TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Kaip naudojantis duomenimis sukurti kultinę TV laidą
Filmed:
Readability: 4
1,628,704 views
Ar duomenų rinkimas padeda priimti geresnius sprendimus? Konkurencingoms, duomenų rinkimą ir naudojimą išmanančioms kompanijoms „Amazon“, „Google“ ir „Netflix“ teko patirti, kad norint geriausių rezultatų ne visuomet galima pasikliauti vien duomenų analize. Statistikas Sebastian Wernicke savo kalboje atskleidžia, kas nutinka, kai mūsų sprendimai būna paremti vien duomenimis, ir nurodo, kaip duomenis būtų galima panaudoti „išmaniau“.
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
Turbūt nedaugelis iš jūsų
esate girdėję apie Roy Price’ą,
esate girdėję apie Roy Price’ą,
00:17
even though he may have been responsible
1
5120
2496
nors galimai per jį nuobodžiavote
22 savo gyvenimo minutes
22 savo gyvenimo minutes
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
2013 m. balandžio 19 dieną.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
Galimai tos 22 minutės Roy dėka
praėjo labai linksmai,
praėjo labai linksmai,
00:29
but not very many of you.
4
17760
2256
bet tik nedaugeliui iš jūsų.
00:32
And all of that goes back to a decision
5
20040
1896
Prieš maždaug trejus metus
Roy priėmė sprendimą.
Roy priėmė sprendimą.
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
Matote, Roy Price’as –
„Amazon Studios“ vyr. vadovas.
„Amazon Studios“ vyr. vadovas.
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
„Amazon Studios“ – „Amazon“ TV kompanija.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
Roy – 47-eri metai,
jis lieknas, pašiauštais plaukais.
jis lieknas, pašiauštais plaukais.
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
„Twitter“ tinkle apibūdina save taip:
„Kinas, TV, technologijos, taco“.
„Kinas, TV, technologijos, taco“.
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
Roy Price’o darbas labai atsakingas.
Jam tenka išrinkti,
kokias laidas kurs „Amazon“ kompanija.
kokias laidas kurs „Amazon“ kompanija.
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
Šioms laidoms tenka
labai didelė konkurencija.
labai didelė konkurencija.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
TV laidų yra be galo daug,
tad Roy negali rinktis bet ko.
tad Roy negali rinktis bet ko.
01:06
that Roy can't just choose any show.
15
54400
2176
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Jis turi surasti
pačias geriausias TV laidas.
pačias geriausias TV laidas.
01:12
So in other words, he has to find shows
17
60720
2816
Laidas, kurios būtų
pačiame dešiniajame šios kreivės gale.
pačiame dešiniajame šios kreivės gale.
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Ši kreivė rodo, kaip yra reitinguotos
maždaug 2 500 TV laidų „IMDb“ tinklapyje.
maždaug 2 500 TV laidų „IMDb“ tinklapyje.
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
01:25
and the rating goes from one to 10,
21
73040
2896
Reitinguojama nuo vieno iki dešimt,
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
o kreivės aukštis rodo,
kiek laidų gauna tokį reitingą.
kiek laidų gauna tokį reitingą.
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
Jei tavo laida gauna
9 punktus ar daugiau,
9 punktus ar daugiau,
reiškia, ji puiki, geresnė nei 98% laidų.
01:35
Then you have a top two percent show.
24
83680
1816
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
Lygi „Bręstančiam blogiui“,
„Sostų karams“, „Blakei“.
„Sostų karams“, „Blakei“.
01:41
so all of these shows that are addictive,
26
89440
2296
Tokios laidos užkabina,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
peržiūrėjus vieną sezoną,
smegenys nerimsta:
smegenys nerimsta:
„Kur gauti daugiau serijų?“
01:46
"Where can I get more of these episodes?"
28
94840
2176
(Juokas.).
01:49
That kind of show.
29
97040
1200
Kalbu apie tokią laidą.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
O kairiajame kreivės gale, įdomumo dėlei,
yra tokios laidos kaip...
yra tokios laidos kaip...
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
„Vaikai ir tiaros“.
01:56
(Laughter)
32
104640
2656
(Juokas.).
01:59
-- which should tell you enough
33
107320
1536
Dabar jums turėtų būti aišku,
kas dedasi tame kreivės gale.
kas dedasi tame kreivės gale.
