TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Jak użyć danych do stworzenia świetnego programu TV
Filmed:
Readability: 4
1,628,704 views
Czy zbieranie danych usprawnia podejmowanie decyzji? Ambitne i obeznane z danymi firmy jak Amazon, Google i Netflix odkryły, że sama analiza danych nie zawsze prowadzi do najlepszych rezultatów. W tej prelekcji badacz danych Sebastian Wernicke analizuje pomyłki wynikające z opierania się wyłącznie na danych, i sugeruje sprytniejsze ich wykorzystanie.
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.
Większość z was pewnie
nigdy nie słyszała o Royu Price,
nigdy nie słyszała o Royu Price,
00:12
Roy Price is a man that most of you
have probably never heard about,
have probably never heard about,
0
820
4276
choć być może zabrał wam 22 minut życia
00:17
even though he may have been responsible
1
5120
2496
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
19 kwietnia 2013 roku.
Niewykluczone, że przez te 22 minuty
część z was dobrze się bawiła,
część z was dobrze się bawiła,
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
00:29
but not very many of you.
4
17760
2256
ale raczej niewielu.
Wszystko to sprowadza się do decyzji,
którą Roy musiał podjąć trzy lata temu.
którą Roy musiał podjąć trzy lata temu.
00:32
And all of that goes back to a decision
5
20040
1896
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
Roy Price jest prezesem Amazon Studios,
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
spółki zajmującej się
produkcją telewizyjną.
produkcją telewizyjną.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
Ma 47 lat, jest szczupły
i ma włosy na sztorc,
i ma włosy na sztorc,
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
jego opis na Twitterze brzmi:
"filmy, telewizja, technologia, tacos".
"filmy, telewizja, technologia, tacos".
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
Roy Price ma bardzo odpowiedzialną pracę.
To on odpowiada za wybór seriali,
jakie stworzy Amazon.
jakie stworzy Amazon.
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
To bardzo konkurencyjny rynek.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Teraz jest tyle seriali,
że nie można wybrać byle czego.
że nie można wybrać byle czego.
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
Trzeba wybrać naprawdę dobre seriale.
01:12
So in other words, he has to find shows
17
60720
2816
Innymi słowy takie, które będą
na prawym końcu tego wykresu.
na prawym końcu tego wykresu.
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
Ten wykres to rozkład ocen ratingowych
2 500 seriali w serwisie IMDB.
2 500 seriali w serwisie IMDB.
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
Oceny są w skali od 1 do 10.
01:25
and the rating goes from one to 10,
21
73040
2896
Ta linia pokazuje ile programów
dostało taką ocenę.
dostało taką ocenę.
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
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
Program oceniony na minimum 9
jest bardzo dobry.
jest bardzo dobry.
01:35
Then you have a top two percent show.
24
83680
1816
Mieści się w górnych 2%.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
Tu mamy seriale jak "Breaking Bad",
"Gra o tron", "Prawo ulicy",
"Gra o tron", "Prawo ulicy",
01:41
so all of these shows that are addictive,
26
89440
2296
czyli wszelkie uzależniające seriale,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
po obejrzeniu których mózg pyta:
01:46
"Where can I get more of these episodes?"
28
94840
2176
"Skąd wziąć dalsze odcinki".
01:49
That kind of show.
29
97040
1200
O takich serialach mówię.
Żeby było jasne, tutaj po lewej
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
znajdziecie program "Mała piękność".
01:56
(Laughter)
32
104640
2656
(Śmiech)
01:59
-- which should tell you enough
33
107320
1536
co pozwala zrozumieć,
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
co się dzieje z tego końca.
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 nie martwi, że tam trafi.
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
bo trzeba by się nieźle postarać,
żeby zrobić program gorszy od tego.
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
Bardziej martwi go środkowe wybrzuszenie.
02:15
the bulge of average TV,
39
123920
1816
Tutaj są wszelkie średniaki.
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
Wszelkie seriale, które nie są dobre,
ale nie są też złe.
ale nie są też złe.
02:20
they don't really get you excited.
41
128639
1656
Takie, które nie wzbudzają emocji.
