TEDxCambridge
Tricia Wang: The human insights missing from big data
Tricia Wang: Le intuizioni umane che mancano nei big data
Filmed:
Readability: 4.5
1,688,539 views
Perché così tante aziende prendono le decisioni sbagliate, anche quando hanno accesso a quantità di dati mai viste? Con vicende come quelle di Nokia, Netflix, fino agli oracoli dell'antica Grecia, Tricia Wang demistifica i big data e identifica i loro punti deboli, suggerendoci di focalizzarci invece sui "thick data" -- preziose intuizioni non quantificabili ottenute da gente vera -- per prendere le giuste decisioni e prosperare nell'ignoto.
Tricia Wang - Technology ethnographer
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers. Full bio
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers. Full bio
Double-click the English transcript below to play the video.
00:12
In ancient Greece,
0
885
1545
Nell'antica Grecia,
00:15
when anyone from slaves to soldiers,
poets and politicians,
poets and politicians,
1
3436
3943
quando chiunque, schiavo o soldato,
poeta o politico,
poeta o politico,
00:19
needed to make a big decision
on life's most important questions,
on life's most important questions,
2
7403
4004
doveva prendere una decisione
importante per la propria vita,
importante per la propria vita,
00:23
like, "Should I get married?"
3
11431
1391
come, "Dovrei sposarmi?"
00:24
or "Should we embark on this voyage?"
4
12846
1857
o "Dobbiamo fare questo viaggio?"
00:26
or "Should our army
advance into this territory?"
advance into this territory?"
5
14727
2928
o "Il nostro esercito dovrebbe
avanzare in questo territorio?"
avanzare in questo territorio?"
00:29
they all consulted the oracle.
6
17679
2579
consultava l'oracolo.
00:33
So this is how it worked:
7
21020
1440
Funzionava così:
00:34
you would bring her a question
and you would get on your knees,
and you would get on your knees,
8
22484
3112
si poneva una domanda,
ci si inginocchiava,
ci si inginocchiava,
00:37
and then she would go into this trance.
9
25620
1871
e l'oracolo cadeva in trance.
00:39
It would take a couple of days,
10
27515
1549
Ci voleva un paio di giorni,
00:41
and then eventually
she would come out of it,
she would come out of it,
11
29088
2163
e poi lei ne sarebbe uscita,
00:43
giving you her predictions as your answer.
12
31275
2536
dando una profezia come risposta.
00:46
From the oracle bones of ancient China
13
34910
2566
Dalle ossa oracolari della Cina antica
00:49
to ancient Greece to Mayan calendars,
14
37500
2345
all'antica Grecia, ai calendari Maia,
00:51
people have craved for prophecy
15
39869
2296
le persone avevano bisogno delle profezie
00:54
in order to find out
what's going to happen next.
what's going to happen next.
16
42189
3137
per sapere cosa sarebbe accaduto.
00:58
And that's because we all want
to make the right decision.
to make the right decision.
17
46516
3239
Questo perché tutti vogliamo
prendere la giusta decisione.
prendere la giusta decisione.
01:01
We don't want to miss something.
18
49779
1545
Non vogliamo perdere niente.
01:03
The future is scary,
19
51892
1743
Il futuro ci spaventa,
01:05
so it's much nicer
knowing that we can make a decision
knowing that we can make a decision
20
53659
2717
per cui è meglio decidere
01:08
with some assurance of the outcome.
21
56400
1982
conoscendo le possibili conseguenze.
01:11
Well, we have a new oracle,
22
59079
1611
Beh, abbiamo un nuovo oracolo,
01:12
and it's name is big data,
23
60714
2145
e si chiama big data,
01:14
or we call it "Watson"
or "deep learning" or "neural net."
or "deep learning" or "neural net."
24
62883
3939
noi lo chiamamo anche "Watson"
"apprendimento profondo" o "rete neurale".
"apprendimento profondo" o "rete neurale".
01:19
And these are the kinds of questions
we ask of our oracle now,
we ask of our oracle now,
25
67340
4012
Questo è il genere di domanda
che poniamo all'oracolo,
che poniamo all'oracolo,
01:23
like, "What's the most efficient way
to ship these phones
to ship these phones
26
71376
3922
come, "Qual è il modo più efficiente
per trasportare questi telefoni
per trasportare questi telefoni
01:27
from China to Sweden?"
27
75322
1823
dalla Cina alla Svezia?"
01:29
Or, "What are the odds
28
77169
1800
Oppure, "Che probabilità ci sono
01:30
of my child being born
with a genetic disorder?"
with a genetic disorder?"
29
78993
3363
che mio figlio nasca con
una malattia genetica?"
una malattia genetica?"
01:34
Or, "What are the sales volume
we can predict for this product?"
we can predict for this product?"
30
82952
3244
"Quale volume di vendite
prevediamo per questo prodotto?
prevediamo per questo prodotto?
01:40
I have a dog. Her name is Elle,
and she hates the rain.
and she hates the rain.
31
88108
4047
Ho un cane. Si chiama Elle
e odia la pioggia.
e odia la pioggia.
01:44
And I have tried everything
to untrain her.
to untrain her.
32
92179
3306
Ho provato di tutto
per riabilitarla.
per riabilitarla.
01:47
But because I have failed at this,
33
95509
2771
Visto che non ci sono riuscita,
01:50
I also have to consult
an oracle, called Dark Sky,
an oracle, called Dark Sky,
34
98304
3286
ho dovuto consultare un oracolo,
chiamato Dark Sky,
chiamato Dark Sky,
01:53
every time before we go on a walk,
35
101614
1635
ogni volta prima di uscire,
01:55
for very accurate weather predictions
in the next 10 minutes.
in the next 10 minutes.
36
103273
3577
per avere previsioni del tempo
accurate per i successivi dieci minuti.
accurate per i successivi dieci minuti.
02:01
She's so sweet.
37
109535
1303
Il mio cane è dolcissimo.
02:03
So because of all of this,
our oracle is a $122 billion industry.
our oracle is a $122 billion industry.
38
111827
5707
Il nostro oracolo è un business
da 122 miliardi di euro.
da 122 miliardi di euro.
