TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Sebastian Wernicke: Como usar dados para fazer uma série de sucesso
Filmed:
Readability: 4
1,628,704 views
Coletar mais dados leva a melhores tomadas de decisão? Empresas competitivas e que dominam a manipulação de dados, como Amazon, Google e Netflix, têm aprendido que a análise de dados sozinha nem sempre produz resultados ótimos. Nesta palestra, o analista de dados Sebastian Wernicke examina o que dá errado quando nós tomamos decisões baseados somente em dados -- e sugere uma forma mais inteligente de se usá-los.
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 é um homem de quem a maioria
de vocês provavelmente nunca ouviu falar,
de vocês provavelmente nunca ouviu falar,
00:17
even though he may have been responsible
1
5120
2496
embora ele possa ter sido responsável
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
por 22 minutos um tanto medíocres
da sua vida em 19 de Abril de 2013.
da sua vida em 19 de Abril de 2013.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
Pode também ter sido responsável
pelos 22 minutos muito divertidos,
pelos 22 minutos muito divertidos,
00:29
but not very many of you.
4
17760
2256
mas não para muitos de vocês.
E tudo isso está ligado a uma decisão
00:32
And all of that goes back to a decision
5
20040
1896
que Roy teve de tomar há cerca de 3 anos.
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
Então vejam, Roy Price é um executivo
sênior na Amazon Studios,
sênior na Amazon Studios,
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
que é a companhia de produção
de TV da Amazon.
de TV da Amazon.
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
Ele tem 47 anos, é magro,
seu cabelo é arrepiado,
seu cabelo é arrepiado,
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
descreve a si próprio no Twitter
com "filmes, TV, tecnologia, tacos."
com "filmes, TV, tecnologia, tacos."
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
E Roy Price tem um emprego de muita
responsabilidade, porque é seu dever
responsabilidade, porque é seu dever
escolher os programas, o conteúdo
original que a Amazon produzirá.
original que a Amazon produzirá.
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
E claro que esse é um campo
muito competitivo.
muito competitivo.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Digo, já existem tantas séries por aí
01:06
that Roy can't just choose any show.
15
54400
2176
que Roy não pode
escolher qualquer série.
escolher qualquer série.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Ele tem que encontrar séries
que são muito, muito boas.
que são muito, muito boas.
01:12
So in other words, he has to find shows
17
60720
2816
Então, em outras palavras,
ele tem de encontrar séries
ele tem de encontrar séries
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
que estão bem na ponta direita
desta curva aqui.
desta curva aqui.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Esta curva aqui
é a distribuição da classificação
é a distribuição da classificação
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
de cerca de 2,5 mil programas de TV
no website IMDB,
no website IMDB,
e a pontuação vai de um a dez,
01:25
and the rating goes from one to 10,
21
73040
2896
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
e a altura aqui mostra quantas séries
obtiveram esta pontuação.
obtiveram esta pontuação.
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
Então se a sua série obtém uma nota nove
ou maior, é uma vencedora.
ou maior, é uma vencedora.
01:35
Then you have a top two percent show.
24
83680
1816
Uma série entre as 2% melhores.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
São séries como "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
então todas essas séries são viciantes.
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
após ter assistido a uma temporada,
seu cérebro está assim tipo:
seu cérebro está assim tipo:
01:46
"Where can I get more of these episodes?"
28
94840
2176
"Onde eu posso conseguir mais episódios?"
01:49
That kind of show.
29
97040
1200
Esse tipo de série.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
No lado esquerdo,
apenas para esclarecer, aqui,
apenas para esclarecer, aqui,
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
você tem uma série chamada
"Criancinhas e Tiaras"
"Criancinhas e Tiaras"
(Risos)
01:56
(Laughter)
32
104640
2656
01:59
-- which should tell you enough
33
107320
1536
o que deve te dizer o suficiente
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
sobre o que se passa naquela
ponta da curva.
ponta da curva.
