TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
سباستيان ويرنك: كيف نستخدم البيانات في عمل عرض تلفزيوني ناجح
Filmed:
Readability: 4
1,628,704 views
هل يقود جمع المزيد من البيانات لصناعة قرار أفضل؟ لقد أدركت شركات تحليل البيانات التنافسية الكبرى كـ جوجل وأمازون ونتفليكس أن تحليل البيانات وحده ليس دائما يقدم نتائج مُثلى. في هذه المحادثة، يفسّر عالم البيانات سباستيان ويرنك ما الصواب وما الخطأ عندما نقوم بإتخاذ القرارات بناءًا على البيانات فقط، ويقترح طريقة ذكية لإستخدامها.
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
روي برايس هو رجل ربما
معظمكم لم يسمع به من قبل،
معظمكم لم يسمع به من قبل،
00:17
even though he may have been responsible
1
5120
2496
رغم أنه كان مسؤولاً
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
عن 22 دقيقة معتدلة الجودة من حياتكم خلال
التاسع عشر من شهر أبريل 2013.
التاسع عشر من شهر أبريل 2013.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
وربما كان مسؤولاً أيضاً عن 22
من الدقائق المسلّية جداً،
من الدقائق المسلّية جداً،
00:29
but not very many of you.
4
17760
2256
ولكن ليس للعديد منكم.
00:32
And all of that goes back to a decision
5
20040
1896
و هذا يعود لقرار
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
كان على روي أن يتخذه
قبل حوالي ثلاث سنوات.
قبل حوالي ثلاث سنوات.
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
فكما ترون أن روي برايس هو أحد
المدراء الكبار في ستوديوهات أمازون.
المدراء الكبار في ستوديوهات أمازون.
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
وتلك هي شركة الإنتاج
التلفزيوني التابعة لأمازون.
التلفزيوني التابعة لأمازون.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
يبلغ من العمر 47 عاماً،
نحيف ذو شعر شائك،
نحيف ذو شعر شائك،
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
ويصف حاله على تويتر بأنه رجل
"الأفلام، التلفزيون، التكنولوجيا، الشطائر"
"الأفلام، التلفزيون، التكنولوجيا، الشطائر"
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
ويشغل روي برايس وظيفة
جديرة جدا بالثقة إذ يقع عليه عاتق
جديرة جدا بالثقة إذ يقع عليه عاتق
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
تحديد المحتوى الأصلي
للعروض التي ستتبناها أمازون.
للعروض التي ستتبناها أمازون.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
وبالطبع فإن ذلك يشكل
فضاءاً شديد المنافسة.
فضاءاً شديد المنافسة.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
أعني، أن هناك العديد من العروض
التلفزيونية على الساحة،
التلفزيونية على الساحة،
01:06
that Roy can't just choose any show.
15
54400
2176
تصعّب على روي أمر اختياره للعروض.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
عليه أن يجد تلك العروض
التي تعد عظيمة فعلاً.
التي تعد عظيمة فعلاً.
01:12
So in other words, he has to find shows
17
60720
2816
وبكلمة أخرى، عليه إيجاد العروض
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
التي تقع على أقصى الطرف الأيمن
من هذا المنحنى.
من هذا المنحنى.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
ويمثل هذا المنحنى
توزيع التقييمات
توزيع التقييمات
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
لما يناهز الـ 2500 من العروض التلفزيونية
لموقع قاعدة بيانات الأفلام على الانترنت،
لموقع قاعدة بيانات الأفلام على الانترنت،
01:25
and the rating goes from one to 10,
21
73040
2896
IMDB
حيث تتدرج التقييمات من واحد حتى العشرة،
حيث تتدرج التقييمات من واحد حتى العشرة،
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
ويعبّر الارتفاع هنا عن عدد
العروض التي أحرزت ذلك التقييم.
العروض التي أحرزت ذلك التقييم.
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
فإذا ما أحرز عرضكم تقييماً من تسعة
نقاط فما فوق، فيعدّ ذلك فائزاً.
نقاط فما فوق، فيعدّ ذلك فائزاً.
01:35
Then you have a top two percent show.