02:10
Now, despite the size of this industry,
39
118006
3376
Malgrado la dimensione del settore,
02:13
the returns are surprisingly low.
40
121406
2456
il profitto è sorprendentemente basso.
02:16
Investing in big data is easy,
41
124342
2494
Investire nei big data è facile,
02:18
but using it is hard.
42
126860
1933
ma usarli è difficile.
02:21
Over 73 percent of big data projects
aren't even profitable,
aren't even profitable,
43
129981
4040
Più del 73 per cento dei progetti fatti
con i big data non sono redditizi
con i big data non sono redditizi
02:26
and I have executives
coming up to me saying,
coming up to me saying,
44
134045
2431
e molti dirigenti mi dicono,
02:28
"We're experiencing the same thing.
45
136500
1789
"Stiamo avendo lo stesso problema.
02:30
We invested in some big data system,
46
138313
1753
Abbiamo investito
in sistemi big data,
in sistemi big data,
02:32
and our employees aren't making
better decisions.
better decisions.
47
140090
2968
ma i nostri dipendenti non prendono
decisioni migliori.
decisioni migliori.
02:35
And they're certainly not coming up
with more breakthrough ideas."
with more breakthrough ideas."
48
143082
3162
E non hanno neanche avuto
le idee più innovative."
le idee più innovative."
02:38
So this is all really interesting to me,
49
146914
3184
Questo è molto interessante per me
02:42
because I'm a technology ethnographer.
50
150122
2010
che sono una etnografa
della tecnologia.
della tecnologia.
02:44
I study and I advise companies
51
152630
2564
Studio e do consigli
alle aziende
alle aziende
02:47
on the patterns
of how people use technology,
of how people use technology,
52
155218
2483
sul modo in cui le persone
usano la tecnologia,
usano la tecnologia,
02:49
and one of my interest areas is data.
53
157725
2678
e uno dei miei interessi sono i dati.
02:52
So why is having more data
not helping us make better decisions,
not helping us make better decisions,
54
160427
5193
Perché allora avere più dati non ci aiuta
a prendere decisioni migliori,
a prendere decisioni migliori,
02:57
especially for companies
who have all these resources
who have all these resources
55
165644
2783
specialmente per le aziende
che hanno queste risorse
che hanno queste risorse
03:00
to invest in these big data systems?
56
168451
1736
da investire in questi sistemi?
03:02
Why isn't it getting any easier for them?
57
170211
2398
Perché non è diventato più facile?
03:05
So, I've witnessed the struggle firsthand.
58
173990
2634
Ho visto questa situazione io stessa.
03:09
In 2009, I started
a research position with Nokia.
a research position with Nokia.
59
177374
3484
Nel 2009, ho cominciato
da una posizione di ricerca alla Nokia.
da una posizione di ricerca alla Nokia.
03:13
And at the time,
60
181232
1158
In quegli anni,
03:14
Nokia was one of the largest
cell phone companies in the world,
cell phone companies in the world,
61
182414
3158
la Nokia era una delle maggiori
aziende di telecomunicazioni,
aziende di telecomunicazioni,
03:17
dominating emerging markets
like China, Mexico and India --
like China, Mexico and India --
62
185596
3202
dominava i mercati emergenti
come la Cina, il Messico, l'India --
come la Cina, il Messico, l'India --
03:20
all places where I had done
a lot of research
a lot of research
63
188822
2502
tutti luoghi nei quali
avevo fatto molta ricerca
avevo fatto molta ricerca
03:23
on how low-income people use technology.
64
191348
2676
su come le persone di basso reddito
usano la tecnologia.
usano la tecnologia.
03:26
And I spent a lot of extra time in China
65
194048
2330
Ho passato molto tempo in Cina
03:28
getting to know the informal economy.
66
196402
2592
per conoscere l'economia informale.
03:31
So I did things like working
as a street vendor
as a street vendor
67
199018
2401
Facevo lavori come
il venditore ambulante
il venditore ambulante
03:33
selling dumplings to construction workers.
68
201443
2574
distribuendo fagottini di mele
ai lavoratori edili.
ai lavoratori edili.
03:36
Or I did fieldwork,
69
204041
1358
Facevo ricerche sul campo,
03:37
spending nights and days
in internet cafés,
in internet cafés,
70
205423
2958
passando notti e giorni
negli internet point
negli internet point
03:40
hanging out with Chinese youth,
so I could understand
so I could understand
71
208405
2546
con i giovani cinesi,
per capire
per capire
03:42
how they were using
games and mobile phones
games and mobile phones
72
210975
2284
come usavano i giochi
e i telefonini
e i telefonini
03:45
and using it between moving
from the rural areas to the cities.
from the rural areas to the cities.
73
213283
3370
e come li usavano per spostarsi
dalla campagna alle città.
dalla campagna alle città.
03:50
Through all of this qualitative evidence
that I was gathering,
that I was gathering,
74
218335
3927
Con le testimonianze
che raccoglievo,
che raccoglievo,
03:54
I was starting to see so clearly
75
222286
2824
cominciavo a vedere
03:57
that a big change was about to happen
among low-income Chinese people.
among low-income Chinese people.
76
225134
4472
che un grosso cambiamento
stava per avvenire tra i cinesi
dal reddito basso.
dal reddito basso.
04:03
Even though they were surrounded
by advertisements for luxury products
by advertisements for luxury products
77
231020
4367
Anche se erano circondati
da pubblicità di prodotti di lusso
da pubblicità di prodotti di lusso
04:07
like fancy toilets --
who wouldn't want one? --
who wouldn't want one? --
78
235411
3495
come toilette eleganti --
chi non ne vorrebbe una? --
chi non ne vorrebbe una? --
04:10
and apartments and cars,
79
238930
2890
appartamenti, automobili,
04:13
through my conversations with them,
80
241844
1820
parlando con loro
04:15
I found out that the ads
the actually enticed them the most
the actually enticed them the most
81
243688
3841
ho scoperto che le pubblicità
che interessavano di più
che interessavano di più
04:19
were the ones for iPhones,
82
247553
1996
erano quelle degli iPhone,
04:21
promising them this entry
into this high-tech life.
into this high-tech life.