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 não está preocupado em
entrar naquela ponta esquerda da curva,
entrar naquela ponta esquerda da curva,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
porque eu acho que você
teria de ser muito inteligente
teria de ser muito inteligente
para bater "Criancinhas e 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
Então a parte que ele está preocupado
é este pico do meio da curva aqui,
é este pico do meio da curva aqui,
02:15
the bulge of average TV,
39
123920
1816
o pico da TV mediana,
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
aqueles programas que não são
nem muito bons nem muito ruins,
nem muito bons nem muito ruins,
02:20
they don't really get you excited.
41
128639
1656
não empolgam para valer.
Ele precisa ter certeza que está
na extremidade a direita.
na extremidade a direita.
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
02:27
So the pressure is on,
43
135200
1576
Então a pressão está presente,
02:28
and of course it's also the first time
44
136800
2176
e é também a primeira vez
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
que a Amazon está fazendo algo assim
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
e Roy Price não quer se arriscar.
Ele quer criar um sucesso.
02:36
He wants to engineer success.
47
144560
2456
Ele precisa de um sucesso garantido,
02:39
He needs a guaranteed success,
48
147040
1776
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
e então o que ele faz é
realizar uma competição.
realizar uma competição.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Ele coleta um punhado
de ideias para séries
de ideias para séries
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
e dessas ideias, por meio
de uma avaliação,
de uma avaliação,
02:48
they select eight candidates for TV shows,
52
156920
4096
são selecionadas oito candidatas,
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
e faz apenas o primeiro episódio
de cada uma dessas séries
de cada uma dessas séries
e os coloca on-line de graça para
qualquer um assistir.
qualquer um assistir.
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
Quando a Amazon está
dando coisas de graça
dando coisas de graça
03:01
you're going to take it, right?
56
169720
1536
você vai pegá-las, certo?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Então milhões de pessoas estão
assistindo àqueles episódios.
assistindo àqueles episódios.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
O que eles não percebem é que,
enquanto assistem às séries,
enquanto assistem às séries,
03:11
actually, they are being watched.
59
179680
2296
na verdade, eles estão sendo observados.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
Observados por Roy Price e sua equipe,
que gravam tudo.
03:16
who record everything.
61
184360
1376
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
Gravam quando alguém aperta o “play”,
quando alguém pressiona o “pause”,
quando alguém pressiona o “pause”,
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
que partes pulam,
que parte assistem novamente.
que parte assistem novamente.
03:23
So they collect millions of data points,
64
191720
2256
Assim coletam milhões de dados específicos
porque querem ter aqueles dados
03:26
because they want
to have those data points
to have those data points
65
194000
2096
para então decidir
qual série devem produzir.
qual série devem produzir.
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
E com certeza, eles colhem todos os dados
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
fazem o processamento dos dados
e uma resposta surge,
e uma resposta surge,
03:35
and the answer is,
69
203640
1216
e a resposta é:
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
"Amazon deve fazer uma comédia em série
sobre quatro senadores Republicanos."
sobre quatro senadores Republicanos."
03:42
They did that show.
71
210440
1216
Produziram essa série.
03:43
So does anyone know the name of the show?
72
211680
2160
Alguém sabe o nome da série?
03:46
(Audience: "Alpha House.")
73
214720
1296
Público: "Alpha House."
Isto! "Alpha House",
03:48
Yes, "Alpha House,"
74
216040
1456
03:49
but it seems like not too many of you here
remember that show, actually,
remember that show, actually,
75
217520
4096
mas parece que não muitos de vocês aqui
se lembram dessa série, na verdade,
se lembram dessa série, na verdade,
porque ela não ficou tão boa.
03:53
because it didn't turn out that great.
76
221640
1856
É na verdade apenas uma série mediana,
03:55
It's actually just an average show,
77
223520
1856
literalmente mediana pois a média
desta curva aqui é 7,4 pontos,
desta curva aqui é 7,4 pontos,
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
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
e "Alpha House" fica em 7,5,
portanto um pouquinho acima da média,
04:04
so a slightly above average show,
80
232440
2016
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
mas certamente não o que Roy Price
e sua equipe almejavam.
e sua equipe almejavam.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
Enquanto isso, porém,
e mais ou menos ao mesmo tempo
e mais ou menos ao mesmo tempo
04:13
at another company,
83
241200
1576
em outra empresa,
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
outro executivo conseguiu produzir uma
série de sucesso usando análise de dados,
série de sucesso usando análise de dados,
e seu nome é Ted,
04:19
and his name is Ted,
85
247040
1576
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Ted Sarandos, que é o Diretor
de Conteúdo da Netflix,
de Conteúdo da Netflix,
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
e assim como Roy, está na constante missão
de encontrar uma grande série,
04:26
to find that great TV show,
88
254240
1496
04:27
and he uses data as well to do that,
89
255760
2016
e ele usa dados também para fazer isso,
mas o faz de um jeito um pouco diferente.