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
02:03
Now, Roy Price is not worried about
getting on the left end of the curve,
getting on the left end of the curve,
35
111095
4161
Roy Price’o nedomina
kairysis kreivės galas,
kairysis kreivės galas,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
o be to, reikėtų nemažai pasukti smegenis,
kad nurungtum „Vaikus ir tiaras“.
kad nurungtum „Vaikus ir tiaras“.
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
Jį domina šis viduriukas –
įprastinės laidos.
įprastinės laidos.
02:15
the bulge of average TV,
39
123920
1816
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
Nei geros, nei blogos.
Jos pernelyg nejaudina.
02:20
they don't really get you excited.
41
128639
1656
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
Roy privalo užtikrinti,
kad jo laida atsidurs
dešiniajame kreivės gale.
dešiniajame kreivės gale.
02:27
So the pressure is on,
43
135200
1576
Jis jautė šiokį tokį spaudimą,
02:28
and of course it's also the first time
44
136800
2176
„Amazon“ dar nebuvo kūrusi laidų,
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
todėl Roy Price'as nenorėjo rizikuoti.
02:36
He wants to engineer success.
47
144560
2456
Jis norėjo nuvesti prie sėkmės.
02:39
He needs a guaranteed success,
48
147040
1776
Jam reikėjo garantuotos sėkmės.
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
Taigi, jis surengė konkursą.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Prigalvojo idėjų TV laidoms,
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
iš jų, po ilgų svarstymų,
02:48
they select eight candidates for TV shows,
52
156920
4096
buvo išrinktos aštuonios galimos laidos,
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
o tada visoms šioms laidoms
jis sukurė pirmąsias serijas
jis sukurė pirmąsias serijas
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
ir sudėjo jas į internetą,
kad žiūrėtum nemokamai.
kad žiūrėtum nemokamai.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
O kai „Amazon“ duoda kažką už dyką,
negi neimsi?
negi neimsi?
03:01
you're going to take it, right?
56
169720
1536
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Milijonai žiūrovų
žiūrėjo šias serijas.
žiūrėjo šias serijas.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
Tik jiems neatėjo į galvą,
kad kol žiūrėjo laidas...
kad kol žiūrėjo laidas...
03:11
actually, they are being watched.
59
179680
2296
kažkas žiūrėjo į juos.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Roy Price'as ir jo komanda žiūrėjo
ir viską įrašinėjo.
ir viską įrašinėjo.
03:16
who record everything.
61
184360
1376
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
Kada paspaudžiama „groti“,
kada paspaudžiama „pauzė“,
kada paspaudžiama „pauzė“,
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
kas prasukama,
o kas – žiūrima antrąsyk.
o kas – žiūrima antrąsyk.
03:23
So they collect millions of data points,
64
191720
2256
Taip buvo surinkti
milijonai duomenų taškų,
milijonai duomenų taškų,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
o jų reikia, kad nuspręstum,
kokį serialą sukurti.
kokį serialą sukurti.
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
Galiausiai, surinkus visus šiuos duomenis,
juos išnagrinėjus, buvo gautas atsakymas:
juos išnagrinėjus, buvo gautas atsakymas:
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
03:35
and the answer is,
69
203640
1216
„„Amazon“ turėtų sukurti serialą
apie 4 JAV senatorius respublikonus.“
apie 4 JAV senatorius respublikonus.“
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
(Juokas.).
03:42
They did that show.
71
210440
1216
Ką „Amazon“ ir padarė.
03:43
So does anyone know the name of the show?
72
211680
2160
Ar kas žinot serialo pavadinimą?
(Publika: „Alfa namelis“.).
03:46
(Audience: "Alpha House.")
73
214720
1296
Taip, „Alfa namelis“.
03:48
Yes, "Alpha House,"
74
216040
1456
03:49
but it seems like not too many of you here
remember that show, actually,
remember that show, actually,
75
217520
4096
Tik atrodo, kad nedaugelis iš jūsų
atsimenat šią laidą.
atsimenat šią laidą.
03:53
because it didn't turn out that great.
76
221640
1856
Ji neišėjo tokia jau gera.
03:55
It's actually just an average show,
77
223520
1856
Greičiau vidutiniška.