83
249573
3052
che promettevano l'entrata
nella nuova vita high-tech.
nella nuova vita high-tech.
04:25
And even when I was living with them
in urban slums like this one,
in urban slums like this one,
84
253469
3163
Vivendo con loro
nei bassifondi urbani,
nei bassifondi urbani,
04:28
I saw people investing
over half of their monthly income
over half of their monthly income
85
256656
2996
vedevo persone che investivano
metà dei loro redditi
metà dei loro redditi
04:31
into buying a phone,
86
259676
1623
per comprare un cellulare,
04:33
and increasingly, they were "shanzhai,"
87
261323
2302
e c'erano sempre più "shanzhai",
04:35
which are affordable knock-offs
of iPhones and other brands.
of iPhones and other brands.
88
263649
3388
ovvero versioni meno care
degli iPhone o altri telefoni.
degli iPhone o altri telefoni.
04:40
They're very usable.
89
268303
1625
Sono molto facili da usare.
04:42
Does the job.
90
270890
1322
Fanno il loro lavoro.
04:44
And after years of living
with migrants and working with them
with migrants and working with them
91
272750
5789
Dopo anni vissuti con questi migranti
e lavorando con loro,
e lavorando con loro,
04:50
and just really doing everything
that they were doing,
that they were doing,
92
278563
3434
facendo tutto quello
che loro facevano,
che loro facevano,
04:54
I started piecing
all these data points together --
all these data points together --
93
282021
3597
ho iniziato a mettere insieme
tutti questi dati --
tutti questi dati --
04:57
from the things that seem random,
like me selling dumplings,
like me selling dumplings,
94
285642
3123
dalle cose che sembravano strane,
come vendere i fagottini di mele,
come vendere i fagottini di mele,
05:00
to the things that were more obvious,
95
288789
1804
alle cose che erano più ovvie,
05:02
like tracking how much they were spending
on their cell phone bills.
on their cell phone bills.
96
290617
3232
come registrare i costi
del loro traffico telefonico.
del loro traffico telefonico.
05:05
And I was able to create
this much more holistic picture
this much more holistic picture
97
293873
2639
Sono riuscita a creare
un'immagine più olistica
un'immagine più olistica
05:08
of what was happening.
98
296536
1156
di ciò che stava succedendo.
05:09
And that's when I started to realize
99
297716
1722
Ho cominciato a capire
05:11
that even the poorest in China
would want a smartphone,
would want a smartphone,
100
299462
3509
che anche i cinesi più poveri
volevano uno smartphone,
volevano uno smartphone,
05:14
and that they would do almost anything
to get their hands on one.
to get their hands on one.
101
302995
4985
e che avrebbero fatto di tutto
per averne uno.
per averne uno.
05:21
You have to keep in mind,
102
309073
2404
Dovete ricordare
05:23
iPhones had just come out, it was 2009,
103
311501
3084
che gli iPhone erano
appena usciti nel 2009,
appena usciti nel 2009,
05:26
so this was, like, eight years ago,
104
314609
1885
ovvero otto anni fa,
05:28
and Androids had just started
looking like iPhones.
looking like iPhones.
105
316518
2437
e gli Android iniziavano
a somigliare agli iPhone.
a somigliare agli iPhone.
05:30
And a lot of very smart
and realistic people said,
and realistic people said,
106
318979
2507
Molte persone intelligenti
e realistiche dicevano,
e realistiche dicevano,
05:33
"Those smartphones -- that's just a fad.
107
321510
2207
"Questi smartphone sono solo una moda."
05:36
Who wants to carry around
these heavy things
these heavy things
108
324243
2996
Chi vorrebbe portarsi in giro
queste cose pesanti
queste cose pesanti
05:39
where batteries drain quickly
and they break every time you drop them?"
and they break every time you drop them?"
109
327263
3487
con le batterie che si scaricano subito
e che si rompono appena cadono?"
e che si rompono appena cadono?"
05:44
But I had a lot of data,
110
332793
1201
Ma io avevo molti dati,
05:46
and I was very confident
about my insights,
about my insights,
111
334018
2260
mi fidavo delle mie intuizioni,
05:48
so I was very excited
to share them with Nokia.
to share them with Nokia.
112
336302
2829
ed ero entusiasta
di condividerle con la Nokia.
di condividerle con la Nokia.
05:53
But Nokia was not convinced,
113
341332
2517
Ma Nokia non era convinta,
05:55
because it wasn't big data.
114
343873
2335
perché non avevo big data.
05:59
They said, "We have
millions of data points,
millions of data points,
115
347022
2404
Dicevano, "Abbiamo milioni di dati,
06:01
and we don't see any indicators
of anyone wanting to buy a smartphone,
of anyone wanting to buy a smartphone,
116
349450
4247
e non ci sono indicazioni
che la gente comprerà smartphone.
che la gente comprerà smartphone.
06:05
and your data set of 100,
as diverse as it is, is too weak
as diverse as it is, is too weak
117
353721
4388
Il tuo insieme di dati da 100,
anche se vario, è troppo debole
anche se vario, è troppo debole
06:10
for us to even take seriously."
118
358133
1714
per poterlo prendere sul serio."
06:12
And I said, "Nokia, you're right.
119
360908
1605
Risposi, "Nokia, avete ragione.
06:14
Of course you wouldn't see this,
120
362537
1560
È ovvio che non lo vediate,
06:16
because you're sending out surveys
assuming that people don't know
assuming that people don't know
121
364121
3371
perché fate sondaggi pensando
che la gente non sappia
che la gente non sappia
06:19
what a smartphone is,
122
367516
1159
cosa sia uno smartphone,
06:20
so of course you're not going
to get any data back
to get any data back
123
368699
2366
quindi non ricevete dati
06:23
about people wanting to buy
a smartphone in two years.
a smartphone in two years.
124
371089
2572
sulle persone che vorranno
uno smartphone tra due anni.
uno smartphone tra due anni.