24
83680
1816
ثم ليبرز عرض ما فوق ال 2%
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
وتلك عروض مثل "الاختلال الضال"
و"صراع العروش" و "المتنصّت"،
و"صراع العروش" و "المتنصّت"،
01:41
so all of these shows that are addictive,
26
89440
2296
وجميع هذه العروض هي من النوع الإدماني،
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
فما إن يتم مشاهدة موسم منها،
حتى يجنح الدماغ إلى حالة،
حتى يجنح الدماغ إلى حالة،
01:46
"Where can I get more of these episodes?"
28
94840
2176
"أين يسعني تحصيل المزيد من هذه الحلقات؟"
01:49
That kind of show.
29
97040
1200
ذلك النوع من العروض.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
وعلى الطرف الأيسر، فقط للإيضاح،
هنا على ذلك الطرف،
هنا على ذلك الطرف،
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
تجدون عرضاً يدعى
"الأطفال والتيجان" ..
"الأطفال والتيجان" ..
01:56
(Laughter)
32
104640
2656
(ضحك)
01:59
-- which should tell you enough
33
107320
1536
ما يمكنه إخباركم بما يكفي
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
عن طبيعة ما يجري عند
ذلك الطرف من المنحنى.
ذلك الطرف من المنحنى.
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
وهكذا فإن روي برايس لا تشغله متابعة
ما يجري عند الطرف الأيسر من المنحنى،
ما يجري عند الطرف الأيسر من المنحنى،
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
لأنني أعتقد أنه عليكم بالتمتع
ببعض القدرة العقلية
ببعض القدرة العقلية
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
لتحجّموا أمر "الأطفال والتيجان."
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
فما يشغله هو هذا البروز
الوسطي الناتئ هنا،
الوسطي الناتئ هنا،
02:15
the bulge of average TV,
39
123920
1816
بروز متوسط العروض التلفزيونية،
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
وكما تعلمون، فتلك العروض التي
ليست حقاً جيدة وليست حقا بائسة،
ليست حقاً جيدة وليست حقا بائسة،
02:20
they don't really get you excited.
41
128639
1656
والتي لا تثير الحماس حقاً.
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
لذا فهو بحاجة لتأمين ما إذا
كان حقاً على الطرف الأيمن من هذا.
كان حقاً على الطرف الأيمن من هذا.
02:27
So the pressure is on,
43
135200
1576
الأمر الذي يصعّد الضغط عالياً،
02:28
and of course it's also the first time
44
136800
2176
وطبعاً هي المرة الأولى التي
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
خاصت فيها أمازون غمار أمر كهذا،
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
وهذا ما يضيّق على روي برايس خياراته.
02:36
He wants to engineer success.
47
144560
2456
فهو راغب بهندسة النجاح.
02:39
He needs a guaranteed success,
48
147040
1776
ويطمح نحو نجاح مضمون،
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
لذا فما يفعله يتمثّل بإعداده لمنافسة.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
متناولاً حفنة من أفكار العروض التلفزيونية،
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
ومن تلك الأفكار وعبر القيام بتقييمها،
02:48
they select eight candidates for TV shows,
52
156920
4096
يرشّحون ثمانية أفكار لتقوم
عروض تلفزيونية عليها،
عروض تلفزيونية عليها،
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
وبعدها يقوم بعمل الحلقة الأولى
من كل عرض من هذه العروض
من كل عرض من هذه العروض
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
ليضعها على الانترنت متاحة
للجميع لمشاهدتها مجاناً.
للجميع لمشاهدتها مجاناً.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
فعندما تقوم أمازون بإتاحة
مادة مجانية،
مادة مجانية،
03:01
you're going to take it, right?
56
169720
1536
فالنتيجة أنكم تتناولونها، صحيح؟
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
وهكذا يقوم الملايين من المشاهدين
بمشاهدة تلك الحلقات.
بمشاهدة تلك الحلقات.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
وما لا يدركونه هو أنهم أثناء
مشاهدتهم العروض،
مشاهدتهم العروض،
03:11
actually, they are being watched.
59
179680
2296
يتم فعليّا مراقبتهم.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
تتم مراقبتهم من قبل روي برايس وفريقه،
03:16
who record everything.