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
Vidutiniška tiesiogine prasme,
nes šios kreivės vidurkis – 7,4 punktai,
nes šios kreivės vidurkis – 7,4 punktai,
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
o „Alfa namelis“ surinko 7,5 punktus.
04:04
so a slightly above average show,
80
232440
2016
Ji kiek geresnė už vidutinę laidą,
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
tačiau tikrai ne tokios
siekė Roy Price'as ir jo komanda.
siekė Roy Price'as ir jo komanda.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
Maždaug tuo pačiu metu
04:13
at another company,
83
241200
1576
kitos kompanijos vadovui
pavyko sukurti puikią laidą,
pavyko sukurti puikią laidą,
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
naudojant duomenų analizę.
04:19
and his name is Ted,
85
247040
1576
Kalbame apie Tedą,
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Tedą Sarandos – „Netflix“ direktorių,
atsakingą už turinį.
atsakingą už turinį.
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
Kaip Roy, Tedo nuolatinė užduotis –
sukurti tą puikiąją TV laidą.
sukurti tą puikiąją TV laidą.
04:26
to find that great TV show,
88
254240
1496
04:27
and he uses data as well to do that,
89
255760
2016
Jis irgi naudojasi duomenimis,
tik naudojasi jais kiek kitaip.
tik naudojasi jais kiek kitaip.
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
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
Jis nerengė konkurso,
bet kartu su savo komanda
bet kartu su savo komanda
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
peržvelgė visą jau turimą informaciją
apie „Netflix“ žiūrovus.
apie „Netflix“ žiūrovus.
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
Kaip žiūrovai reitingavo laidas,
ką žiūrėjo, ką mėgsta ir panašiai.
ką žiūrėjo, ką mėgsta ir panašiai.
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
04:44
And then they use that data to discover
95
272000
1896
Šie duomenys jiems padėjo sužinoti
visokiausių detalių apie savo žiūrovus.
visokiausių detalių apie savo žiūrovus.
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
04:48
what kinds of shows they like,
97
276560
1456
Kokias laidas jie mėgsta,
kokius prodiuserius, kokius aktorius.
kokius prodiuserius, kokius aktorius.
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
Kai pagaliau sudėjo
visas šias detales į vieną,
visas šias detales į vieną,
04:54
they took a leap of faith,
100
282760
1656
jie šoko į nežinią
04:56
and they decided to license
101
284440
2096
ir nusprendė sukurti
ne serialą apie keturis senatorius,
ne serialą apie keturis senatorius,
04:58
not a sitcom about four Senators
102
286560
2456
05:01
but a drama series about a single Senator.
103
289040
2880
o dramą-serialą apie vieną senatorių.
05:04
You guys know the show?
104
292760
1656
Kokia tai laida?
05:06
(Laughter)
105
294440
1296
(Juokas.).
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
Taip, tai – „Kortų namelis“.
„Netflix“ pataikė kaip pirštu į akį...
05:11
at least for the first two seasons.
107
299520
2136
Bent jau pirmuosius du sezonus.
05:13
(Laughter) (Applause)
108
301680
3976
(Juokas ir plojimai.).
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
„Kortų namelis“ šioje kreivėje įvertintas
9,1 punktais – ko „Netflix“ ir siekė.
9,1 punktais – ko „Netflix“ ir siekė.
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
Klausimas, aišku, kas nutiko?
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Turim dvi labai konkurencingas kompanijas.
Abi supranta duomenis,
abi sujungė milijonus duomenų taškų.
abi sujungė milijonus duomenų taškų.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
Vienai puikiai pavyko, o kitai ne.
05:34
and it doesn't work for the other one.
115
322480
1856
05:36
So why?
116
324360
1216
Kodėl?
05:37
Because logic kind of tells you
that this should be working all the time.
that this should be working all the time.
117
325600
3456
Logika sako, kad turėjo pavykti abiem.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Jei renki kalnus informacijos,
kad priimtum sprendimą,
kad priimtum sprendimą,
05:43
on a decision you're going to make,
119
331560
1736
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
tavo sprendimas
turėtų būti gana neblogas.
turėtų būti gana neblogas.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
Statistikos mokslas vystėsi 200 metų,
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
turim galingus kompiuterius
rezultatui pagerinti.
rezultatui pagerinti.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
Laida turėtų išeiti bent jau gera...