06:25
Your surveys, your methods
have been designed
have been designed
125
373685
2118
I vostri sondaggi e metodi
sono stati creati
sono stati creati
06:27
to optimize an existing business model,
126
375827
2022
per rinnovare
un modello di business esistente
un modello di business esistente
06:29
and I'm looking
at these emergent human dynamics
at these emergent human dynamics
127
377873
2608
e io sto analizzando
dinamiche umane emergenti
dinamiche umane emergenti
06:32
that haven't happened yet.
128
380505
1354
non ancora accadute.
06:33
We're looking outside of market dynamics
129
381883
2438
Stiamo guardando fuori
dalle dinamiche del mercato
dalle dinamiche del mercato
06:36
so that we can get ahead of it."
130
384345
1631
per superarle."
06:39
Well, you know what happened to Nokia?
131
387373
2244
Sapete cosa è successo alla Nokia?
06:41
Their business fell off a cliff.
132
389641
2365
Il business è precipitato.
06:44
This -- this is the cost
of missing something.
of missing something.
133
392791
3727
Questo è il prezzo
del perdersi qualcosa.
del perdersi qualcosa.
06:49
It was unfathomable.
134
397163
1999
Era inimmaginabile.
06:52
But Nokia's not alone.
135
400003
1651
Ma Nokia non è l'unico caso.
06:54
I see organizations
throwing out data all the time
throwing out data all the time
136
402258
2581
Vedo tante aziende
ignorare dati importanti
ignorare dati importanti
06:56
because it didn't come from a quant model
137
404863
2561
perché non provengono
da un modello quantitativo
da un modello quantitativo
06:59
or it doesn't fit in one.
138
407448
1768
o non si adattano a uno di essi.
07:02
But it's not big data's fault.
139
410219
2048
Ma non è colpa dei big data.
07:04
It's the way we use big data;
it's our responsibility.
it's our responsibility.
140
412942
3907
È il modo in cui usiamo i big data;
è responsabilità nostra.
è responsabilità nostra.
07:09
Big data's reputation for success
141
417730
1911
Il successo dei big data
07:11
comes from quantifying
very specific environments,
very specific environments,
142
419665
3759
proviene dal quantificare
ambienti specifici
ambienti specifici
07:15
like electricity power grids
or delivery logistics or genetic code,
or delivery logistics or genetic code,
143
423448
4913
come reti elettriche o sistemi logistici
o il codice genetico,
o il codice genetico,
07:20
when we're quantifying in systems
that are more or less contained.
that are more or less contained.
144
428385
4318
quando quantifichiamo sistemi
che sono più o meno limitati.
che sono più o meno limitati.
07:24
But not all systems
are as neatly contained.
are as neatly contained.
145
432727
2969
Ma non tutti i sistemi
sono così facilmente contenibili.
sono così facilmente contenibili.
07:27
When you're quantifying
and systems are more dynamic,
and systems are more dynamic,
146
435720
3258
Quando vanno quantificati
sistemi più dinamici,
sistemi più dinamici,
07:31
especially systems
that involve human beings,
that involve human beings,
147
439002
3799
specialmente sistemi
che coinvolgono le persone,
che coinvolgono le persone,
07:34
forces are complex and unpredictable,
148
442825
2426
ci sono troppe complessità
e imprevedibilità,
e imprevedibilità,
07:37
and these are things
that we don't know how to model so well.
that we don't know how to model so well.
149
445275
3486
e queste sono cose
che non sappiamo rappresentare bene.
che non sappiamo rappresentare bene.
07:41
Once you predict something
about human behavior,
about human behavior,
150
449204
2813
Quando si predice
qualche comportamento umano,
qualche comportamento umano,
07:44
new factors emerge,
151
452041
1855
emergono altri fattori,
07:45
because conditions
are constantly changing.
are constantly changing.
152
453920
2365
perché le condizioni
cambiano di continuo.
cambiano di continuo.
07:48
That's why it's a never-ending cycle.
153
456309
1803
È un ciclo senza fine.
07:50
You think you know something,
154
458136
1464
Pensiamo di sapere qualcosa,
07:51
and then something unknown
enters the picture.
enters the picture.
155
459624
2242
e poi qualcosa di sconosciuto
entra in scena.
entra in scena.
07:53
And that's why just relying
on big data alone
on big data alone
156
461890
3322
Questo succede perché usare
solo i big data
solo i big data
07:57
increases the chance
that we'll miss something,
that we'll miss something,
157
465236
2849
aumenta la possibilità
di perdersi qualcosa,
di perdersi qualcosa,
08:00
while giving us this illusion
that we already know everything.
that we already know everything.
158
468109
3777
mentre ci dà l'impressione
di sapere tutto.
di sapere tutto.
08:04
And what makes it really hard
to see this paradox
to see this paradox
159
472406
3856
Ciò che rende questo paradosso
difficile da vedere
difficile da vedere
08:08
and even wrap our brains around it
160
476286
2659
e da capire
08:10
is that we have this thing
that I call the quantification bias,
that I call the quantification bias,
161
478969
3691
è che abbiamo un cosa che chiamo
un pregiudizio della quantificazione,
un pregiudizio della quantificazione,
08:14
which is the unconscious belief
of valuing the measurable
of valuing the measurable
162
482684
3922
che è una convinzione inconscia
di preferire il misurabile
di preferire il misurabile
08:18
over the immeasurable.
163
486630
1594
al non misurabile.
08:21
And we often experience this at our work.
164
489222
3284
Lo viviamo spesso al lavoro.
08:24
Maybe we work alongside
colleagues who are like this,
colleagues who are like this,
165
492530
2650
Forse lavoriamo con colleghi
che la pensano così,
che la pensano così,
08:27
or even our whole entire
company may be like this,
company may be like this,
166
495204
2428
o magari tutta la nostra azienda è così,
08:29
where people become
so fixated on that number,
so fixated on that number,
167
497656
2546
le persone diventano così
ossessionate da quel numero,
ossessionate da quel numero,
08:32
that they can't see anything
outside of it,
outside of it,
168
500226
2067
che non vedono niente
al di fuori di esso,
al di fuori di esso,
08:34
even when you present them evidence
right in front of their face.
right in front of their face.