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
Em vez de realizar uma competição,
o que ele fez, com sua equipe, claro,
o que ele fez, com sua equipe, claro,
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
foi examinar todos os dados
que já tinham sobre os usuários do Netflix
que já tinham sobre os usuários do Netflix
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
a nota que o público deu a suas séries,
o registro de audição,
de quais séries o público gosta, etc.
de quais séries o público gosta, etc.
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
E usam esses dados para descobrir
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
todos os detalhes sobre a audiência:
04:48
what kinds of shows they like,
97
276560
1456
de que tipos de séries gostam,
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
que tipos de produtores,
que tipos de atores.
que tipos de atores.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
Ao juntarem todas essas partes,
04:54
they took a leap of faith,
100
282760
1656
deram um salto de fé,
04:56
and they decided to license
101
284440
2096
e decidiram licenciar
04:58
not a sitcom about four Senators
102
286560
2456
não uma comédia em série
sobre quatro senadores
sobre quatro senadores
05:01
but a drama series about a single Senator.
103
289040
2880
mas uma série dramática
sobre um único senador.
sobre um único senador.
05:04
You guys know the show?
104
292760
1656
Vocês conhecem a série?
05:06
(Laughter)
105
294440
1296
(Risos)
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
Sim, "House of Cards", e Netflix, claro,
acertou em cheio com essa série,
acertou em cheio com essa série,
05:11
at least for the first two seasons.
107
299520
2136
ao menos pelas duas primeiras temporadas.
05:13
(Laughter) (Applause)
108
301680
3976
(Risos)
(Aplausos)
(Aplausos)
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" obtém uma pontuação
de 9,1 nesta curva,
de 9,1 nesta curva,
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
logo ela está exatamente onde
eles queriam que ela estivesse.
eles queriam que ela estivesse.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
Agora, a questão, claro, é:
o que aconteceu aqui?
o que aconteceu aqui?
Há duas empresas muito competitivas
que dominam os dados.
que dominam os dados.
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
Elas conectam todos esses milhões
de dados específicos.
de dados específicos.
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
E então isso funciona
muito bem para uma delas,
muito bem para uma delas,
05:34
and it doesn't work for the other one.
115
322480
1856
e não funciona para a outra.
05:36
So why?
116
324360
1216
Por quê?
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
Pois pela lógica isso deveria
funcionar o tempo todo.
funcionar o tempo todo.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
Digo, se estão coletando
milhões de dados específicos
milhões de dados específicos
05:43
on a decision you're going to make,
119
331560
1736
sobre uma decisão que irão tomar,
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
e deveriam estar aptos
a tomar uma decisão muito boa.
a tomar uma decisão muito boa.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
Podem se valer
de 200 anos de estatísticas.
de 200 anos de estatísticas.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
Vocês estão detalhando isso com
computadores muito poderosos.
computadores muito poderosos.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
O mínimo que se pode esperar
é uma boa programação de TV, certo?
é uma boa programação de TV, certo?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
E se análise de dados não funciona assim,
06:01
then it actually gets a little scary,
125
349520
2056
então a coisa fica um pouco assustadora,
pois vivemos numa época em que estamos
nos voltando aos dados mais e mais
nos voltando aos dados mais e mais
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
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
para tomar decisões muito sérias
que vão muito além de programas de TV.
que vão muito além de programas de TV.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Alguém aqui conhece a companhia
Multi-Health Systems?
Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
365080
1656
Ninguém. Ok, isso na verdade é bom.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
Multi-Health Systems é uma
empresa de softwares,
empresa de softwares,
06:22
and I hope that nobody here in this room
131
370000
2816
e espero que ninguém nesta sala
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
jamais entre em contato com esse software,
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
pois se entrar, significa estar na prisão.