(Juokas.).
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
O jei duomenų analizė veikia kitaip,
darosi kiek baisoka.
darosi kiek baisoka.
06:01
then it actually gets a little scary,
125
349520
2056
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
Juk su kiekviena diena
mes vis dažniau griebiamės duomenų,
mes vis dažniau griebiamės duomenų,
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
kad primtume daug svarbesnius sprendimus,
nei to reikalauja televizija.
nei to reikalauja televizija.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Ar kas žinot kompaniją
„Multi-Health Systems“?
„Multi-Health Systems“?
06:17
No one. OK, that's good actually.
129
365080
1656
Niekas. Puiku.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
„Multi-Health Systems“
gamina kompiuterinę įrangą.
gamina kompiuterinę įrangą.
06:22
and I hope that nobody here in this room
131
370000
2816
Viliuosi, niekam iš jūsų
neteks susidurti su šia programa.
neteks susidurti su šia programa.
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
Susidursit – jūs kalėjime.
06:30
(Laughter)
134
378160
1176
(Juokas.).
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Jei kalinys JAV kalėjime
paprašo jį lygtinai paleisti,
paprašo jį lygtinai paleisti,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
daug šansų, kad sprendimas bus priimtas,
naudojant būtent šios kompanijos programą.
naudojant būtent šios kompanijos programą.
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
Ji veikia kaip „Amazon“ ir „Netflix“.
06:45
but now instead of deciding whether
a TV show is going to be good or bad,
a TV show is going to be good or bad,
139
393480
4616
Tik su ja nesprendžiama,
ar TV laida bus gera, ar bloga.
ar TV laida bus gera, ar bloga.
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
Sprendžiama,
ar žmogus bus geras, ar blogas.
ar žmogus bus geras, ar blogas.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
22 minutės nuobodžios televizijos
gali būti gana skausmingos,
gali būti gana skausmingos,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
bet nemanau, kad prilygsta
ilgesniam laikui kalėjime.
ilgesniam laikui kalėjime.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
Deja, yra įrodymų, kad duomenų analizė,
kiek bebūtų joje duomenų,
kiek bebūtų joje duomenų,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
ne visada duoda geriausius rezultatus.
Nereiškia, kad tokios kompanijos
kaip „Multi-Health Systems“
kaip „Multi-Health Systems“
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
07:13
doesn't know what to do with data.
146
421506
1627
nemoka elgtis su duomenimis:
čia suklumpa net išmaniausios kompanijos.
čia suklumpa net išmaniausios kompanijos.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Taip, kartais suklumpa net „Google“.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
2009 m. „Google“ pranešė, kad gali,
naudodami duomenų analizę,
naudodami duomenų analizę,
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
numatyti gripo protrūkius.
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
Tereikia išanalizuoti informaciją
„Google“ paieškos sistemoje.
„Google“ paieškos sistemoje.
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
Jų metodas veikė puikiai, tapo sensacija,
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
pasiekė net šiokią tokią mokslo viršūnę –
užsitarnavo straipsnį žurnale „Nature“.
užsitarnavo straipsnį žurnale „Nature“.
07:39
a publication in the journal "Nature."
154
447200
2456
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Metodas veikė puikiai metai iš metų,
tačiau vienąsyk ėmė ir nesuveikė.
07:45
until one year it failed.
156
453320
1656
07:47
And nobody could even tell exactly why.
157
455000
2256
Niekas net negalėjo pasakyti,
kodėl tais metais jis nesuveikė.
kodėl tais metais jis nesuveikė.
07:49
It just didn't work that year,
158
457280
1696
07:51
and of course that again made big news,
159
459000
1936
Žinoma, laikraščiai vėl rašė, o be to,
07:52
including now a retraction
160
460960
1616
„Google“ straipsnis iš žurnalo „Nature“
buvo išimtas.
buvo išimtas.
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Tad suklumpa net duomenų
ekspertės „Amazon“ ir „Google“.
ekspertės „Amazon“ ir „Google“.
08:01
they sometimes get it wrong.
163
469840
2136
08:04
And despite all those failures,
164
472000
2936
Visgi duomenys vis dažniau naudojami
sprendimams realiame gyvenime:
sprendimams realiame gyvenime:
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
08:10
into the workplace,
166
478840
1816
darbe,
08:12
law enforcement,
167
480680
1816
teisėsaugoje,
08:14
medicine.