169
502317
3948
anche quando mostri loro
l'evidenza dei fatti.
l'evidenza dei fatti.
08:39
And this is a very appealing message,
170
507123
3371
Questo è un messaggio attraente
08:42
because there's nothing
wrong with quantifying;
wrong with quantifying;
171
510518
2343
perché non c'è nulla di male
nel quantificare;
nel quantificare;
08:44
it's actually very satisfying.
172
512885
1430
ed è molto soddisfacente.
08:46
I get a great sense of comfort
from looking at an Excel spreadsheet,
from looking at an Excel spreadsheet,
173
514339
4362
Ho un grande senso di piacere
guardando un foglio di Excel,
guardando un foglio di Excel,
08:50
even very simple ones.
174
518725
1401
anche di quelli più semplici.
08:52
(Laughter)
175
520150
1014
(Risate)
08:53
It's just kind of like,
176
521188
1152
È un po' come,
08:54
"Yes! The formula worked. It's all OK.
Everything is under control."
Everything is under control."
177
522364
3504
"Sì! La formula ha funzionato.
Va tutto bene. Tutto è sotto controllo."
Va tutto bene. Tutto è sotto controllo."
08:58
But the problem is
178
526792
2390
Ma il problema è
09:01
that quantifying is addictive.
179
529206
2661
che quantificare è una droga.
09:03
And when we forget that
180
531891
1382
E quando lo dimentichiamo
09:05
and when we don't have something
to kind of keep that in check,
to kind of keep that in check,
181
533297
3038
quando non abbiamo niente
che ne controlli l'uso,
che ne controlli l'uso,
09:08
it's very easy to just throw out data
182
536359
2118
diventa facile buttare via dati
09:10
because it can't be expressed
as a numerical value.
as a numerical value.
183
538501
2718
perché non possono essere espressi
con valori numerici.
con valori numerici.
09:13
It's very easy just to slip
into silver-bullet thinking,
into silver-bullet thinking,
184
541243
2921
È molto facile finire
col credere nei miracoli
col credere nei miracoli
09:16
as if some simple solution existed.
185
544188
2579
come se esistesse una soluzione semplice.
09:19
Because this is a great moment of danger
for any organization,
for any organization,
186
547600
4062
Questo è un periodo molto pericoloso
per qualunque azienda,
per qualunque azienda,
09:23
because oftentimes,
the future we need to predict --
the future we need to predict --
187
551686
2634
perché spesso, il futuro
che dobbiamo prevedere
che dobbiamo prevedere
09:26
it isn't in that haystack,
188
554344
2166
non è in quel pagliaio,
09:28
but it's that tornado
that's bearing down on us
that's bearing down on us
189
556534
2538
ma è quel tornado
che sta arrivando su di noi
che sta arrivando su di noi
09:31
outside of the barn.
190
559096
1488
fuori dal fienile.
09:34
There is no greater risk
191
562960
2326
Non c'è rischio più grande
09:37
than being blind to the unknown.
192
565310
1666
che essere ciechi verso l'ignoto.
09:39
It can cause you to make
the wrong decisions.
the wrong decisions.
193
567000
2149
Ti può far prendere
la decisione sbagliata.
la decisione sbagliata.
09:41
It can cause you to miss something big.
194
569173
1974
Ti può far perdere
qualcosa d'importante.
qualcosa d'importante.
09:43
But we don't have to go down this path.
195
571734
3101
Non vogliamo seguire questo percorso.
09:47
It turns out that the oracle
of ancient Greece
of ancient Greece
196
575453
3195
Pare che l'oracolo della Grecia antica
09:50
holds the secret key
that shows us the path forward.
that shows us the path forward.
197
578672
3966
possiede la chiave segreta
che ci mostra la strada.
che ci mostra la strada.
09:55
Now, recent geological research has shown
198
583654
2595
Recenti ricerche geologiche
hanno dimostrato
hanno dimostrato
09:58
that the Temple of Apollo,
where the most famous oracle sat,
where the most famous oracle sat,
199
586273
3564
che il Tempio di Apollo,
dove sedeva l'oracolo più famoso,
dove sedeva l'oracolo più famoso,
10:01
was actually built
over two earthquake faults.
over two earthquake faults.
200
589861
3084
fu costruito sopra due faglie sismiche.
10:04
And these faults would release
these petrochemical fumes
these petrochemical fumes
201
592969
2886
Da queste faglie fuoriuscivano gas tossici
10:07
from underneath the Earth's crust,
202
595879
1685
dalla crosta terrestre,
10:09
and the oracle literally sat
right above these faults,
right above these faults,
203
597588
3866
e l'oracolo sedeva letteralmente
sopra questa faglia,
sopra questa faglia,
10:13
inhaling enormous amounts
of ethylene gas, these fissures.
of ethylene gas, these fissures.
204
601478
3588
inalando enormi quantità di gas etilene.
10:17
(Laughter)
205
605090
1008
(Risate)
10:18
It's true.
206
606122
1173
È vero.
10:19
(Laughter)
207
607319
1017
(Risate)
10:20
It's all true, and that's what made her
babble and hallucinate
babble and hallucinate
208
608360
3509
È tutto vero, ed è questo
che la faceva farfugliare
che la faceva farfugliare
10:23
and go into this trance-like state.
209
611893
1724
e andare in questo stato di trance.
10:25
She was high as a kite!
210
613641
1770
Era fatta come una zucchina!
10:27
(Laughter)
211
615435
4461
(Risate)
10:31
So how did anyone --
212
619920
2779
Quindi come poteva...
10:34
How did anyone get
any useful advice out of her
any useful advice out of her
213
622723
3030
Come poteva la gente
ricevere consigli utili da lei
ricevere consigli utili da lei
10:37
in this state?
214
625777
1190
che era in questo stato?
10:39
Well, you see those people
surrounding the oracle?
surrounding the oracle?
215
627497
2381
Vedete la gente che circonda l'oracolo?
10:41
You see those people holding her up,
216
629902
1879
Vedete la gente che la sorregge,
10:43
because she's, like, a little woozy?