61
184360
1376
والذين يسجّلون كل شي.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
فيسجّلون لحظة ما يقوم الشخص بالكبس على
مفتاح التشغيل، أو مفتاح التمهّل.
مفتاح التشغيل، أو مفتاح التمهّل.
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
وما المقاطع التي يتخطّونها، وما
التي تعاد مشاهدتها.
التي تعاد مشاهدتها.
03:23
So they collect millions of data points,
64
191720
2256
وهكذا يجمعون الملايين من نقاط البيانات،
03:26
because they want
to have those data points
to have those data points
65
194000
2096
لأنهم بحاجة إلى نقاط البيانات تلك
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
كي يقرّروا أيّا من العروض
يترتّب عليهم تبنّيها.
يترتّب عليهم تبنّيها.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
وبقدر ما يتطلب الأمر،
يجمعون كل البيانات،
يجمعون كل البيانات،
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
ويمارسون كافة عمليات الطحن والغربلة
حتى الخروج بإجابة،
حتى الخروج بإجابة،
03:35
and the answer is,
69
203640
1216
والإجابة هي،
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"على أمازون القيام بمسرحية هزلية تدور حول
أربعة من الشيوخ الأمريكان الجمهوريين."
أربعة من الشيوخ الأمريكان الجمهوريين."
03:42
They did that show.
71
210440
1216
وفعلاً نفذوا ذلك العرض.
03:43
So does anyone know the name of the show?
72
211680
2160
فهل أحد يعلم ما اسم ذلك العرض؟
03:46
(Audience: "Alpha House.")
73
214720
1296
(الجمهور: "بيت ألفا.")
03:48
Yes, "Alpha House,"
74
216040
1456
نعم، إنه "بيت ألفا،"
03:49
but it seems like not too many of you here
remember that show, actually,
remember that show, actually,
75
217520
4096
ولكن يبدو أنه ليس الكثير منكم من
يتذكر ذلك العرض حقيقة،
يتذكر ذلك العرض حقيقة،
03:53
because it didn't turn out that great.
76
221640
1856
لأنه لم يحقق قدراً كبيراً من الأهمية.
03:55
It's actually just an average show,
77
223520
1856
إنه لا يتعدّى كونه من العروض المتوسّطة.
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
فحقيقة .. وحرفياً وبالفعل لأن متوسط
هذا المنحنى يقع على درجة 7.4،
هذا المنحنى يقع على درجة 7.4،
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
ويحتلّ عرض "بيت ألفا" الدرجة 7.5،
04:04
so a slightly above average show,
80
232440
2016
لذا فهو أكثر قليلاً من العرض المتوسط،
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
ولكن بالتأكيد ليس هذا ما كان
روي برايس وفريقه يصبون إليه.
روي برايس وفريقه يصبون إليه.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
بينما، على أية حال،
وفي أثناء ذلك،
وفي أثناء ذلك،
04:13
at another company,
83
241200
1576
وفي شركة أخرى،
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
تمكّن أحد المدراء التنفيذيين من بلوغ قمة
العروض عبر استخدام تحليل البيانات،
العروض عبر استخدام تحليل البيانات،
04:19
and his name is Ted,
85
247040
1576
واسمه تيد،
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
تيد ساراندوز، وهو المسؤول الأقدم
على المحتوى لدى شركة نيتفليكس،
على المحتوى لدى شركة نيتفليكس،
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
وتماماً كما روي،
نذر نفسه للمهمّة المستمرة
نذر نفسه للمهمّة المستمرة
04:26
to find that great TV show,
88
254240
1496
لإيجاد العرض التلفزيوني الهائل
04:27
and he uses data as well to do that,
89
255760
2016
كما أنه أيضاً يستخدم البيانات لتحقيق ذلك،
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
ما عدا أنه يفعل ذلك
بطريقة مختلفة قليلاً.
بطريقة مختلفة قليلاً.
