TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Hur data används för att skapa en tv-succé
Filmed:
Readability: 4
1,628,704 views
Leder mer data till bättre beslutsfattande? Tävlingsinriktade, datakunniga företag som Amazon, Google och Netflix har lärt sig att dataanalys inte på egen hand behöver ge optimala resultat. I det här föredraget förklarar dataanalytikern Sebastian Wernicke vad som går fel när vi fattar beslut som är baserade enbart på data - och föreslår ett smartare sätt att använda den.
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
Roy Price är en man som de flesta av er
förmodligen aldrig hört talas om,
förmodligen aldrig hört talas om,
00:17
even though he may have been responsible
1
5120
2496
även om han kan ha varit ansvarig
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
för 22 ganska mediokra minuter
av ditt liv den 19 april 2013.
av ditt liv den 19 april 2013.
Han kan också ha varit ansvarig
för 22 väldigt underhållande minuter,
för 22 väldigt underhållande minuter,
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
men inte för så många av er.
00:32
And all of that goes back to a decision
5
20040
1896
Och allt beror på ett beslut
som Roy var tvungen att ta
för ungefär tre år sen.
för ungefär tre år sen.
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
Ni förstår, Roy Price är en hög chef
inom Amazon Studios.
inom Amazon Studios.
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
Det är Amazons produktionsbolag för tv.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
Han är 47 år gammal,
smal, med taggigt hår,
smal, med taggigt hår,
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
beskriver sig på Twitter
som "film, tv, teknik, tacos".
som "film, tv, teknik, 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 har ett ansvarsfullt jobb,
för det är hans ansvar att välja
för det är hans ansvar att välja
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
vilka serier, vilket originalinnehåll
som Amazon ska ta fram.
som Amazon ska ta fram.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
Självklart innebär det hög konkurrens.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Det görs så många tv-serier,
01:06
that Roy can't just choose any show.
15
54400
2176
så Roy kan inte välja
vilken serie som helst.
vilken serie som helst.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Han måste hitta
en riktigt, riktigt bra serie.
en riktigt, riktigt bra serie.
01:12
So in other words, he has to find shows
17
60720
2816
Med andra ord måste han hitta serier
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
som ligger längst ut till höger
på den här kurvan.
på den här kurvan.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Den här kurvan är betygsfördelningen
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
för ungefär 2 500 tv-serier
i IMDBs databas,
i IMDBs databas,
01:25
and the rating goes from one to 10,
21
73040
2896
och betygssnittet
kan vara mellan 1 och 10,
kan vara mellan 1 och 10,
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
och höjden här visar
hur många serier som får det betyget.
hur många serier som får det betyget.
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
Så om en serie får ett snittbetyg
på 9 poäng eller högre är den en vinnare.
på 9 poäng eller högre är den en vinnare.
Då har man en serie bland de 2 procenten.
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
Det är serier som "Breaking Bad",
"Game of Thrones", "The Wire".
"Game of Thrones", "The Wire".
01:41
so all of these shows that are addictive,
26
89440
2296
De här serierna är beroendeframkallande,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
så när man har sett en säsong
säger ens hjärna liksom,
säger ens hjärna liksom,
"Var kan jag hitta fler
sådana här avsnitt?"
sådana här avsnitt?"
01:46
"Where can I get more of these episodes?"
28
94840
2176
01:49
That kind of show.
29
97040
1200
Den sortens serie.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
Till vänster, här borta,
för att vara tydlig,
för att vara tydlig,
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
finns en serie som heter
"Toddles and Tiaras" -
"Toddles and Tiaras" -
01:56
(Laughter)
32
104640
2656
(Skratt)
01:59
-- which should tell you enough
33
107320
1536
- vilket borde säga nog om
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
vad som händer på den sidan av kurvan.
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 är inte orolig för
att hamna på den sidan av kurvan,
att hamna på den sidan av kurvan,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
för jag tror att man behöver ha
en riktigt skarp hjärna
en riktigt skarp hjärna
för att bli sämre
än "Toddlers and Tiaras".
än "Toddlers and 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
Vad han oroar sig för är klumpen i mitten,
02:15
the bulge of average TV,
39
123920
1816
klumpen av halvbra tv,
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
ni vet, sådana där serier
som varken är bra eller dåliga,
som varken är bra eller dåliga,
02:20
they don't really get you excited.
41
128639
1656
som inte gör någon exalterad.
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
Så han behöver bli säker på
att han verkligen hamnar rätt.
att han verkligen hamnar rätt.