168
482520
1200
medicinoje...
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Todėl privalome būti tikri,
kad duomenys mums padeda.
kad duomenys mums padeda.
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
Aš dažnai susiduriu
su duomenų keliamomis problemomis,
su duomenų keliamomis problemomis,
08:22
because I work in computational genetics,
171
490920
1976
nes dirbu statistinės genetikos srityje.
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
Čia daugybė labai protingų žmonių
naudoja neįsivaizduojamą kiekį duomenų,
naudoja neįsivaizduojamą kiekį duomenų,
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
kad priimtų gana rimtus sprendimus,
pvz., kaip gydyti vėžį ar sukurti vaistą.
pvz., kaip gydyti vėžį ar sukurti vaistą.
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
Bėgant metams pradėjau įžvelgti
tam tikrą dėsnį ar taisyklę tarp
tam tikrą dėsnį ar taisyklę tarp
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
sėkmingo duomenų panaudojimo
sprendimams priimti ir nesėkmingo.
sprendimams priimti ir nesėkmingo.
08:43
and unsuccessful decision-making,
178
511120
1616
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
Manau, šiuo pastebėjimu verta pasidalinti.
Klausykite.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
Spręsdami sudėtingą problemą,
iš esmės atliekame du veiksmus.
iš esmės atliekame du veiksmus.
08:52
you're doing essentially two things.
181
520679
1737
Pirma, suskaidome problemą
į daugybę detalių,
į daugybę detalių,
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
kad galėtume jas nuodugniai ištirti.
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
O tada ateina antroji dalis.
Vėl sudedame visas detales į vieną,
kad priimtume sprendimą.
kad priimtume sprendimą.
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
09:05
to come to your conclusion.
186
533000
1336
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
Kartais tenka pakartoti viską iš naujo,
bet du dalykai išlieka:
bet du dalykai išlieka:
09:08
but it's always those two things:
188
536720
1656
skaidome, o paskui dedame į vieną.
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
09:14
And now the crucial thing is
190
542280
1616
Svarbiausia tai,
09:15
that data and data analysis
191
543920
2896
kad duomenys ir duomenų analizė
09:18
is only good for the first part.
192
546840
2496
veikia tik pirmajame etape.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
Net labai išsamūs duomenys
tepadeda išskaidyti problemą
tepadeda išskaidyti problemą
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
ir suprasti jos pavienes dalis.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Negalime sudėti dalių atgal į vieną
ir šitaip daryti sprendimo.
ir šitaip daryti sprendimo.
09:31
and then to come to a conclusion.
196
559600
1896
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
Šiam tikslui turime kitą įrankį.
09:36
and that tool is the brain.
198
564280
1296
Smegenis.
09:37
If there's one thing a brain is good at,
199
565600
1936
Smegenys puikiausiai žino,
kaip sudėti detales atgal į vieną.
kaip sudėti detales atgal į vieną.
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
Žino, kaip priimti gerą sprendimą,
net kai informacija nepilna.
net kai informacija nepilna.
09:41
even when you have incomplete information,
201
569840
2016
09:43
and coming to a good conclusion,
202
571880
1576
09:45
especially if it's the brain of an expert.
203
573480
2936
Ypač jei šios smegenys – eksperto.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
Matyt, todėl „Netflix“ puikiai pavyko.
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
Jie duomenis ir smegenis
panaudojo ten, kur reikia.
panaudojo ten, kur reikia.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Iš pradžių per duomenis
susipažino su savo žiūrovais.
susipažino su savo žiūrovais.
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
Be duomenų ši pažintis
būtų buvusi paviršutiniška.
būtų buvusi paviršutiniška.
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
Tačiau ne duomenys sudėjo viską į vieną
ir sukurė laidą „Kortų namelis“.
ir sukurė laidą „Kortų namelis“.
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
10:07
that was nowhere in the data.
210
595720
1416
Tedas Sarandos ir jo komanda
priėmė sprendimą ją sukurti.
priėmė sprendimą ją sukurti.
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
Beje, šiuo sprendimu jie labai rizikavo.