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
فبدلاً من إعداد المنافسة،
قام، بصحبة فريقه طبعاً،
قام، بصحبة فريقه طبعاً،
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
بمعاينة جميع البيانات التي بين
أيديهم حول مشاهدي نيتفليكس،
أيديهم حول مشاهدي نيتفليكس،
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
كما تعلمون، كالتقييمات التي
تحرزها عروضهم،
تحرزها عروضهم،
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
أو سجلات المشاهدة،
والعروض التي تعجب المشاهدين، وهكذا.
والعروض التي تعجب المشاهدين، وهكذا.
04:44
And then they use that data to discover
95
272000
1896
وبعدها يقومون باستخدام البيانات للكشف
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
عن كل هذه الأمور الصغيرة التي تخص الجمهور:
04:48
what kinds of shows they like,
97
276560
1456
ما نوع العروض التي تعجبهم،
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
ما نوع المنتجين،
ما نوع الممثّلين.
ما نوع الممثّلين.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
وحالما تتجمع لديهم
كل هذه القطع الصغيرة،
كل هذه القطع الصغيرة،
04:54
they took a leap of faith,
100
282760
1656
يقومون باتخاذ طفرة ايمانية،
04:56
and they decided to license
101
284440
2096
ويقرّرون القيام بترخيص
04:58
not a sitcom about four Senators
102
286560
2456
ليس مسرحية هزلية عن أربعة شيوخ
05:01
but a drama series about a single Senator.
103
289040
2880
ولكن مسلسل درامي عن شيخ واحد،
05:04
You guys know the show?
104
292760
1656
وأنتم تعرفون العرض؟
05:06
(Laughter)
105
294440
1296
(ضحك)
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
نعم، "البيت الواهن،" وطبعا
تربّعت نيتفليكس من خلال ذلك العرض،
تربّعت نيتفليكس من خلال ذلك العرض،
05:11
at least for the first two seasons.
107
299520
2136
على الأقل خلال الموسمين الأولين،
05:13
(Laughter) (Applause)
108
301680
3976
(ضحك) (تصفيق)
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
حصل "البيت الواهن" على
تقييم بدرجة 9.1 على هذا المنحنى،
تقييم بدرجة 9.1 على هذا المنحنى،
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
إنه تماماً حيث
أرادوا له أن يكون،
أرادوا له أن يكون،
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
والآن، يبرز السؤال الطبيعي،
ما الذي حصل هنا؟
ما الذي حصل هنا؟
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
ولديكم منافسان كبيران من
شركات ذكاء البيانات.
شركات ذكاء البيانات.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
حيث يقومون بوصل كل هذه
الملايين من نقاط البيانات،
الملايين من نقاط البيانات،
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
وفجأة تصيب إحداها
بطريقة جميلة،
بطريقة جميلة،
05:34
and it doesn't work for the other one.
115
322480
1856
بينما تخيب الأخرى.
05:36
So why?
116
324360
1216
لماذا؟
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
لأن المنطق يخبرك نوعاً ما
أن هذا بوسعه النجاح كل الأحيان.
أن هذا بوسعه النجاح كل الأحيان.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
وأعني، من خلال جمعك
لملايين النقاط من البيانات
لملايين النقاط من البيانات
05:43
on a decision you're going to make,
119
331560
1736
من أجل قرار سيتعين عليك اتخاذه،
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
عليك أن تكون قادراً على
اتخاذ قرار ناجع.
اتخاذ قرار ناجع.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
فلديك 200 سنة من الإحصاءات
التي عليك اعتمادها.
التي عليك اعتمادها.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
والتي تقوم بتنميتها عبر
استخدام حواسيب جبارة.
استخدام حواسيب جبارة.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
وأقل ما تتوقعه هو الحصول
على عرض تلفزيوني جيد، صحيح؟
على عرض تلفزيوني جيد، صحيح؟
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
ولكن إن كانت تقنية تحليل
البيانات لا تعمل بتلك الطريقة،
البيانات لا تعمل بتلك الطريقة،
06:01
then it actually gets a little scary,
125
349520
2056
فستغدو حقاً مخيفة قليلاً،
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
لأننا نعيش في زمن ننكبّ فيه
على البيانات أكثر فأكثر
على البيانات أكثر فأكثر
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
من أجل اتخاذ قرارات جدية جدأ
تتجاوز كثيرا حدود العروض التلفزيونية.