Det finns ett tryck på att lyckas,
02:27
So the pressure is on,
43
135200
1576
02:28
and of course it's also the first time
44
136800
2176
och det är förstås också första gången
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
som Amazon ens gör något sånt här,
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
så Roy Price vill inte ta några risker.
02:36
He wants to engineer success.
47
144560
2456
Han vill bygga framgång.
02:39
He needs a guaranteed success,
48
147040
1776
Han behöver en garanterad succé,
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
så han anordnar en tävling.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Han tar ett antal tv-seriekoncept
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
och genom att utvärdera dem
02:48
they select eight candidates for TV shows,
52
156920
4096
tar de ut åtta kandidater till tv-serier,
och sen gör han det första avsnittet
av var och en av dessa tv-serier
av var och en av dessa tv-serier
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
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
och lägger ut dem gratis online
så att alla kan se dem.
så att alla kan se dem.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
Och när Amazon delar ut saker gratis
03:01
you're going to take it, right?
56
169720
1536
vill man ha dem, eller hur?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Så miljoner människor tittar på avsnitten.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
Vad de inte inser är
att när de tittar på sina serier
att när de tittar på sina serier
03:11
actually, they are being watched.
59
179680
2296
är det de som blir betraktade.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
De betraktas av Roy Price och hans team,
03:16
who record everything.
61
184360
1376
som spelar in allt.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
De spelar in när någon trycker play,
när någon pausar,
när någon pausar,
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
vilka delar de hoppar över,
vilka delar de ser igen.
vilka delar de ser igen.
03:23
So they collect millions of data points,
64
191720
2256
De samlar in miljontals datapunkter,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
för de vill ha dem
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
när de bestämmer
vilken tv-serie de ska göra.
vilken tv-serie de ska göra.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
Så de samlar in datan,
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
de bearbetar informationen,
och ett svar träder fram,
och ett svar träder fram,
03:35
and the answer is,
69
203640
1216
och svaret är,
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"Amazon borde göra en komedi
om fyra republikanska senatorer i USA."
om fyra republikanska senatorer i USA."
03:42
They did that show.
71
210440
1216
De gjorde den serien.
03:43
So does anyone know the name of the show?
72
211680
2160
Vet någon vad serien heter?
03:46
(Audience: "Alpha House.")
73
214720
1296
(Publiken: "Alpha House")
03:48
Yes, "Alpha House,"
74
216040
1456
Ja, "Alpha House",
03:49
but it seems like not too many of you here
remember that show, actually,
remember that show, actually,
75
217520
4096
men det verkar faktiskt inte vara
så många av er som minns den serien,
så många av er som minns den serien,
03:53
because it didn't turn out that great.
76
221640
1856
för den blev inte så bra.
03:55
It's actually just an average show,
77
223520
1856
Det blev bara en medioker serie,
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
rent bokstavligen,
för mitten på kurvan är 7,4,
för mitten på kurvan är 7,4,
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
och "Alpha House" landade på 7,5,
04:04
so a slightly above average show,
80
232440
2016
en serie strax över genomsnittet,
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
men det var verkligen inte
vad Roy Price och hans team siktade på.
vad Roy Price och hans team siktade på.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
Men ungefär samtidigt
04:13
at another company,
83
241200
1576
på ett annat företag
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
lyckades en annan hög chef ro i land
en toppserie med hjälp av dataanalys,
en toppserie med hjälp av dataanalys,
04:19
and his name is Ted,
85
247040
1576
och han heter Ted,
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Ted Sarandos, som är
innehållschef på Netflix,
innehållschef på Netflix,
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
och precis som Roy letar han ständigt
04:26
to find that great TV show,
88
254240
1496
efter den stora tv-serien,
04:27
and he uses data as well to do that,
89
255760
2016
och han använder data för att göra det,
men han gör det
på ett lite annorlunda sätt.
på ett lite annorlunda sätt.
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
Så istället för att hålla en tävling,
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
tittade han och hans team på den data
som de redan hade om Netflixtittare,
som de redan hade om Netflixtittare,
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
som de betyg de gett till deras serier,
tittarhistoriken, vilka serier
de gillade, och så vidare.
de gillade, och så vidare.
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
De använde datan för att upptäcka
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
alla små detaljer om sin publik:
vilka slags serier de gillade,
04:48
what kinds of shows they like,
97
276560
1456
vilka slags producenter,
vilka slags skådespelare.
vilka slags skådespelare.
