TEDxCambridge
Sebastian Wernicke: How to use data to make a hit TV show
Себастьян Верник: Как использовать данные, чтобы создать топовый сериал
Filmed:
Readability: 4
1,628,704 views
Ведёт ли сбор данных к более эффективному принятию решений? Конкурентоспособные, опытные в работе с данными компании, такие как Amazon, Google и Netflix, на своём опыте выяснили, что анализ данных не всегда ведёт к оптимальным результатам. В этом выступлении специалист по данным Себастьян Верник рассматривает, что идёт не так, когда мы принимаем решения, основываясь только на данных, и предлагает более умное решение.
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
Рой Прайс — это человек, о котором
большинство из вас никогда не слышало,
большинство из вас никогда не слышало,
00:17
even though he may have been responsible
1
5120
2496
а он мог быть ответственным
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
за 22 посредственных минуты
вашего времени 19 апреля 2013 года.
вашего времени 19 апреля 2013 года.
00:26
He may have also been responsible
for 22 very entertaining minutes,
for 22 very entertaining minutes,
3
14560
3176
Он также мог быть ответственным
за 22 весьма развлекательных минуты,
за 22 весьма развлекательных минуты,
00:29
but not very many of you.
4
17760
2256
но не для многих из вас.
00:32
And all of that goes back to a decision
5
20040
1896
Всё это ведёт нас к решению,
00:33
that Roy had to make
about three years ago.
about three years ago.
6
21960
2000
которое Рой должен был принять
три года назад.
три года назад.
00:35
So you see, Roy Price
is a senior executive with Amazon Studios.
is a senior executive with Amazon Studios.
7
23984
4832
Рой Прайс — ответственный менеджер
в Amazon Studios.
в Amazon Studios.
00:40
That's the TV production
company of Amazon.
company of Amazon.
8
28840
3016
Это подразделение
Amazon по производству телепрограмм.
Amazon по производству телепрограмм.
00:43
He's 47 years old, slim, spiky hair,
9
31880
3256
Ему 47 лет, худощавый,
с «ёжиком» на голове,
с «ёжиком» на голове,
00:47
describes himself on Twitter
as "movies, TV, technology, tacos."
as "movies, TV, technology, tacos."
10
35160
4816
в Твиттере он описывает себя так:
«фильмы, ТВ, технологии, тако».
«фильмы, ТВ, технологии, тако».
00:52
And Roy Price has a very responsible job,
because it's his responsibility
because it's his responsibility
11
40000
5176
У Роя Прайса очень ответственная работа,
потому что он отвечает
потому что он отвечает
00:57
to pick the shows, the original content
that Amazon is going to make.
that Amazon is going to make.
12
45200
4056
за выбор сериалов, оригинального контента,
который будет производить Amazon.
который будет производить Amazon.
01:01
And of course that's
a highly competitive space.
a highly competitive space.
13
49280
2336
Безусловно, это очень конкурентная среда.
01:03
I mean, there are so many
TV shows already out there,
TV shows already out there,
14
51640
2736
Уже есть столько сериалов,
01:06
that Roy can't just choose any show.
15
54400
2176
что Рой не может просто выбрать
любой сериал.
любой сериал.
01:08
He has to find shows
that are really, really great.
that are really, really great.
16
56600
4096
Ему нужно находить сериалы,
которые действительно очень хороши.
которые действительно очень хороши.
01:12
So in other words, he has to find shows
17
60720
2816
Другими словами,
ему нужно находить сериалы,
ему нужно находить сериалы,
01:15
that are on the very right end
of this curve here.
of this curve here.
18
63560
2376
которые будут на самом правом краю
этой кривой.
этой кривой.
01:17
So this curve here
is the rating distribution
is the rating distribution
19
65960
2656
Эта кривая — распределение рейтингов
01:20
of about 2,500 TV shows
on the website IMDB,
on the website IMDB,
20
68640
4376
порядка 2 500 телесериалов,
по данным сайта IMDB.
по данным сайта IMDB.
01:25
and the rating goes from one to 10,
21
73040
2896
Рейтинг может быть от 1 до 10,
01:27
and the height here shows you
how many shows get that rating.
how many shows get that rating.