تتجاوز كثيرا حدود العروض التلفزيونية.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
هل أحد هنا يعرف شركة
أنظمة الصحة المتعددة؟
أنظمة الصحة المتعددة؟
06:17
No one. OK, that's good actually.
129
365080
1656
لا أحد، حسناً، وهذا أمر جيد حقيقة.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
حسنا، فأنظمة الصحة المتعددة
هي شركة مختصة بالبرمجيات،
هي شركة مختصة بالبرمجيات،
06:22
and I hope that nobody here in this room
131
370000
2816
وآمل ألا يُقدم أحد من هذه القاعة
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
على الاتصال بذلك البرنامج،
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
لأنك إن فعلت،
فستكون في السجن.
فستكون في السجن.
06:30
(Laughter)
134
378160
1176
(ضحك)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
إذا ما قام أحد السجناء هنا في أميركا
بالتقديم على إطلاق سراح مشروط،
بالتقديم على إطلاق سراح مشروط،
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
فمن المحتمل جدا أن أحد برمجيات
تحليل البيانات الخاصة بتلك الشركة
تحليل البيانات الخاصة بتلك الشركة
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
هو ما سيتم استخدامه لتقرير فيما لو
كان من الممكن منح ذلك الإطلاق.
كان من الممكن منح ذلك الإطلاق.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
إذن فهو نفس المبدأ
كما لدى أمازون أو نيتفليكس،
كما لدى أمازون أو نيتفليكس،
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
ولكن بدلا من التقرير بين كون العرض
التلفزيوني صالحاً أم لا،
التلفزيوني صالحاً أم لا،
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
ما لدينا هنا هو القرار بشأن
صلاحية السجين من عدمها.
صلاحية السجين من عدمها.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
والبرامج التلفزيونية المعتدلة الجودة، مثل
برنامج 22 دقيقة، الغاية في السوء،
برنامج 22 دقيقة، الغاية في السوء،
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
ولكن قضاء سنوات أكثر في السجن،
كما أظن، هو أكثر سوءاً.
كما أظن، هو أكثر سوءاً.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
ولسوء الحظ، هنالك حقاً دليل على
كون تحليل البيانات هذا،
كون تحليل البيانات هذا،
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
رغم توافره على العديد من البيانات،
لكنه لا يخرج دائما بالنتائج المثالية.
لكنه لا يخرج دائما بالنتائج المثالية.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
وذلك ليس لكون شركة مثل
أنظمة الصحة المتعددة
أنظمة الصحة المتعددة
07:13
doesn't know what to do with data.
146
421506
1627
لا تعرف ما تفعله بالبيانات.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
فحتى أعتى شركات ذكاء
البيانات تخطئ الفهم.
البيانات تخطئ الفهم.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
نعم، فحتى غوغل تخطئ الفهم أحياناً.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
ففي عام 2009 أعلنت شركة غوغل
أن بمقدورها عبرالاستعانة بتحليل البيانات
أن بمقدورها عبرالاستعانة بتحليل البيانات
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
أن تتوقع أوقات تفشي مرض الانفلونزا،
خصوصاً النوع المقرف منها،
خصوصاً النوع المقرف منها،
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
من خلال قيامها بتحليل البيانات
عبر عمليات البحث على غوغل.
عبر عمليات البحث على غوغل.
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
وسار الأمر بشكل جميل جداً،
محدثاً جلبة كبيرة في نشرات الأخبار،
محدثاً جلبة كبيرة في نشرات الأخبار،
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
بما في ذلك تحقيق
ذروة النجاح العلمي:
ذروة النجاح العلمي:
07:39
a publication in the journal "Nature."
154
447200
2456
متمثّلا بنشر الموضوع في مجلة "الطبيعة."
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
وسار الأمر بصورة رائعة
عاماً بعد عام بعد عام،
عاماً بعد عام بعد عام،
07:45
until one year it failed.
156
453320
1656
حتى جاء عام الفشل.
07:47
And nobody could even tell exactly why.
157
455000
2256
حيث لم يكن بمقدور أحد حتى من تبيان السبب.