06:30
(Laughter)
134
378160
1176
(Risos)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Se alguém aqui nos EUA está na prisão
e solicita liberdade condicional,
e solicita liberdade condicional,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
então é muito provável que o software
de análise de dados dessa empresa
de análise de dados dessa empresa
será usado para determinar se pode
conceder a sua liberdade condicional.
conceder a sua liberdade condicional.
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
É o mesmo princípio
com a Amazon e Netflix,
com a Amazon e 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
mas agora, em vez de decidir
se uma série será boa ou ruim,
se uma série será boa ou ruim,
vocês decidirão se uma pessoa
será boa ou má.
será boa ou má.
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
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
E um programa de TV medíocre,
de 22 minutos, pode ser muito ruim;
de 22 minutos, pode ser muito ruim;
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
mais anos na prisão, porém,
pode ser ainda pior.
pode ser ainda pior.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
E, infelizmente, há algumas evidências
de que esta análise de dados,
de que esta análise de dados,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
apesar de ter muitos dados, nem sempre
produz resultados ótimos.
produz resultados ótimos.
Isso não ocorre porque uma empresa
como a Multi-Health Systems
como a Multi-Health Systems
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
07:13
doesn't know what to do with data.
146
421506
1627
não sabe o que fazer com os dados.
Até as empresas que dominam
esta análise erram.
esta análise erram.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Sim, mesmo a Google erra às vezes.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
Em 2009, a Google anunciou que eles eram
capazes, com análise de dados,
capazes, com análise de dados,
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
predizer surtos de gripe influenza,
o sórdido tipo de gripe,
o sórdido tipo de gripe,
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
fazendo análise de dados sobre
as buscas no Google.
as buscas no Google.
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
E funcionou muito bem
fez um estardalhaço na mídia,
fez um estardalhaço na mídia,
incluindo o auge do sucesso científico:
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
uma publicação na revista "Nature".
07:39
a publication in the journal "Nature."
154
447200
2456
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Isso funcionou muito bem,
ano após ano, após ano,
ano após ano, após ano,
até que em um ano, falhou.
07:45
until one year it failed.
156
453320
1656
07:47
And nobody could even tell exactly why.
157
455000
2256
E ninguém podia dizer
exatamente o porquê.
exatamente o porquê.
07:49
It just didn't work that year,
158
457280
1696
Apenas não funcionou aquele ano,
07:51
and of course that again made big news,
159
459000
1936
e claro que novamente virou notícia,
tendo até uma retratação
07:52
including now a retraction
160
460960
1616
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
de uma publicação da revista "Nature".
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Então mesmo as líderes na análise
de dados, Amazon e Google,
de dados, Amazon e Google,
às vezes erram.
08:01
they sometimes get it wrong.
163
469840
2136
08:04
And despite all those failures,
164
472000
2936
E apesar de todas aquelas falhas,
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
os dados estão rapidamente se incorporando
nas tomadas de decisão da vida real
nas tomadas de decisão da vida real
no trabalho,
08:10
into the workplace,
166
478840
1816
08:12
law enforcement,
167
480680
1816
no cumprimento das leis,
08:14
medicine.
168
482520
1200
na medicina.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Logo deveríamos levar em conta
que a análise de dados está ajudando.
que a análise de dados está ajudando.
Agora, pessoalmente tenho visto muito
desse esforço com os dados,
desse esforço com os dados,
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
08:22
because I work in computational genetics,
171
490920
1976
pois trabalho com genética computacional,
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
que é também um campo
no qual muita gente inteligente
no qual muita gente inteligente
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
usa inimagináveis quantidades de dados
para tomar decisões muito importantes
para tomar decisões muito importantes
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
como decidir sobre uma terapia contra
o câncer ou desenvolver uma droga.
o câncer ou desenvolver uma droga.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
E ao longo dos anos, tenho
notado um tipo de padrão
notado um tipo de padrão
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
ou tipo de regra, se quiserem,
sobre a diferença
sobre a diferença
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
entre tomadas de decisão bem-sucedidas
pelo análise de dados
pelo análise de dados
08:43
and unsuccessful decision-making,
178
511120
1616
e decisões mal-sucedidas,
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
e acho que este é um padrão que vale
a pena compartilhar, e que funciona assim.
a pena compartilhar, e que funciona assim.