22
75960
2976
высота показывает, сколько сериалов
получают данный рейтинг.
получают данный рейтинг.
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
Если у вашего сериала рейтинг
9 и выше, это победитель.
9 и выше, это победитель.
01:35
Then you have a top two percent show.
24
83680
1816
Ваш сериал в 2% самых успешных.
01:37
That's shows like "Breaking Bad,"
"Game of Thrones," "The Wire,"
"Game of Thrones," "The Wire,"
25
85520
3896
Это такие сериалы, как «Во все тяжкие»,
«Игра престолов», «Прослушка»,
«Игра престолов», «Прослушка»,
01:41
so all of these shows that are addictive,
26
89440
2296
все они затягивают,
01:43
whereafter you've watched a season,
your brain is basically like,
your brain is basically like,
27
91760
3056
после того, как вы посмотрите сезон,
ваш мозг думает:
ваш мозг думает:
01:46
"Where can I get more of these episodes?"
28
94840
2176
«Где бы мне достать ещё эпизодов?»
01:49
That kind of show.
29
97040
1200
Вот такие сериалы.
01:50
On the left side, just for clarity,
here on that end,
here on that end,
30
98920
2496
Для ясности: на левой стороне
01:53
you have a show called
"Toddlers and Tiaras" --
"Toddlers and Tiaras" --
31
101440
3176
у нас сериал «Коронованные детки»,
01:56
(Laughter)
32
104640
2656
(Смех)
01:59
-- which should tell you enough
33
107320
1536
и это должно сказать достаточно
02:00
about what's going on
on that end of the curve.
on that end of the curve.
34
108880
2191
о том, что происходит
на левом краю кривой.
на левом краю кривой.
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
Рой Прайс не боится попасть
на левый край,
на левый край,
02:07
because I think you would have to have
some serious brainpower
some serious brainpower
36
115280
2936
потому что нужны серьёзные
мыслительные способности,
мыслительные способности,
02:10
to undercut "Toddlers and Tiaras."
37
118240
1696
чтобы обойти «Коронованных деток».
02:11
So what he's worried about
is this middle bulge here,
is this middle bulge here,
38
119960
3936
О чём он волновался,
так это о средней части этой кривой,
так это о средней части этой кривой,
02:15
the bulge of average TV,
39
123920
1816
там где находятся средние сериалы,
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
сериалы, которые не хороши и не плохи,
02:20
they don't really get you excited.
41
128639
1656
которые никого не будоражат.
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
Рою нужно непременно попасть на правый край.
02:27
So the pressure is on,
43
135200
1576
Давление нарастает,
02:28
and of course it's also the first time
44
136800
2176
и, конечно, это первый раз,
02:31
that Amazon is even
doing something like this,
doing something like this,
45
139000
2176
когда Amazon делает что-то подобное,
02:33
so Roy Price does not want
to take any chances.
to take any chances.
46
141200
3336
поэтому Рой Прайс не хочет рисковать.
02:36
He wants to engineer success.
47
144560
2456
Он хочет сделать успешное шоу.
02:39
He needs a guaranteed success,
48
147040
1776
Ему нужен гарантированный успех,
02:40
and so what he does is,
he holds a competition.
he holds a competition.
49
148840
2576
поэтому он проводит соревнование.
02:43
So he takes a bunch of ideas for TV shows,
50
151440
3136
Он берёт несколько идей для сериалов,
02:46
and from those ideas,
through an evaluation,
through an evaluation,
51
154600
2296
из которых затем с помощью оценки
02:48
they select eight candidates for TV shows,
52
156920
4096
они выбирают восемь кандидатов
для сериала,
для сериала,
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
а потом снимают первый эпизод
для каждого из этих сериалов
для каждого из этих сериалов
02:56
and puts them online for free
for everyone to watch.
for everyone to watch.
54
164280
3136
и выкладывают их онлайн бесплатно,
чтобы все могли посмотреть.
чтобы все могли посмотреть.
02:59
And so when Amazon
is giving out free stuff,
is giving out free stuff,
55
167440
2256
Когда Amazon бесплатно раздаёт что-то,
03:01
you're going to take it, right?