07:49
It just didn't work that year,
158
457280
1696
ببساطة لم ينجح التوقع ذلك العام،
07:51
and of course that again made big news,
159
459000
1936
وتسبب من جديد بالطبع بضجة إعلامية هائلة،
07:52
including now a retraction
160
460960
1616
متضمنا ًهذه المرة تراجعاً
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
عن النشر من قبل مجلة "الطبيعة."
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
إذاً فحتى أعتى شركات ذكاء
البيانات، مثل أمازون وغوغل،
البيانات، مثل أمازون وغوغل،
08:01
they sometimes get it wrong.
163
469840
2136
يحدث لهم أن يخطئوا الفهم أحياناً.
08:04
And despite all those failures,
164
472000
2936
ورغم جميع تلك الإخفاقات،
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
تستمر البيانات بالتغلغل مسرعة داخل
الواقع الحقيقي لعمليات صنع القرار ..
الواقع الحقيقي لعمليات صنع القرار ..
08:10
into the workplace,
166
478840
1816
مثل مكان العمل،
08:12
law enforcement,
167
480680
1816
وفرض القانون،
08:14
medicine.
168
482520
1200
والطب.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
لذا فمن الأفضل لنا التأكد من
كون البيانات أمراً مساعدًا.
كون البيانات أمراً مساعدًا.
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
فعلى الصعيد الشخصي، مررت بالعديد
من الحالات المعاناة مع البيانات،
من الحالات المعاناة مع البيانات،
08:22
because I work in computational genetics,
171
490920
1976
جرّاء عملي في علم الوراثة الحسابية،
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
فهو أيضاً من المجالات التي
تضم مجموعات من أذكى الناس
تضم مجموعات من أذكى الناس
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
تستخدم كميات عصية على التخيّل من البيانات
من أجل صنع قرارات غاية في الأهمية
من أجل صنع قرارات غاية في الأهمية
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
مثل التقرير بخصوص علاج للسرطان
أو التقرير بشأن تطوير أحد العقارات.
أو التقرير بشأن تطوير أحد العقارات.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
وعبر السنين لاحظت وجود
شكل من أشكال النمطية
شكل من أشكال النمطية
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
أو وجود نوع من القواعد،
إذا رغبتم، بخصوص الفرق
إذا رغبتم، بخصوص الفرق
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
بين اتخاذ القرار الناجع
عبر استخدام البيانات
عبر استخدام البيانات
08:43
and unsuccessful decision-making,
178
511120
1616
وبين اتخاذ القرار المخفق،
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
وقد وجدت أن هذا النمط من الأمور الجديرة
بالمشاركة، ويعمل كما سأبيّن لاحقاً.
بالمشاركة، ويعمل كما سأبيّن لاحقاً.
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
فمتى ما كنا بصدد حلّ
إحدى المسائل المعقّدة،
إحدى المسائل المعقّدة،
08:52
you're doing essentially two things.
181
520679
1737
فبحقيقة الأمر نعمل على أمرين،
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
الأمر الأول هو قيامنا بتجزئة تلك المسألة
إلى أصغر ما يكوّنها
إلى أصغر ما يكوّنها
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
بغية سبر أغوارها عبر تحليل
تلك القطع والأجزاء،
تلك القطع والأجزاء،
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
ومن ثم القيام بالطبع بإجراء
الأمر الثاني،
الأمر الثاني،
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
عبر القيام بجمع تلك القطع
والأجزاء سويّة مرة أخرى
والأجزاء سويّة مرة أخرى
09:05
to come to your conclusion.
186
533000
1336
من أجل بلوغ الاستنتاج.
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
وأحيانا يتطلب الأمر
إعادة الكرّة مراراً،
إعادة الكرّة مراراً،
09:08
but it's always those two things:
188
536720
1656
ولكن دائماً ثمة هاذان الأمران:
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
التجزئة وإعادة الجمع ثانية.
09:14
And now the crucial thing is
190
542280
1616
ولكن الأمر الحاسم هنا
09:15
that data and data analysis
191
543920
2896
يتجلّى بكون البيانات وتحليلها
09:18
is only good for the first part.