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
Och när de väl hade satt ihop alla delar
04:54
they took a leap of faith,
100
282760
1656
gjorde de en chansning
04:56
and they decided to license
101
284440
2096
och bestämde sig för att skapa
04:58
not a sitcom about four Senators
102
286560
2456
inte en komedi om fyra senatorer,
05:01
but a drama series about a single Senator.
103
289040
2880
utan en dramaserie om en enda senator.
05:04
You guys know the show?
104
292760
1656
Vet ni vilken serie?
05:06
(Laughter)
105
294440
1296
(Skratt)
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
Ja, "House of Cards", och Netflix
slog förstås huvudet på spiken med den,
slog förstås huvudet på spiken med den,
05:11
at least for the first two seasons.
107
299520
2136
iallafall de första två säsongerna.
05:13
(Laughter) (Applause)
108
301680
3976
(Skratt) (Applåder)
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
"House of Cards" får 9,1
i snittbetyg på kurvan,
i snittbetyg på kurvan,
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
så det är precis där de ville vara.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
Nu är frågan, vad hände här?
Vi har två väldigt tävlingsinriktade,
datakunniga företag.
datakunniga företag.
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
De kombinerar miljontals datapunkter,
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
och sen går det utmärkt för en av dem,
05:34
and it doesn't work for the other one.
115
322480
1856
och det fungerar inte för den andra.
05:36
So why?
116
324360
1216
Varför?
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
För logiken säger
att det borde fungera varje gång.
att det borde fungera varje gång.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Om man samlar ihop miljontals datapunkter
05:43
on a decision you're going to make,
119
331560
1736
om ett beslut man ska fatta
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
så borde det bli ett ganska bra beslut.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
Det finns 200 år av statistik
att luta sig mot.
att luta sig mot.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
Den förstärks med kraftfulla datorer.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
Det minsta man kan begära
är bra tv, eller hur?
är bra tv, eller hur?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
Om dataanalys inte fungerar på det sättet
06:01
then it actually gets a little scary,
125
349520
2056
så blir det lite skrämmande,
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
för vi lever i en tid
där vi allt oftare lutar oss mot data
där vi allt oftare lutar oss mot data
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
för att fatta allvarliga beslut
som går långt bortom tv.
som går långt bortom tv.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Känner någon här till
företaget Multi-Health Systems?
företaget Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
365080
1656
Ingen. OK, det är faktiskt bra.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
Multi-Health Systems
är ett mjukvaruföretag,
är ett mjukvaruföretag,
06:22
and I hope that nobody here in this room
131
370000
2816
och jag hoppas att ingen i det här rummet
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
någonsin kommer i kontakt
med deras mjukvara,
med deras mjukvara,
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
för det betyder att du sitter i fängelse.
06:30
(Laughter)
134
378160
1176
(Skratt)
Om någon här i USA sitter i fängelse
och de ansöker om villkorlig frigivning
och de ansöker om villkorlig frigivning
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
är det väldigt sannolikt
att dataanalysprogram
att dataanalysprogram
från det företaget kommer att användas
för att pröva frigivningen.
för att pröva frigivningen.
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
Så det är samma princip
som för Amazon och Netflix,
som för Amazon och 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
men istället för att bestämma
om en tv-serie ska bli bra eller dålig
om en tv-serie ska bli bra eller dålig
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
bestämmer man om en person
ska bli bra eller dålig.
ska bli bra eller dålig.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
Och 22 minuter av medioker tv
kan vara ganska dåligt,
kan vara ganska dåligt,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
men jag antar att fler år
i fängelse är ännu värre.
i fängelse är ännu värre.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
Oturligt nog finns det faktiskt
en del bevis för att den här dataanalysen,
en del bevis för att den här dataanalysen,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
även om den har massor av data,
inte alltid producerar optimala resultat.
inte alltid producerar optimala resultat.
Det beror inte på att ett företag
som Multi-Health Systems
som Multi-Health Systems
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
inte vet vad de ska göra
med informationen.
med informationen.
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
Även datakunniga företag gör fel.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Ja, till och med Google har fel ibland.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
2009 sa Google att de
med hjälp av dataanalys
med hjälp av dataanalys
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
kunde förutsäga utbrott av influensa,
den elaka sortens förkylning,
den elaka sortens förkylning,
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
genom att genomföra dataanalys
av sina Google-sökningar.
av sina Google-sökningar.