56
169720
1536
мы, конечно, берём, правда?
03:03
So millions of viewers
are watching those episodes.
are watching those episodes.
57
171280
5136
Миллионы зрителей смотрят эти эпизоды.
03:08
What they don't realize is that,
while they're watching their shows,
while they're watching their shows,
58
176440
3216
Но они не осознают,
что пока они смотрят сериалы,
что пока они смотрят сериалы,
03:11
actually, they are being watched.
59
179680
2296
на самом деле наблюдают за ними.
03:14
They are being watched
by Roy Price and his team,
by Roy Price and his team,
60
182000
2336
За ними наблюдает Рой Прайс и его команда,
03:16
who record everything.
61
184360
1376
они записывают всё.
03:17
They record when somebody presses play,
when somebody presses pause,
when somebody presses pause,
62
185760
3376
Записывают, когда кто-то нажал
«Воспроизвести», «Пауза»,
«Воспроизвести», «Пауза»,
03:21
what parts they skip,
what parts they watch again.
what parts they watch again.
63
189160
2536
какие части они пропускают,
какие — пересматривают.
какие — пересматривают.
03:23
So they collect millions of data points,
64
191720
2256
Они собирают миллионы ориентиров,
03:26
because they want
to have those data points
to have those data points
65
194000
2096
потому что они хотят иметь эти данные,
03:28
to then decide
which show they should make.
which show they should make.
66
196120
2696
чтобы на их основе решить,
какой сериал снимать.
какой сериал снимать.
03:30
And sure enough,
so they collect all the data,
so they collect all the data,
67
198840
2176
Закономерно, что они собирают данные,
03:33
they do all the data crunching,
and an answer emerges,
and an answer emerges,
68
201040
2576
обрабатывают их и получают ответ,
03:35
and the answer is,
69
203640
1216
и ответ таков:
03:36
"Amazon should do a sitcom
about four Republican US Senators."
about four Republican US Senators."
70
204880
5536
«Amazon должна снять ситком
о четырёх сенаторах-республиканцах».
о четырёх сенаторах-республиканцах».
03:42
They did that show.
71
210440
1216
Они его сняли.
03:43
So does anyone know the name of the show?
72
211680
2160
Кто-нибудь знает, как он называется?
03:46
(Audience: "Alpha House.")
73
214720
1296
(Зал: «Альфа-дом»)
03:48
Yes, "Alpha House,"
74
216040
1456
Да, «Альфа-дом»,
03:49
but it seems like not too many of you here
remember that show, actually,
remember that show, actually,
75
217520
4096
но, похоже, немногие из вас
помнят этот сериал,
помнят этот сериал,
03:53
because it didn't turn out that great.
76
221640
1856
потому что он не был таким классным.
03:55
It's actually just an average show,
77
223520
1856
На самом деле это средний сериал,
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
буквально средний, потому что
средняя цифра на этой кривой — 7.4,
средняя цифра на этой кривой — 7.4,
04:02
and "Alpha House" lands at 7.5,
79
230000
2416
а у «Альфа-дома» рейтинг 7.5,
04:04
so a slightly above average show,
80
232440
2016
чуть-чуть выше среднего сериала,
04:06
but certainly not what Roy Price
and his team were aiming for.
and his team were aiming for.
81
234480
2920
но это явно не то, к чему Рой Прайс
и его команда стремились.
и его команда стремились.
04:10
Meanwhile, however,
at about the same time,
at about the same time,
82
238320
2856
А между тем примерно в то же время
04:13
at another company,
83
241200
1576
другая компания,
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
другой менеджер умудрился сделать
топовый сериал, используя анализ данных.
топовый сериал, используя анализ данных.
04:19
and his name is Ted,
85
247040
1576
Его зовут Тед,
04:20
Ted Sarandos, who is
the Chief Content Officer of Netflix,
the Chief Content Officer of Netflix,
86
248640
3416
Тед Сарандос,
программный директор в Netflix,
программный директор в Netflix,
04:24
and just like Roy,
he's on a constant mission
he's on a constant mission
87
252080
2136
и, как и Рой,
он постоянно работает над тем,
он постоянно работает над тем,
04:26
to find that great TV show,
88
254240
1496
чтобы найти отличный сериал,
04:27
and he uses data as well to do that,
89
255760
2016
и он также использует для этого данные,
04:29
except he does it
a little bit differently.
a little bit differently.