192
546840
2496
ليست نافعة سوى للجزء الأول
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
فالبيانات وعمليات تحليلها،
مهما بلغت من القوة،
مهما بلغت من القوة،
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
لا يسعها إلا المساعدة على تجزئة
المسألة وفهم أجزائها.
المسألة وفهم أجزائها.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
لكنها ليست ملائمة لإعادة
جمع تلك الأجزاء ثانية.
جمع تلك الأجزاء ثانية.
09:31
and then to come to a conclusion.
196
559600
1896
للإتيان أخيراً بالاستنتاج.
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
إذ ثمة وسيلة أخرى للقيام بذلك،
وكلّنا نملكها،
وكلّنا نملكها،
09:36
and that tool is the brain.
198
564280
1296
وتلك الوسيلة هي الدماغ.
09:37
If there's one thing a brain is good at,
199
565600
1936
فلو صلح الدماغ لأمر واحد قطّ،
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
فذلك هو قدرته على إعادة جمع
القطع والأجزاء ثانية
القطع والأجزاء ثانية
09:41
even when you have incomplete information,
201
569840
2016
حتى إن لم يتوفر لدينا كامل المعلومات،
09:43
and coming to a good conclusion,
202
571880
1576
وبالتالي بلوغ الاستنتاج الناجع،
09:45
especially if it's the brain of an expert.
203
573480
2936
خصوصاً إذا كان الدماغ هو دماغ خبير.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
وهذا ما يجعلني أعتقد أن
نيتفليكس كانت ناجحة جداً،
نيتفليكس كانت ناجحة جداً،
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
لأنهم استخدموا البيانات مع الأدمغة
في المكان المناسب من العملية.
في المكان المناسب من العملية.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
فهم يستخدمون البيانات ليفهموا أولاً
العديد من الأمور الصغيرة حول جمهورهم
العديد من الأمور الصغيرة حول جمهورهم
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
والتي من غيرها لن يكون بمقدورهم
الخوض بالفهم إلى ذلك العمق،
الخوض بالفهم إلى ذلك العمق،
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
أما فيما يتعلق بقرار تناول
كل تلك القطع والأجزاء
كل تلك القطع والأجزاء
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
وإعادة جمعها ثانية لإبداع
مسلسل "البيت الواهن،"
مسلسل "البيت الواهن،"
10:07
that was nowhere in the data.
210
595720
1416
لم يكن ذلك كامناً في البيانات.
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
حينها قام تيد ساراندور وفريقه
باتخاذ ذلك القرار بترخيص ذلك العرض،
باتخاذ ذلك القرار بترخيص ذلك العرض،
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
عنى ذلك الأمر أيضاً،
بالمناسبة، قيامهم حينها
بالمناسبة، قيامهم حينها
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
بتحمّل مخاطرة شخصية
هائلة صاحبت ذلك القرار.
هائلة صاحبت ذلك القرار.
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
بينما ما قامت به أمازون
قامت به بالشكل الخاطئ المعكوس.
قامت به بالشكل الخاطئ المعكوس.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
إذ استخدموا البيانات على طول
الخط سعيا ًوراء اتخاذ القرار،
الخط سعيا ًوراء اتخاذ القرار،
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
فبدءأ باعدادهم المنافسة
لأفكار العروض التلفزيونية
لأفكار العروض التلفزيونية
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
وثم قيامهم باختيار "بيت ألفا"
لأنجازه كعرض تلفزيوني.
لأنجازه كعرض تلفزيوني.
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
والذي بدوره بالطبع مثّل
قراراً أميناً جداً بالنسبة لهم،
قراراً أميناً جداً بالنسبة لهم،
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
إذ كان بمقدورهم دائماً التأشير
صوب البيانات ليقولوا:
صوب البيانات ليقولوا:
10:35
"This is what the data tells us."
220
623400
1696
"هذا ما تخبرنا إياه البيانات،"
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
لكن الأمر لم يؤدي بهم حيث
النتائج الاستثنائية التي كانوا يتوخونها.