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
Och det fungerade fint,
vilket gav stor uppmärksamhet i medierna,
vilket gav stor uppmärksamhet i medierna,
inklusive det yttersta beviset
på vetenskaplig framgång:
på vetenskaplig framgång:
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
07:39
a publication in the journal "Nature."
154
447200
2456
en artikel i tidskriften "Nature".
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Det fungerade fint i flera år,
tills det ett år inte fungerade längre.
07:45
until one year it failed.
156
453320
1656
07:47
And nobody could even tell exactly why.
157
455000
2256
Och ingen kunde ens säga riktigt varför.
07:49
It just didn't work that year,
158
457280
1696
Det fungerade bara inte det året,
och det fick förstås
också mycket publicitet,
också mycket publicitet,
07:51
and of course that again made big news,
159
459000
1936
07:52
including now a retraction
160
460960
1616
inklusive ett tillbakadragande
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
av artikeln i "Nature".
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Så till och med de med
de datakunniga företagen
de datakunniga företagen
som Amazon och Google har ibland fel.
08:01
they sometimes get it wrong.
163
469840
2136
08:04
And despite all those failures,
164
472000
2936
Och trots alla dessa misslyckanden
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
får data snabbt ett större inflytande
över beslut i verkliga livet -
över beslut i verkliga livet -
08:10
into the workplace,
166
478840
1816
på arbetsplatsen,
08:12
law enforcement,
167
480680
1816
inom rättsväsendet,
08:14
medicine.
168
482520
1200
inom medicin.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Så vi borde verkligen ta reda på
ifall data verkligen hjälper oss.
ifall data verkligen hjälper oss.
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
Jag har personligen sett
en stor del av de här problemen,
en stor del av de här problemen,
för jag arbetar inom databeräknad genetik,
08:22
because I work in computational genetics,
171
490920
1976
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
vilken också är ett fält
där många smarta människor
där många smarta människor
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
använder oerhörda mängder data
för att fatta ganska allvarliga beslut,
för att fatta ganska allvarliga beslut,
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
som att välja cancerbehandling
eller utveckla en ny medicin.
eller utveckla en ny medicin.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
Över åren har jag noterat
ett slags mönster,
ett slags mönster,
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
eller en slags regel,
kan man säga, om skillnaden
kan man säga, om skillnaden
mellan framgångsrikt
och icke framgångsrikt
och icke framgångsrikt
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
08:43
and unsuccessful decision-making,
178
511120
1616
beslutsfattande med data
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
och jag har hittat ett mönster
som är värt att dela med sig av.
som är värt att dela med sig av.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
När man löser ett komplext problem
08:52
you're doing essentially two things.
181
520679
1737
gör man i grunden två saker.
Den första är
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
att plocka isär problemet i små bitar
så att man kan analysera bitarna
så att man kan analysera bitarna
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
och sen gör man det andra steget.
Men sätter ihop bitarna igen
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
för att komma till slutsatsen.
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
Ibland måste man göra om det,
men det handlar alltid de två sakerna:
09:08
but it's always those two things:
188
536720
1656
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
plocka isär och sätta ihop saker igen.
09:14
And now the crucial thing is
190
542280
1616
Det viktiga är
09:15
that data and data analysis
191
543920
2896
att data och dataanalys
09:18
is only good for the first part.
192
546840
2496
bara är bra för det första steget.
Hur kraftfulla data och dataanalys än är,
kan bara hjälpa till med
kan bara hjälpa till med
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
att plocka isär ett problem
och förstå dess delar.
och förstå dess delar.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Den passar inte för
att sätta ihop delarna igen
att sätta ihop delarna igen
09:31
and then to come to a conclusion.
196
559600
1896
för att komma till en slutsats.
Det finns ett annat verktyg
som kan göra det,
som kan göra det,
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
vi har det allihop, och det är hjärnan.
09:36
and that tool is the brain.
198
564280
1296
09:37
If there's one thing a brain is good at,
199
565600
1936
Om det finns något hjärnan är bra på
så är att det att sätta ihop
små delar igen,
små delar igen,
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
även när den inte har all information,
09:41
even when you have incomplete information,
201
569840
2016
09:43
and coming to a good conclusion,
202
571880
1576
och kan nå en bra slutsats,
09:45
especially if it's the brain of an expert.
203
573480
2936
speciellt om det är en experts hjärna.