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
Musi się koniecznie znaleźć
po prawej stronie.
po prawej stronie.
02:27
So the pressure is on,
43
135200
1576
Jest więc presja, a na dodatek
Amazon robi coś takiego po raz pierwszy.
Amazon robi coś takiego po raz pierwszy.
02:28
and of course it's also the first time
44
136800
2176
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
Dlatego Roy Price nie chce
liczyć na łut szczęścia.
liczyć na łut szczęścia.
02:36
He wants to engineer success.
47
144560
2456
Woli zaplanować swój sukces.
02:39
He needs a guaranteed success,
48
147040
1776
Musi go sobie zapewnić.
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
W tym celu organizuje konkursy.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Zbiera wiele pomysłów
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
i na podstawie ich oceny
wybiera osiem seriali.
wybiera osiem seriali.
02:48
they select eight candidates for TV shows,
52
156920
4096
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
Dla każdego z nich tworzy pilota
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
i udostępnia za darmo w Internecie.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
A skoro Amazon daje coś za darmo,
to kto by nie skorzystał?
to kto by nie skorzystał?
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
Miliony widzów oglądają te seriale,
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
ale nie zdają sobie sprawy,
że są wtedy obserwowani.
że są wtedy obserwowani.
03:11
actually, they are being watched.
59
179680
2296
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Roy Price i jego ludzie
nagrywają wszystko.
nagrywają wszystko.
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
Kiedy naciskamy start czy pauzę,
co opuszczamy, a co oglądamy ponownie.
co opuszczamy, a co oglądamy ponownie.
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
03:23
So they collect millions of data points,
64
191720
2256
W ten sposób zbierają mnóstwo danych
potrzebnych przy wyborze serialu.
potrzebnych przy wyborze serialu.
03:26
because they want
to have those data points
to have those data points
65
194000
2096
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
Zbierają więc dane, analizują je
i dostają odpowiedź.
i dostają odpowiedź.
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
"Stwórzcie sitcom o czterech senatorach
z amerykańskiej Partii Republikańskiej".
z amerykańskiej Partii Republikańskiej".
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
03:42
They did that show.
71
210440
1216
Tak też zrobili.
03:43
So does anyone know the name of the show?
72
211680
2160
Ktoś wie, co to za serial?
Publiczność: "Alpha House".
03:46
(Audience: "Alpha House.")
73
214720
1296
Tak, "Alpha House".
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
Odnoszę jednak wrażenie,
że niewielu z was zna ten serial.
że niewielu z was zna ten serial.
03:53
because it didn't turn out that great.
76
221640
1856
A to dlatego, że nie był wybitny.
03:55
It's actually just an average show,
77
223520
1856
Średni serial, nic specjalnego.
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
Całkiem dosłownie "średni",
bo średnia na tym wykresie to 7,4,
bo średnia na tym wykresie to 7,4,
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
a "Alpha House" ma 7,5.
04:04
so a slightly above average show,
80
232440
2016
Tak więc trochę powyżej średniej.
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
Ale nie taki był cel
Roya Price'a i jego zespołu.
Roya Price'a i jego zespołu.
W tym samym czasie
prezesowi innej firmy się udało.
prezesowi innej firmy się udało.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
04:13
at another company,
83
241200
1576
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
Stworzył świetny serial
właśnie dzięki analizie danych
właśnie dzięki analizie danych
04:19
and his name is Ted,
85
247040
1576
Mowa o Tedzie Sarandosie,
dyrektorze programowym Netflixa.
dyrektorze programowym Netflixa.
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
On również nieustannie szuka pomysłów
na jak najlepsze seriale.
na jak najlepsze seriale.
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
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
Również używa do tego analizy danych.
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
Robi to jednak trochę inaczej.
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
Nie zrobił żadnego konkursu.
Zamiast tego przeanalizował z zespołem
dane na temat widzów Netflixa.
dane na temat widzów Netflixa.
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
Jak oceniają seriale, co oglądają.
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
Na tej podstawie stworzyli profil widza:
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
jakie seriale lubi,
jakich producentów, jakich aktorów.
jakich producentów, jakich aktorów.
