שנטפליקס היו כל כך מצליחים,
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
בגלל שהם השתמשו במידע ובמוח
במקום בו הם היו שייכים לתהליך.
במקום בו הם היו שייכים לתהליך.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
הם השתמשו במידע ראשית
כדי להבין הרבה חלקים בנוגע לקהל שלהם
כדי להבין הרבה חלקים בנוגע לקהל שלהם
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
שאחרת הם לא היו מסוגלים להבין בעומק הזה,
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
אבל אז ההחלטה לקחת את כל הפיסות האלו
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
ולחבר אותן יחד שוב ולעשות
תוכנית כמו "בית הקלפים,"
תוכנית כמו "בית הקלפים,"
10:07
that was nowhere in the data.
210
595720
1416
זה לא היה בשום מקום במידע.
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
טד סרנדוס והצוות שלו עשו
את ההחלטה הזו כדי לפתח את התוכנית,
את ההחלטה הזו כדי לפתח את התוכנית,
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
מה שגם אמר, דרך אגב, שהם לקחו
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
סיכון אישי די גדול עם ההחלטה הזו.
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
ואמזון, מצד שני, הם עשו את זה בדרך ההפוכה.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
הם השתמשו במידע כל הדרך
כדי להניע את תהליך ההלחטות שלהם,
כדי להניע את תהליך ההלחטות שלהם,
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
ראשית הם עשו את התחרות שלהם
של רעיונות לתוכניות,
של רעיונות לתוכניות,
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
אז כשהם בחרו את "בית אלפא"
כדי ליצור כתוכנית.
כדי ליצור כתוכנית.
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
שכמובן היתה החלטה מאוד בטוחה בשבילם,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
מפני שהם תמיד יכלו
להצביע על המידע, ולהגיד.
להצביע על המידע, ולהגיד.
10:35
"This is what the data tells us."
220
623400
1696
"זה מה שהמידע אומר לנו."
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
אבל זה לא הוביל
לתוצאה יוצאת דופן שהם קיוו לה.
לתוצאה יוצאת דופן שהם קיוו לה.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
אז מידע הוא כמובן כלי מאוד מועיל
לעשות החלטות טובות יותר,
לעשות החלטות טובות יותר,
10:47
but I believe that things go wrong
223
635120
2376
אבל אני מאמין שדברים משתבשים
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
כשמידע מתחיל להניע את ההחלטות האלו.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
לא משנה כמה חזק, מידע הוא רק כלי,
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
וכדי לזכור את זה, אני מוצא
את המכשיר הזה פה ממש מועיל.
את המכשיר הזה פה ממש מועיל.
10:59
Many of you will ...
227
647280
1216
רבים מכם...
11:00
(Laughter)
228
648520
1216
(צחוק)
11:01
Before there was data,
229
649760
1216
לפני שהיה מידע,
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
זה היה מכשיר קבלת ההחלטות בו השתמשו.
11:05
(Laughter)
231
653880
1256
(צחוק)
11:07
Many of you will know this.
232
655160
1336
הרבה מכם ידעו את זה.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
המכשיר הזה נקרא כדור 8 קסום,
11:10
and it's really amazing,
234
658497
1199
והוא באמת מדהים,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
מפני שאם יש לכם החלטה לעשות,
שאלה של כן ולא,
שאלה של כן ולא,
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
כל מה שאתם צריכים לעשות זה לנער את הכדור,
ואז אתם מקבלים תשובה --
ואז אתם מקבלים תשובה --
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
"הסיכויים גדולים" --
ממש פה בחלון הזה בזמן אמת.
ממש פה בחלון הזה בזמן אמת.
11:21
I'll have it out later for tech demos.
238
669240
2096
אני אוציא אותו אחר כך להדגמות.
11:23
(Laughter)
239
671360
1216
(צחוק)
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
עכשיו, העניין הוא, כמובן --
אז עשיתי כמה החלטות בחיי
אז עשיתי כמה החלטות בחיי
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
בהן, במחשבה אחורה,
הייתי צריך פשוט להקשיב לכדור.
הייתי צריך פשוט להקשיב לכדור.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
אבל, אתם יודעים, כמובן,
אם יש לכם את המידע זמין,
אם יש לכם את המידע זמין,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
אתם רוצים להחליף את זה
עם משהו הרבה יותר מתוחכם,
עם משהו הרבה יותר מתוחכם,
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
כמו ניתוח מידע להגיע להחלטה טובה יותר.
11:41
But that does not change the basic setup.
245
689200
2616
אבל זה לא משנה את החלק הבסיסי.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
אז הכדור אולי יהיה חכם יותר ויותר ויותר,
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
אבל אני מאמין שזה עדיין תלוי בנו
לעשות את ההחלטות
לעשות את ההחלטות
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
אם אנחנו רוצים להשיג משהו יוצא דופן,
11:52
on the right end of the curve.
249
700920
1936
בצד הנכון של העקומה.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
ואני רואה את זה מאוד מעודד, למעשה,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
שאפילו מול כמויות עצומות של מידע,
12:03
it still pays off to make decisions,
252
711400
4096
זה עדיין משתלם לעשות החלטות,
12:07
to be an expert in what you're doing
253
715520
2656
להיות מומחים במה שאתם עושים
12:10
and take risks.
254
718200
2096
ולקחת סיכונים.
12:12
Because in the end, it's not data,
255
720320
2776
מפני שבסופו של דבר, זה לא מידע,
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
זה סיכונים שיביאו אתכם
לצד הנכון של העקומה.
לצד הנכון של העקומה.
12:19
Thank you.
257
727840
1216
תודה לכם.
12:21
(Applause)
258
729080
3680
(מחיאות כפיים)
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