217
631805
1717
tanto è stordita?
10:45
And you see that guy
on your left-hand side
on your left-hand side
218
633546
2308
Vedete quel tizio alla vostra sinistra
10:47
holding the orange notebook?
219
635878
1598
con un taccuino arancione in mano?
10:50
Well, those were the temple guides,
220
638105
1730
Quelle erano le guide del tempio,
10:51
and they worked hand in hand
with the oracle.
with the oracle.
221
639859
3016
che lavoravano fianco a fianco
con l'oracolo.
con l'oracolo.
10:56
When inquisitors would come
and get on their knees,
and get on their knees,
222
644084
2516
Quando i visitatori arrivavano
e si inginocchiavano
e si inginocchiavano
10:58
that's when the temple guides
would get to work,
would get to work,
223
646624
2340
le guide iniziavano il loro lavoro,
11:00
because after they asked her questions,
224
648988
1864
perché dopo le domande dei visitatori
11:02
they would observe their emotional state,
225
650876
2001
osservavano il loro stato emotivo,
11:04
and then they would ask them
follow-up questions,
follow-up questions,
226
652901
2324
ne sondavano i desideri,
11:07
like, "Why do you want to know
this prophecy? Who are you?
this prophecy? Who are you?
227
655249
2834
chiedendo: "Perché vuoi conoscere
questa profezia? Chi sei?
questa profezia? Chi sei?
11:10
What are you going to do
with this information?"
with this information?"
228
658107
2264
Cosa te ne farai
di questa informazione?"
di questa informazione?"
11:12
And then the temple guides would take
this more ethnographic,
this more ethnographic,
229
660395
3182
Allora le guide del tempio
raccoglievano queste informazioni
raccoglievano queste informazioni
11:15
this more qualitative information,
230
663601
2156
etnografiche, importanti,
11:17
and interpret the oracle's babblings.
231
665781
2075
interpretando i deliri dell'oracolo.
11:21
So the oracle didn't stand alone,
232
669428
2292
L'oracolo quindi non agiva da solo,
11:23
and neither should our big data systems.
233
671744
2148
né lo fanno i nostri sistemi di big data.
11:26
Now to be clear,
234
674630
1161
Per essere chiari,
11:27
I'm not saying that big data systems
are huffing ethylene gas,
are huffing ethylene gas,
235
675815
3459
non sto dicendo che i sistemi di big data
emettano gas etilene,
emettano gas etilene,
11:31
or that they're even giving
invalid predictions.
invalid predictions.
236
679298
2353
o che facciano predizioni false.
11:33
The total opposite.
237
681675
1161
Tutto il contrario.
11:34
But what I am saying
238
682860
2068
Quello che sto dicendo
11:36
is that in the same way
that the oracle needed her temple guides,
that the oracle needed her temple guides,
239
684952
3832
è che così come l'oracolo
aveva bisogno delle guide del tempio,
aveva bisogno delle guide del tempio,
11:40
our big data systems need them, too.
240
688808
2288
anche i nostri sistemi
di big data ne hanno.
di big data ne hanno.
11:43
They need people like ethnographers
and user researchers
and user researchers
241
691120
4109
Hanno bisogno di persone
come gli etnografi
come gli etnografi
e i ricercatori sugli utenti
11:47
who can gather what I call thick data.
242
695253
2506
che possono raccogliere
i cosiddetti 'dati densi'.
i cosiddetti 'dati densi'.
11:50
This is precious data from humans,
243
698502
2991
Sono preziosi dati di carattere personale,
11:53
like stories, emotions and interactions
that cannot be quantified.
that cannot be quantified.
244
701517
4102
come storie, interazioni ed emozioni
che non possono essere quantificate.
che non possono essere quantificate.
11:57
It's the kind of data
that I collected for Nokia
that I collected for Nokia
245
705643
2322
Sono il genere di dati
che ho raccolto per Nokia
che ho raccolto per Nokia
11:59
that comes in in the form
of a very small sample size,
of a very small sample size,
246
707989
2669
che hanno la forma
di un campione molto piccolo,
di un campione molto piccolo,
12:02
but delivers incredible depth of meaning.
247
710682
2955
ma forniscono una incredibile
profondità di significato.
profondità di significato.
12:05
And what makes it so thick and meaty
248
713661
3680
Ciò che li rende così densi di contenuto
12:10
is the experience of understanding
the human narrative.
the human narrative.
249
718445
4029
è la possibilità di inferire
le storie che contengono.
le storie che contengono.
12:14
And that's what helps to see
what's missing in our models.
what's missing in our models.
250
722498
3639
È questo che aiuta a percepire
cosa manca nei nostri modelli.
cosa manca nei nostri modelli.
12:18
Thick data grounds our business questions
in human questions,
in human questions,
251
726851
4045
I dati densi basano le ricerche
economiche in questioni umane,
economiche in questioni umane,
12:22
and that's why integrating
big and thick data
big and thick data
252
730920
3562
ed è per questo che integrando
i big data con i dati densi
i big data con i dati densi
12:26
forms a more complete picture.
253
734506
1689
si ha un'immagine più completa.
12:28
Big data is able to offer
insights at scale
insights at scale
254
736772
2881
I big data ci offrono intuizioni
su larga scala
su larga scala
12:31
and leverage the best
of machine intelligence,
of machine intelligence,
255
739677
2647
ed usano al meglio
l'intelligenza artificiale,
l'intelligenza artificiale,
12:34
whereas thick data can help us
rescue the context loss
rescue the context loss
256
742348
3572
mentre i dati densi ci aiutano
a sopperire alla mancanza di contesto
a sopperire alla mancanza di contesto
12:37
that comes from making big data usable,
257
745944
2098
che nasce dal rendere
utilizzabili i big data
utilizzabili i big data
12:40
and leverage the best
of human intelligence.
of human intelligence.
258
748066
2181
e usare bene l'intelligenza umana.