النتائج الاستثنائية التي كانوا يتوخونها.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
وهكذا فالبيانات بالطبع أداة هائلة
لصياغة ما هو أفضل من القرارات،
لصياغة ما هو أفضل من القرارات،
10:47
but I believe that things go wrong
223
635120
2376
لكنني واثق من اتخاذ الأمور الوجهة الخاطئة
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
حين تشرع البيانات
باستخلاص تلك القرارات.
باستخلاص تلك القرارات.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
فمهما كانت قوية،
هي ليست سوى أداة،
هي ليست سوى أداة،
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
ولغرض إبقاء ذلك الأمر في الذاكرة
فقد وجدت أن هذا الجهاز مفيد تماما.
فقد وجدت أن هذا الجهاز مفيد تماما.
10:59
Many of you will ...
227
647280
1216
والعديد منكم سوف ...
11:00
(Laughter)
228
648520
1216
(ضحك)
11:01
Before there was data,
229
649760
1216
فقبل وجود البيانات،
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
كان هذا هو الجهاز هو
ما يستخدم لصنع القرارات.
ما يستخدم لصنع القرارات.
11:05
(Laughter)
231
653880
1256
(ضحك)
11:07
Many of you will know this.
232
655160
1336
لا بد أن يعرفه العديد منكم.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
هذه اللعبة هنا تدعى كرة الثمانية السحرية،
11:10
and it's really amazing,
234
658497
1199
وهي مدهشة حقا،
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
فلو كان ثمة قرار عليك اتخاذه،
من نوع نعم أم لا،
من نوع نعم أم لا،
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
فما عليك سوى برجّ الكرة،
كي تحصل حينها على إجابة --
كي تحصل حينها على إجابة --
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
وعلى الأرجح -- ها هنا
عبر هذه النافذة في الوقت الحالي.
عبر هذه النافذة في الوقت الحالي.
11:21
I'll have it out later for tech demos.
238
669240
2096
وسوف أعرضها لاحقا خلال عروض التقنيات.
11:23
(Laughter)
239
671360
1216
(ضحك)
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
وهكذا، فخلاصة الأمر طبعاً --
أنني خلال حياتي كنت قد اتخذت بعض القرارات
أنني خلال حياتي كنت قد اتخذت بعض القرارات
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
حيث وعبر إدراكي المتأخر، كان
علي الإصغاء لما تقوله الكرة.
علي الإصغاء لما تقوله الكرة.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
لكن كما تعلمون، طبعاً،
فما دامت قد توفرت البيانات،
فما دامت قد توفرت البيانات،
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
لا بد أنكم ستقومون باستبدال
الكرة بشيء أكثر تعقيداً،
الكرة بشيء أكثر تعقيداً،
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
مثل عملية تحليل البيانات
للحصول على قرار أنجع.
للحصول على قرار أنجع.
11:41
But that does not change the basic setup.
245
689200
2616
ولكن ذلك لن يغيرالمنحى الأساسي،
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
مما يجعل الكرة أذكى
وأذكى وأذكى،
وأذكى وأذكى،
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
لكنني لا زلت أعتقد ان الأمر
يتوقّف علينا باتخاذ القرارات
يتوقّف علينا باتخاذ القرارات
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
إذا ما أردنا تحقيق
هدف أكثر استثناءاً،
هدف أكثر استثناءاً،
11:52
on the right end of the curve.
249
700920
1936
يقع على الطرف الأيمن من المنحنى.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
وإنني لأجد في ذلك رسالة
مشجّعة في الحقيقة،
مشجّعة في الحقيقة،
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
فحتى في مواجهة أكبر
الأقدار من البيانات،
الأقدار من البيانات،
12:03
it still pays off to make decisions,
252
711400
4096
فما زال ما يثمر القرارات
12:07
to be an expert in what you're doing
253
715520
2656
هو أن تكون خبيراً فيما تفعله
12:10
and take risks.
254
718200
2096
متحمّلاً المخاطر.
12:12
Because in the end, it's not data,
255
720320
2776
لأنه في النهاية، إنها ليست البيانات
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
إنما المخاطر هي من سترسو بك
على الطرف الأيمن من المنحنى.
على الطرف الأيمن من المنحنى.
12:19
Thank you.
257
727840
1216
أشكركم.
12:21
(Applause)
258
729080
3680
(تصفيق)
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