Quando estiverem
resolvendo um problema,
resolvendo um problema,
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
vocês no fundo farão duas coisas.
08:52
you're doing essentially two things.
181
520679
1737
08:54
The first one is, you take that problem
apart into its bits and pieces
apart into its bits and pieces
182
522440
3296
A primeira é que você dividem esse
problema em suas menores partes
problema em suas menores partes
para que consigam analisar
os detalhes em profundidade,
os detalhes em profundidade,
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
e daí vocês fazem a segunda parte.
Vocês juntam novamente todas as partes
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
para chegar a uma conclusão.
09:05
to come to your conclusion.
186
533000
1336
E às vezes vocês têm de fazer
isso novamente,
isso novamente,
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
mas são sempre aquelas duas coisas:
09:08
but it's always those two things:
188
536720
1656
dividir e remontar novamente.
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
09:14
And now the crucial thing is
190
542280
1616
E agora a parte crucial é
que o dados e a análise
que o dados e a análise
09:15
that data and data analysis
191
543920
2896
são apenas bons para a primeira parte.
09:18
is only good for the first part.
192
546840
2496
Dados e análise de dados, não importa
quão poderosos,
quão poderosos,
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
podem apenas ajudá-los a dividir
um problema e entender suas partes.
um problema e entender suas partes.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Eles não são adequados para colocar
essas partes juntas novamente
essas partes juntas novamente
e assim chegar a uma conclusão.
09:31
and then to come to a conclusion.
196
559600
1896
09:33
There's another tool that can do that,
and we all have it,
and we all have it,
197
561520
2736
Todos nós temos uma ferramenta
que pode fazer isso:
que pode fazer isso:
é nosso cérebro.
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
Se há algo no qual um cérebro é bom,
é juntar pequenas partes novamente,
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
mesmo quando se tem informação incompleta,
09:41
even when you have incomplete information,
201
569840
2016
09:43
and coming to a good conclusion,
202
571880
1576
e chegar uma boa conclusão,
especialmente se é o cérebro de um expert.
09:45
especially if it's the brain of an expert.
203
573480
2936
Acredito que é por isso que a Netflix
foi tão bem-sucedida,
foi tão bem-sucedida,
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
porque usaram dados e cérebros
onde cada um se encaixa no processo.
onde cada um se encaixa no processo.
Primeiro eles usam dados para entender
vários aspectos de sua audiência,
vários aspectos de sua audiência,
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
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
que de outra forma não teriam sido
capazes de entender em profundidade.
capazes de entender em profundidade.
Mas a decisão de pegar todas
essas pequenas partes
essas pequenas partes
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
e juntá-las novamente e fazer uma série
como "House of Cards",
como "House of Cards",
10:04
and put them back together again
and make a show like "House of Cards,"
and make a show like "House of Cards,"
209
592360
3336
isso não estava nos dados.
10:07
that was nowhere in the data.
210
595720
1416
Ted Sarandos e sua equipe tomaram
a decisão de licenciar essa série,
a decisão de licenciar essa série,
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
o que também significou, a propósito,
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
que eles estavam correndo um grande risco
pessoal com aquela decisão.
pessoal com aquela decisão.
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
E na Amazon, fizeram
isso da forma errada.
isso da forma errada.
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
Usaram dados o tempo todo
para guiar a tomada de decisão,
para guiar a tomada de decisão,
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
primeiro ao fazerem a competição
de ideias para a TV
de ideias para a TV
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
depois quando selecionaram "Alpha House"
para fazer como série.
para fazer como série.
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
O que, claro, foi uma decisão
segura para eles,
segura para eles,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
pois poderiam sempre apontar
para os dados, dizendo:
para os dados, dizendo:
"Isso é o que os dados nos dizem".
10:35
"This is what the data tells us."
220
623400
1696
Mas isso não levou ao resultado
excepcional que estavam esperando.
excepcional que estavam esperando.