Jag tror att det är därför
Netflix blev så framgångsrika,
Netflix blev så framgångsrika,
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
för att de använde data och hjärnor
där de passade i processen.
där de passade i processen.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
De använder data för att först förstå
många små detaljer om sin publik
många små detaljer om sin publik
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
som de annars inte skulle
ha kunnat förstå på samma djup,
ha kunnat förstå på samma djup,
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
men beslutet om hur de olika detaljerna
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
skulle sättas ihop igen
för att bli en serie som "House of Cards"
för att bli en serie som "House of Cards"
fanns ingenstans i deras data.
10:07
that was nowhere in the data.
210
595720
1416
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
Ted Sarandos och hans team
tog beslutet att godkänna tv-serien,
tog beslutet att godkänna tv-serien,
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
vilket förresten också betydde
att de tog en ganska stor personlig risk
när de tog det beslutet.
när de tog det beslutet.
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
Och Amazon, å andra sidan,
de gjorde saken på fel sätt.
de gjorde saken på fel sätt.
De använde data
för allt sitt beslutsfattande,
för allt sitt beslutsfattande,
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
först när de höll tävlingen
för tv-koncept,
för tv-koncept,
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
och sen när de valde "Alpha House"
till den serie de skulle göra.
till den serie de skulle göra.
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
Vilket självklart var
ett säkert val för dem,
ett säkert val för dem,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
för de kunde alltid peka på data och säga
"Vår data säger det här."
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
Men det ledde inte till
de enastående resultat som de hoppades på.
de enastående resultat som de hoppades på.
Så data är förstås
ett oerhört kraftfullt verktyg
ett oerhört kraftfullt verktyg
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
för att fatta bättre beslut,
10:47
but I believe that things go wrong
223
635120
2376
men jag tror att saker går fel
när data börjar styra besluten.
när data börjar styra besluten.
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
Hur kraftfull den än är,
så är data bara ett verktyg,
så är data bara ett verktyg,
och för att hålla det i minnet tycker jag
den här saken är användbar.
den här saken är användbar.
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
10:59
Many of you will ...
227
647280
1216
Många av er kommer ...
11:00
(Laughter)
228
648520
1216
(Skratt)
Innan det fanns data, var det här
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
beslutsstödet som användes.
11:05
(Laughter)
231
653880
1256
(Skratt)
11:07
Many of you will know this.
232
655160
1336
Många känner nog igen den.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Den här leksaken heter Magic 8 Ball,
11:10
and it's really amazing,
234
658497
1199
och den är fantastisk,
för om du har ett beslut att fatta,
en ja- eller nejfråga,
en ja- eller nejfråga,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
behöver du bara skaka bollen
för att få ett svar -
för att få ett svar -
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
"Förmodligen" - just här
i den här stunden i realtid.
i den här stunden i realtid.
11:21
I'll have it out later for tech demos.
238
669240
2096
Jag kan dema den senare.
11:23
(Laughter)
239
671360
1216
(Skratt)
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
Så här är det förstås,
att jag har fattat några beslut i mitt liv
att jag har fattat några beslut i mitt liv
där jag i efterhand har förstått
att jag borde ha lyssnat på bollen.
att jag borde ha lyssnat på bollen.
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Men om man har data tillgängliga
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
vill man såklart ersätta den här
med något lite mer sofistikerat,
med något lite mer sofistikerat,
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
till exempel dataanalys,
för att fatta ett bättre beslut.
för att fatta ett bättre beslut.
11:41
But that does not change the basic setup.
245
689200
2616
Men det ändrar inte
de grundläggande förutsättningarna.
de grundläggande förutsättningarna.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
Så bollen kan bli allt smartare
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
men jag tror att vi fortfarande
måste fatta besluten
måste fatta besluten
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
om vi vill åstadkomma
något utöver det vanliga,
något utöver det vanliga,
11:52
on the right end of the curve.
249
700920
1936
längst till höger på kurvan.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
Och jag tycker faktiskt att det är
ett väldigt uppmuntrande budskap,
ett väldigt uppmuntrande budskap,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
att även när vi står inför
enorma mängder data
enorma mängder data
12:03
it still pays off to make decisions,
252
711400
4096
lönar det sig fortfarande
att fatta beslut,
att fatta beslut,
12:07
to be an expert in what you're doing
253
715520
2656
att vara en expert på det man gör,
12:10
and take risks.
254
718200
2096
och att ta risker.
12:12
Because in the end, it's not data,
255
720320
2776
För i slutändan är det inte data
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
utan risker som kommer att ta en
längst ut till höger på kurvan.
längst ut till höger på kurvan.
Tack.
12:19
Thank you.
257
727840
1216
12:21
(Applause)
258
729080
3680
(Applåder)
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