12:42
And when you actually integrate the two,
that's when things get really fun,
that's when things get really fun,
259
750271
3552
Quando si integrano i due
è l'inizio del divertimento,
è l'inizio del divertimento,
12:45
because then you're no longer
just working with data
just working with data
260
753847
2436
perché allora non lavori
più solo con i dati
più solo con i dati
12:48
you've already collected.
261
756307
1196
che hai già raccolto.
12:49
You get to also work with data
that hasn't been collected.
that hasn't been collected.
262
757527
2737
Lavori anche con dati
che non hai raccolto.
che non hai raccolto.
12:52
You get to ask questions about why:
263
760288
1719
Devi chiederti il perché:
12:54
Why is this happening?
264
762031
1317
perché succede questo?
12:55
Now, when Netflix did this,
265
763778
1379
Quando lo ha fatto Netflix,
12:57
they unlocked a whole new way
to transform their business.
to transform their business.
266
765181
3035
ha scoperto un modo nuovo
di trasformare il proprio business.
di trasformare il proprio business.
13:01
Netflix is known for their really great
recommendation algorithm,
recommendation algorithm,
267
769406
3956
Netflix è conosciuta per l'eccellente
algoritmo di raccomandazione,
algoritmo di raccomandazione,
13:05
and they had this $1 million prize
for anyone who could improve it.
for anyone who could improve it.
268
773386
4797
e per il premio di un milione di dollari
a chiunque riuscisse a migliorarlo.
a chiunque riuscisse a migliorarlo.
13:10
And there were winners.
269
778207
1314
Ci sono stati dei vincitori.
13:12
But Netflix discovered
the improvements were only incremental.
the improvements were only incremental.
270
780255
4323
Ma Netflix ha scoperto che le migliorie
erano solo incrementali.
erano solo incrementali.
13:17
So to really find out what was going on,
271
785404
1964
Per capire davvero
cosa stava succedendo,
cosa stava succedendo,
13:19
they hired an ethnographer,
Grant McCracken,
Grant McCracken,
272
787392
3741
ha assunto un etnografo,
Grant McCracken,
Grant McCracken,
13:23
to gather thick data insights.
273
791157
1546
per raccogliere dati densi.
13:24
And what he discovered was something
that they hadn't seen initially
that they hadn't seen initially
274
792727
3924
Quello che ha scoperto è stato qualcosa
che non aveva notato prima
che non aveva notato prima
13:28
in the quantitative data.
275
796675
1355
nei dati quantitativi.
13:31
He discovered that people loved
to binge-watch.
to binge-watch.
276
799072
2728
Ha scoperto che la gente amava
le scorpacciate di TV
le scorpacciate di TV
13:33
In fact, people didn't even
feel guilty about it.
feel guilty about it.
277
801824
2353
senza sentirsi affatto in colpa.
13:36
They enjoyed it.
278
804201
1255
Si divertiva.
13:37
(Laughter)
279
805480
1026
(Risate)
13:38
So Netflix was like,
"Oh. This is a new insight."
"Oh. This is a new insight."
280
806530
2356
Netflix ha dedotto
che era una buona intuizione.
che era una buona intuizione.
13:40
So they went to their data science team,
281
808910
1938
Si è rivolta ai suoi tecnici scientifici
13:42
and they were able to scale
this big data insight
this big data insight
282
810872
2318
ed è riuscita a integrare queste intuizioni
13:45
in with their quantitative data.
283
813214
2587
con i dati quantitativi.
13:47
And once they verified it
and validated it,
and validated it,
284
815825
3170
Una volta verificati e validati,
13:51
Netflix decided to do something
very simple but impactful.
very simple but impactful.
285
819019
4761
Netflix ha deciso di fare qualcosa
di semplice ma significativo.
di semplice ma significativo.
13:56
They said, instead of offering
the same show from different genres
the same show from different genres
286
824834
6492
Ha detto: "Invece di offrire
lo stesso programma per generi diversi
lo stesso programma per generi diversi
14:03
or more of the different shows
from similar users,
from similar users,
287
831350
3888
o più programmi diversi
per utenti simili,
per utenti simili,
14:07
we'll just offer more of the same show.
288
835262
2554
vi offriamo lo stesso programma
in maggiore quantità.
in maggiore quantità.
14:09
We'll make it easier
for you to binge-watch.
for you to binge-watch.
289
837840
2105
Vi aiuteremo a fare
scorpacciate di TV."
scorpacciate di TV."
14:11
And they didn't stop there.
290
839969
1486
E non si è fermata qui.
14:13
They did all these things
291
841479
1474
Ha fatto tutto questo
14:14
to redesign their entire
viewer experience,
viewer experience,
292
842977
2959
per trasformare l'intera esperienza
dei suoi utenti,
dei suoi utenti,
14:17
to really encourage binge-watching.
293
845960
1758
per incoraggiare scorpacciate di TV.
14:20
It's why people and friends disappear
for whole weekends at a time,
for whole weekends at a time,
294
848230
3241
È per questo che persone e amici
scompaiono per interi weekend,
scompaiono per interi weekend,
14:23
catching up on shows
like "Master of None."
like "Master of None."
295
851495
2343
catturati da programmi come
"Master of None".
"Master of None".
14:25
By integrating big data and thick data,
they not only improved their business,
they not only improved their business,
296
853862
4173
Integrando i big data con i dati densi,
non solo ha raggiunto risultati migliori,
non solo ha raggiunto risultati migliori,
14:30
but they transformed how we consume media.
297
858059
2812
ma ha trasformato
il modo in cui usiamo i media.
il modo in cui usiamo i media.
14:32
And now their stocks are projected
to double in the next few years.
to double in the next few years.
298
860895
4552
Ora le loro azioni raddoppieranno
nei prossimi anni.
nei prossimi anni.
14:38
But this isn't just about
watching more videos
watching more videos
299
866280
3830
Ma non si tratta solo
di guardare più video
di guardare più video
14:42
or selling more smartphones.
300
870134
1620
o vendere più smartphone.
14:44
For some, integrating thick data
insights into the algorithm
insights into the algorithm
301
872143
4050
Per qualcuno, integrare i "dati densi"
nell'algoritmo
nell'algoritmo
14:48
could mean life or death,
302
876217
2263
potrebbe significare vita o morte,
14:50
especially for the marginalized.