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
Zebrali to razem i zaryzykowali.
04:54
they took a leap of faith,
100
282760
1656
Nie wypuścili sitcomu
o czterech senatorach,
o czterech senatorach,
04:56
and they decided to license
101
284440
2096
04:58
not a sitcom about four Senators
102
286560
2456
05:01
but a drama series about a single Senator.
103
289040
2880
tylko serial o jednym senatorze.
05:04
You guys know the show?
104
292760
1656
Znacie ten serial?
05:06
(Laughter)
105
294440
1296
(Śmiech)
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
Tak, "House of Cards".
Netflix trafił tutaj w dziesiątkę.
Netflix trafił tutaj w dziesiątkę.
05:11
at least for the first two seasons.
107
299520
2136
Przynajmniej z dwoma pierwszymi sezonami.
05:13
(Laughter) (Applause)
108
301680
3976
(Śmiech) (Brawa)
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
Ocena "House of Cards" to 9,1,
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
więc dokładnie tak, jak miało być.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
Pytanie więc, skąd ta różnica.
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Mamy dwie konkurencyjne firmy
zarządzające danymi.
zarządzające danymi.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
Łączą zebrane dane i dla jednej
wszystko działa jak należy,
wszystko działa jak należy,
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
a dla drugiej nie bardzo.
05:34
and it doesn't work for the other one.
115
322480
1856
05:36
So why?
116
324360
1216
Dlaczego tak się dzieje?
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
Wydaje się, że taka analiza
zawsze powinna działać.
zawsze powinna działać.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
W końcu mamy mnóstwo danych,
na podstawie których podejmujemy decyzję,
na podstawie których podejmujemy decyzję,
05:43
on a decision you're going to make,
119
331560
1736
więc raczej powinna to być dobra decyzja.
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
Opieramy się na 200 latach statystyk.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
Do ich analizy wykorzystujemy
nowoczesne komputery.
nowoczesne komputery.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
Mamy więc prawo oczekiwać,
że serial będzie dobry.
że serial będzie dobry.
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
Jeśli analiza danych
nie działa w ten sposób,
nie działa w ten sposób,
06:01
then it actually gets a little scary,
125
349520
2056
to zaczyna się robić strasznie,
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
bo dziś na podstawie danych
podejmuje się bardzo ważne decyzje.
podejmuje się bardzo ważne decyzje.
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
Znacznie ważniejsze niż wybór serialu.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Znacie Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
365080
1656
Nie? To dobrze.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
To firma zajmująca się oprogramowaniem.
06:22
and I hope that nobody here in this room
131
370000
2816
Mam nadzieję, że nigdy
się z nim nie zetkniecie,
się z nim nie zetkniecie,
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
bo to by oznaczało,
że jesteście w więzieniu.
że jesteście w więzieniu.
06:30
(Laughter)
134
378160
1176
(Śmiech)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Jeśli więzień w Stanach
wnioskuje o zwolnienie warunkowe,
wnioskuje o zwolnienie warunkowe,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
oprogramowanie tej firmy pozwala ocenić,
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
czy je przyznać czy nie.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
Zasada jest taka sama
jak dla Amazona czy Netflixa,
jak dla Amazona czy Netflixa,
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
tylko tym razem nie chodzi o ocenę serialu
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
tylko o ocenę więźnia.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
Owszem, to żadna przyjemność
stracić 22 minuty na średni serial,
stracić 22 minuty na średni serial,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
ale dodatkowe kilka lat w więzieniu
jest chyba jeszcze gorsze.
jest chyba jeszcze gorsze.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
Niestety mamy dowody na to,
że analiza danych nie zawsze się sprawdza.
że analiza danych nie zawsze się sprawdza.
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
Nawet jeśli mamy mnóstwo danych.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
Nie chodzi o to, że firmy
nie wiedzą, co zrobić z danymi.
nie wiedzą, co zrobić z danymi.
07:13
doesn't know what to do with data.
146
421506
1627
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
Nawet najlepsze firmy popełniają błędy.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Nawet Google nie jest nieomylny.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
W 2009 roku Google ogłosił,
że może przewidzieć epidemie grypy.