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
10:18
And Amazon, on the other hand,
they did it the wrong way around.
they did it the wrong way around.
214
606440
3016
O „Amazon“ darė viską neteisingai,
nes naudojo duomenis visiems sprendimams.
nes naudojo duomenis visiems sprendimams.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Iš pradžių surengė tą TV laidų konkursą,
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
o paskui būsimąja laida
išrinko „Alfa namelį“.
išrinko „Alfa namelį“.
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
Aišku, jų sprendimas
buvo labai saugus.
buvo labai saugus.
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
Nori, gali durti pirštu į duomenis
ir sakyti: „Taip sako duomenys.“
ir sakyti: „Taip sako duomenys.“
10:35
"This is what the data tells us."
220
623400
1696
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
Tačiau duomenys iki rezultatų,
kurių jie norėjo, taip ir nenuvedė.
kurių jie norėjo, taip ir nenuvedė.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Tad duomenys yra nepaprastai svarbūs,
kad būtų priimtas geresnis sprendimas.
kad būtų priimtas geresnis sprendimas.
10:47
but I believe that things go wrong
223
635120
2376
Tik tikiu, kad reikalai
pakrypsta ne į tą pusę,
pakrypsta ne į tą pusę,
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
kai duomenys veda prie sprendimų.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
Duomenys gali būti labai išsamūs,
bet jie tėra įrankis.
bet jie tėra įrankis.
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
Kad to nepamirščiau,
man padeda šis daikčiukas.
man padeda šis daikčiukas.
10:59
Many of you will ...
227
647280
1216
Daugelis iš jūsų...
11:00
(Laughter)
228
648520
1216
(Juokas.).
Kol nerinkome duomenų,
11:01
Before there was data,
229
649760
1216
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
priimdavome sprendimus,
naudodamiesi šiuo daikčiuku.
naudodamiesi šiuo daikčiuku.
11:05
(Laughter)
231
653880
1256
(Juokas.).
11:07
Many of you will know this.
232
655160
1336
Daugeliui jis pažįstamas.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Šis žaisliukas,„Magic 8 Ball“,
yra tikrai nuostabus.
yra tikrai nuostabus.
11:10
and it's really amazing,
234
658497
1199
Jei jums reikia priimti sprendimą
„taip“ ar „ne“,
„taip“ ar „ne“,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
pakratę šį rutulį, gausite atsakymą:
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
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
„Tikriausiai“.
Nereikia net laukti.
11:21
I'll have it out later for tech demos.
238
669240
2096
Už užkulisių parodysiu, kaip jis veikia.
11:23
(Laughter)
239
671360
1216
(Juokas.).
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
Žinoma, savo gyvenime
esu priėmęs sprendimų,
esu priėmęs sprendimų,
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
o po kiek laiko supratęs,
kad vertėjo paklausyti rutulio.
kad vertėjo paklausyti rutulio.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Aišku, turint duomenų,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
norisi pakeisti šį rutulį
kažkuo daug įmantresniu,
kažkuo daug įmantresniu,
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
pavyzdžiui, duomenų analize,
kad priimtum geresnį sprendimą.
kad priimtum geresnį sprendimą.
11:41
But that does not change the basic setup.
245
689200
2616
Tačiau tai nekeičia esminio dalyko.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
Rutulys gali įgauti vis daugiau proto,
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
bet turėtume sprendimus priiminėti patys,
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
kad pasiektume kažką tikrai nepaprasto
dešiniajame kreivės gale.
dešiniajame kreivės gale.
11:52
on the right end of the curve.
249
700920
1936
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
Mane labai nuramina mintis, tiesą sakant,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
kad net turint nepaprastą galybę duomenų,
12:03
it still pays off to make decisions,
252
711400
4096
apsimoka priimti sprendimus,
12:07
to be an expert in what you're doing
253
715520
2656
būti ekspertu savo srityje ir...
12:10
and take risks.
254
718200
2096
rizikuoti.
12:12
Because in the end, it's not data,
255
720320
2776
Juk galų gale...
Ne duomenys, o rizikingi sprendimai
leis atsidurti dešiniajame kreivės gale.
leis atsidurti dešiniajame kreivės gale.
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
12:19
Thank you.
257
727840
1216
Ačiū.
(Plojimai.).
12:21
(Applause)
258
729080
3680
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