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
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Então os dados são, claro, uma ferramenta
muito útil para tomar melhores decisões
muito útil para tomar melhores decisões
mas eu acredito que as coisas deem errado
10:47
but I believe that things go wrong
223
635120
2376
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
quando as estatísticas começam
a guiar essas decisões.
a guiar essas decisões.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
Não importa quão poderosos sejam,
dados são apenas uma ferramenta,
dados são apenas uma ferramenta,
e para manter isso em mente,
eu achei esse dispositivo aqui muito útil.
eu achei esse dispositivo aqui muito útil.
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
Muitos de vocês vão...
11:00
(Laughter)
228
648520
1216
(Risos)
Antes de existirem dados,
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
era este o aparelho de decisão usado.
(Risos)
11:05
(Laughter)
231
653880
1256
11:07
Many of you will know this.
232
655160
1336
Muitos reconhecerão isso.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Este brinquedo é chamado de Bola 8 Mágica
11:10
and it's really amazing,
234
658497
1199
e é realmente incrível,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
pois se têm que tomar
uma decisão, um sim ou não,
uma decisão, um sim ou não,
vocês só precisam chacoalhar a bola
e aí recebem uma resposta
e aí recebem uma resposta
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
"Muito provavelmente", bem aqui
nesta janela, em tempo real.
nesta janela, em tempo real.
Estarei com ela lá fora
para demonstrações.
para demonstrações.
11:21
I'll have it out later for tech demos.
238
669240
2096
(Risos)
11:23
(Laughter)
239
671360
1216
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
O fato é que, obviamente, tomei
algumas decisões na minha vida
algumas decisões na minha vida
que, olhando para trás, deveria
ter apenas ouvido a bola.
ter apenas ouvido a bola.
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
Mas, sabem, se vocês têm
os dados disponíveis,
os dados disponíveis,
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
vão querer substituir isto
por algo muito mais sofisticado,
por algo muito mais sofisticado,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
como análise estatística
para tomar uma decisão melhor.
para tomar uma decisão melhor.
11:41
But that does not change the basic setup.
245
689200
2616
Mas isso não muda a configuração básica.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
Portanto "a bola" pode ficar
mais e mais esperta,
mais e mais esperta,
mas acredito que ainda cabe
a nós tomar decisões
a nós tomar decisões
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
se quisermos alcançar algo extraordinário,
11:52
on the right end of the curve.
249
700920
1936
na extremidade direita desta curva.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
E acho que é uma mensagem
muito encorajadora, na verdade,
muito encorajadora, na verdade,
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
que mesmo em vista de enormes
quantidades de dados,
quantidades de dados,
ainda é vantajoso tomarmos decisões,
12:03
it still pays off to make decisions,
252
711400
4096
12:07
to be an expert in what you're doing
253
715520
2656
sermos especialistas no que fazemos
12:10
and take risks.
254
718200
2096
e correr os riscos.
12:12
Because in the end, it's not data,
255
720320
2776
Porque no fim, não são os dados,
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
mas os riscos, que colocarão vocês
na extremidade direita da curva.
na extremidade direita da curva.
12:19
Thank you.
257
727840
1216
Muito obrigado.
(Aplausos)
12:21
(Applause)
258
729080
3680
ABOUT THE SPEAKER
Sebastian Wernicke - Data scientistAfter making a splash in the field of bioinformatics, Sebastian Wernicke moved on to the corporate sphere, where he motivates and manages multidimensional projects.
Why you should listen
Dr. Sebastian Wernicke is the Chief Data Scientist of ONE LOGIC, a data science boutique that supports organizations across industries to make sense of their vast data collections to improve operations and gain strategic advantages. Wernicke originally studied bioinformatics and previously led the strategy and growth of Seven Bridges Genomics, a Cambridge-based startup that builds platforms for genetic analysis.
Before his career in statistics began, Wernicke worked stints as both a paramedic and successful short animated filmmaker. He's also the author of the TEDPad app, an irreverent tool for creating an infinite number of "amazing and really bad" and mostly completely meaningless talks. He's the author of the statistically authoritative and yet completely ridiculous "How to Give the Perfect TEDTalk."
Sebastian Wernicke | Speaker | TED.com