że może przewidzieć epidemie grypy.
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
Wystarczy przeanalizować
dane wyszukiwania.
dane wyszukiwania.
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
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
Wszystko szło świetnie,
rozpisywały się o tym gazety.
rozpisywały się o tym gazety.
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
Był również sukces naukowy
w postaci artykułu w tygodniku "Nature".
w postaci artykułu w tygodniku "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
Wszystko szło świetnie
przez rok, drugi, trzeci,
przez rok, drugi, trzeci,
07:45
until one year it failed.
156
453320
1656
aż jednego roku czar prysł.
07:47
And nobody could even tell exactly why.
157
455000
2256
I nikt właściwie nie wiedział dlaczego.
07:49
It just didn't work that year,
158
457280
1696
Tego roku coś po prostu nie wyszło.
07:51
and of course that again made big news,
159
459000
1936
O tym też rozpisywały się gazety.
07:52
including now a retraction
160
460960
1616
Pojawiło się też sprostowanie
artykułu w tygodniku "Nature".
artykułu w tygodniku "Nature".
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
Czyli nawet Amazon
i Google popełniają błędy,
i Google popełniają błędy,
08:01
they sometimes get it wrong.
163
469840
2136
a mimo porażek dane coraz częściej
wpływają na nasze decyzje,
wpływają na nasze decyzje,
08:04
And despite all those failures,
164
472000
2936
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
w pracy, w prawie czy w medycynie.
08:10
into the workplace,
166
478840
1816
08:12
law enforcement,
167
480680
1816
08:14
medicine.
168
482520
1200
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Trzeba się upewnić,
że dane rzeczywiście pomagają.
że dane rzeczywiście pomagają.
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
Sam mam takie problemy z danymi.
08:22
because I work in computational genetics,
171
490920
1976
Zajmuję się genetyką komputerową,
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
gdzie mnóstwo mądrych ludzi
używa niesamowicie wiele danych
używa niesamowicie wiele danych
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
w podejmowaniu ważnych decyzji,
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
jak dobór chemioterapii
czy opracowanie leku.
czy opracowanie leku.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
Przez lata zaobserwowałem pewien schemat.
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
Pewną zależność między właściwym
i niewłaściwym podejmowaniem decyzji.
i niewłaściwym podejmowaniem decyzji.
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
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
Chciałbym podzielić się z wami
moimi przemyśleniami.
moimi przemyśleniami.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
Jeśli chcemy rozwiązać jakiś
złożony problem, robimy dwie rzeczy.
złożony problem, robimy dwie rzeczy.
08:52
you're doing essentially two things.
181
520679
1737
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
Najpierw rozkładamy go na części pierwsze,
żeby go dogłębnie przeanalizować.
żeby go dogłębnie przeanalizować.
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
W drugiej części łączymy te części
z powrotem i wyciągamy wnioski.
z powrotem i wyciągamy wnioski.
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
Czasami trzeba cały proces powtórzyć,
09:08
but it's always those two things:
188
536720
1656
ale zawsze chodzi o rozkładanie
i składanie części.
i składanie części.
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
Co istotne - analiza danych
sprawdza się tylko na pierwszym etapie.
sprawdza się tylko na pierwszym etapie.
09:15
that data and data analysis
191
543920
2896
09:18
is only good for the first part.
192
546840
2496
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
Analiza danych pozwala jedynie zrozumieć
części składowe problemu.
części składowe problemu.
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Nie nadaje się do ich ponownego łączenia
ani do wyciągania wniosków.
ani do wyciągania wniosków.
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
Do tego służy inne narzędzie,
które ma każdy z nas.
które ma każdy z nas.
09:36
and that tool is the brain.
198
564280
1296
Tym narzędziem jest mózg.
09:37
If there's one thing a brain is good at,
199
565600
1936
Mózg idealnie nadaje się do łączenia
części informacji, nawet niekompletnych,
części informacji, nawet niekompletnych,
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
09:41
even when you have incomplete information,
201
569840
2016
i potem do wyciągania wniosków.
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
Zwłaszcza mózg eksperta.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
To dlatego, moim zdaniem,
Netflixowi się udało.