303
878504
2146
specialmente per chi è emarginato.
14:53
All around the country,
police departments are using big data
police departments are using big data
304
881738
3434
In tutto il paese i dipartimenti
di polizia usano i big data
di polizia usano i big data
14:57
for predictive policing,
305
885196
1963
per fare previsioni di intervento,
per definire gli importi delle cauzioni
e per raccomandazioni di sentenze
e per raccomandazioni di sentenze
14:59
to set bond amounts
and sentencing recommendations
and sentencing recommendations
306
887183
3084
15:02
in ways that reinforce existing biases.
307
890291
3147
in modi che rinforzano
i pregiudizi attuali.
i pregiudizi attuali.
15:06
NSA's Skynet machine learning algorithm
308
894296
2423
L'algoritmo Skynet dell'NSA
per l'apprendimento automatico
per l'apprendimento automatico
15:08
has possibly aided in the deaths
of thousands of civilians in Pakistan
of thousands of civilians in Pakistan
309
896743
5444
ha probabilmente aiutato ad uccidere
migliaia di civili in Pakistan
migliaia di civili in Pakistan
15:14
from misreading cellular device metadata.
310
902211
2721
male interpretando i metadati
dei telefoni cellulari.
dei telefoni cellulari.
15:19
As all of our lives become more automated,
311
907131
3403
Poiché tutte le nostre vite diventano
sempre più automatizzate,
sempre più automatizzate,
15:22
from automobiles to health insurance
or to employment,
or to employment,
312
910558
3080
dalle automobili
alle assicurazioni sanitarie
alle assicurazioni sanitarie
al lavoro stesso,
15:25
it is likely that all of us
313
913662
2350
è verosimile che tutti noi
15:28
will be impacted
by the quantification bias.
by the quantification bias.
314
916036
2989
subiremo l'effetto
dei pregiudizi quantitativi.
dei pregiudizi quantitativi.
15:32
Now, the good news
is that we've come a long way
is that we've come a long way
315
920972
2621
La buona notizia è
che è passato tanto tempo
che è passato tanto tempo
15:35
from huffing ethylene gas
to make predictions.
to make predictions.
316
923617
2450
dalle emissioni di gas etilene
per le predizioni.
per le predizioni.
15:38
We have better tools,
so let's just use them better.
so let's just use them better.
317
926091
3070
Abbiamo strumenti migliori
per cui usiamoli meglio.
per cui usiamoli meglio.
15:41
Let's integrate the big data
with the thick data.
with the thick data.
318
929185
2323
Integriamo i big data con i dati densi.
15:43
Let's bring our temple guides
with the oracles,
with the oracles,
319
931532
2261
Affianchiamo le nostre guide del tempio
all'oracolo,
all'oracolo,
15:45
and whether this work happens
in companies or nonprofits
in companies or nonprofits
320
933817
3376
e se questo lavoro si dovrà fare
nelle aziende o nelle ONG,
nelle aziende o nelle ONG,
15:49
or government or even in the software,
321
937217
2469
nei governi o nei software
15:51
all of it matters,
322
939710
1792
sarà sempre importante,
15:53
because that means
we're collectively committed
we're collectively committed
323
941526
3023
perché ciò che importa
è che siamo vincolati collettivamente
è che siamo vincolati collettivamente
15:56
to making better data,
324
944573
2191
per creare dati migliori,
15:58
better algorithms, better outputs
325
946788
1836
algoritmi migliori, migliori risultati
16:00
and better decisions.
326
948648
1643
e migliori decisioni.
16:02
This is how we'll avoid
missing that something.
missing that something.
327
950315
3558
È così che eviteremo di perdere
quel qualcosa.
quel qualcosa.
16:07
(Applause)
328
955222
3948
(Applausi)
ABOUT THE SPEAKER
Tricia Wang - Technology ethnographerWith astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers.
Why you should listen
For Tricia Wang, human behavior generates some of the most perplexing questions of our times. She has taught global organizations how to identify new customers and markets hidden behind their data, amplified IDEO's design thinking practice as an expert-in-residence, researched the social evolution of the Chinese internet, and written about the "elastic self," an emergent form of interaction in a virtual world. Wang is the co-founder of Sudden Compass, a consulting firm that helps companies unlock new growth opportunities by putting customer obsession into practice.
Wang's work has been featured in The Atlantic, Al Jazeera, and The Guardian. Fast Company spotlighted her work in China: "What Twitter Can Learn From Weibo: Field Notes From Global Tech Ethnographer Tricia Wang." In her latest op-ed on Slate, she discusses how attempts to stop terrorists on social media can harm our privacy and anonymity. Her Medium post, "Why Big Data Needs Thick Data," is a frequently cited industry piece on the importance of an integrated data approach. One of her favorite essays documents her day in the life of working as a street vendor in China.
Known for her lively presentations that are grounded in her research and observations about human behavior and data, Wang has spoken at organizations such as Proctor & Gamble, Nike, Wrigley, 21st Century Fox and Tumblr. Her most recent talk at Enterprise UX delved into why corporate innovation usually doesn’t work and what to do about it. She delivered the opening keynote at The Conference to a crowd of marketers and creatives, delving into the wild history of linear perspective and its influence on how we think and form organizations.
Wang holds affiliate positions at Data & Society, Harvard University's Berkman Klein Center for Internet Studies and New York University's Interactive Telecommunication Program. She oversees Ethnography Matters, a site that publishes articles about applied ethnography and technology. She co-started a Slack community for anyone who uses ethnographic methods in industry.
Wang began her career as a documentary filmmaker at NASA, an HIV/AIDS activist, and an educator specializing in culturally responsive pedagogy. She is also proud to have co-founded the first national hip-hop education initiative, which turned into the Hip Hop Education Center at New York University, and to have built after-school technology and arts programs for low-income youth at New York City public schools and the Queens Museum of Arts. Her life philosophy is that you have to go to the edge to discover what’s really happening. She's the proud companion of her internet famous dog, #ellethedog.
Tricia Wang | Speaker | TED.com