Netflixowi się udało.
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
Wykorzystali dane
i mózg tak, jak należało.
i mózg tak, jak należało.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Wykorzystali dane,
żeby zrozumieć preferencje widzów,
żeby zrozumieć preferencje widzów,
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
czego inaczej nie dałoby się
zrobić tak dogłębnie.
zrobić tak dogłębnie.
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
Ale to nie dane zdecydowały
o stworzeniu "House of Cards".
o stworzeniu "House of Cards".
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
Decyzję podjął Ted Sarandos z zespołem.
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
Oczywiście to była ryzykowna decyzja.
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
Amazon natomiast postąpił inaczej.
Cały proces decyzyjny oparł na danych.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Zarówno przy organizacji konkursu,
jak i wyborze "Alpha House".
jak i wyborze "Alpha House".
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
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
Oczywiście to było bezpieczne zagranie,
bo zawsze można było zrzucić winę na dane.
bo zawsze można było zrzucić winę na dane.
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
10:35
"This is what the data tells us."
220
623400
1696
"Przecież tak wynikało z danych".
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
Nie dało to jednak świetnych wyników,
jakich się spodziewano.
jakich się spodziewano.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Tak, dane są bardzo przydatnym narzędziem
przy podejmowaniu decyzji.
przy podejmowaniu decyzji.
10:47
but I believe that things go wrong
223
635120
2376
Jeśli jednak decyzje opierają się
jedynie na danych, zaczynają się problemy.
jedynie na danych, zaczynają się problemy.
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
Dane są tylko narzędziem,
nieważne jak potężnym.
nieważne jak potężnym.
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
Osobiście uważam,
że to urządzenie jest bardzo przydatne.
że to urządzenie jest bardzo przydatne.
10:59
Many of you will ...
227
647280
1216
Wielu z was...
11:00
(Laughter)
228
648520
1216
(Śmiech)
11:01
Before there was data,
229
649760
1216
Zanim pojawiły się dane.
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
tym urządzeniem podejmowano decyzje,
11:05
(Laughter)
231
653880
1256
(Śmiech)
11:07
Many of you will know this.
232
655160
1336
Wielu z was wie, co to jest.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Ta zabawka to Magic 8 Ball.
11:10
and it's really amazing,
234
658497
1199
Jest niesamowita.
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
Jeśli mamy zdecydować na tak lub na nie,
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
wystarczy nią potrząsnąć
i od razu dostajemy odpowiedź.
i od razu dostajemy odpowiedź.
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
W tym wypadku "Bardzo prawdopodobne".
11:21
I'll have it out later for tech demos.
238
669240
2096
Dam wam ją później przetestować.
11:23
(Laughter)
239
671360
1216
(Śmiech)
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
Podjąłem w życiu kilka decyzji,
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
które, z perspektywy czasu,
mogłem zostawić kuli.
mogłem zostawić kuli.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Ale jest tak, że jak już mamy dane,
to chcemy użyć czegoś bardziej złożonego,
to chcemy użyć czegoś bardziej złożonego,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
żeby podjąć lepszą decyzję.
11:41
But that does not change the basic setup.
245
689200
2616
Z tym że schemat pozostaje ten sam.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
Kula może stawać się coraz lepsza,
ale to my powinniśmy podjąć decyzję.
ale to my powinniśmy podjąć decyzję.
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
Tylko wtedy powstanie coś wyjątkowego,
co znajdzie się po prawej stronie.
co znajdzie się po prawej stronie.
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
To bardzo pocieszające,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
że mimo takiego natłoku danych,
12:03
it still pays off to make decisions,
252
711400
4096
nadal warto podejmować decyzje,
być ekspertem i podejmować ryzyko.
12:07
to be an expert in what you're doing
253
715520
2656
12:10
and take risks.
254
718200
2096
12:12
Because in the end, it's not data,
255
720320
2776
Koniec końców to ryzyko pozwala nam
znaleźć się po prawej stronie, a nie dane.
znaleźć się po prawej stronie, a nie dane.
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
Dziękuję.
12:21
(Applause)
258
729080
3680
(Brawa)
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