90
257800
2015
но делает это немного по-другому.
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
Вместо того, чтобы проводить соревнование,
он — и его команда, конечно, —
он — и его команда, конечно, —
04:35
was they looked at all the data
they already had about Netflix viewers,
they already had about Netflix viewers,
92
263600
3536
посмотрели на данные, которые
уже имелись о зрителях Netflix:
уже имелись о зрителях Netflix:
04:39
you know, the ratings
they give their shows,
they give their shows,
93
267160
2096
оценки, которые зрители ставили сериалам,
04:41
the viewing histories,
what shows people like, and so on.
what shows people like, and so on.
94
269280
2696
история просмотров,
какие сериалы нравятся и так далее.
какие сериалы нравятся и так далее.
04:44
And then they use that data to discover
95
272000
1896
Они использовали эти данные,
04:45
all of these little bits and pieces
about the audience:
about the audience:
96
273920
2616
чтобы выяснить мелочи и детали
об аудитории:
об аудитории:
04:48
what kinds of shows they like,
97
276560
1456
какие сериалы им нравятся,
04:50
what kind of producers,
what kind of actors.
what kind of actors.
98
278040
2096
какие продюсеры, какие актёры.
04:52
And once they had
all of these pieces together,
all of these pieces together,
99
280160
2576
Когда они собрали эти данные вместе,
04:54
they took a leap of faith,
100
282760
1656
они совершили решительный шаг,
04:56
and they decided to license
101
284440
2096
они решили сделать
04:58
not a sitcom about four Senators
102
286560
2456
не ситком о четырёх сенаторах,
05:01
but a drama series about a single Senator.
103
289040
2880
а драму об одном сенаторе.
05:04
You guys know the show?
104
292760
1656
Вы, ребята, знаете этот сериал?
05:06
(Laughter)
105
294440
1296
(Смех)
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
Да, «Карточный домик», и Netflix
отлично справился с этим сериалом,
отлично справился с этим сериалом,
05:11
at least for the first two seasons.
107
299520
2136
по крайней мере, с первыми двумя сезонами.
05:13
(Laughter) (Applause)
108
301680
3976
(Смех) (Аплодисменты)
05:17
"House of Cards" gets
a 9.1 rating on this curve,
a 9.1 rating on this curve,
109
305680
3176
У «Карточного домика»
рейтинг 9.1 по этой кривой,
рейтинг 9.1 по этой кривой,
05:20
so it's exactly
where they wanted it to be.
where they wanted it to be.
110
308880
3176
именно такой, какой они хотели.
05:24
Now, the question of course is,
what happened here?
what happened here?
111
312080
2416
Само собой, вопрос в том,
что произошло?
что произошло?
05:26
So you have two very competitive,
data-savvy companies.
data-savvy companies.
112
314520
2656
Две конкурентоспособные,
понимающие в данных компании.
понимающие в данных компании.
05:29
They connect all of these
millions of data points,
millions of data points,
113
317200
2856
Они собирают миллионы индикаторов,
05:32
and then it works
beautifully for one of them,
beautifully for one of them,
114
320080
2376
которые отлично работают для одной из них
05:34
and it doesn't work for the other one.
115
322480
1856
и совсем не работают для другой.
05:36
So why?
116
324360
1216
Почему?
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
Логика подсказывает нам, что это должно
было сработать в обоих случаях.
было сработать в обоих случаях.
05:41
I mean, if you're collecting
millions of data points
millions of data points
118
329080
2456
В смысле, если вы собираете
миллионы индикаторов
миллионы индикаторов
05:43
on a decision you're going to make,
119
331560
1736
для решения, которое собираетесь принять,
05:45
then you should be able
to make a pretty good decision.
to make a pretty good decision.
120
333320
2616
то вы должны принять
очень хорошее решение.
очень хорошее решение.
05:47
You have 200 years
of statistics to rely on.
of statistics to rely on.
121
335960
2216
У вас есть статистика за 200 лет.
05:50
You're amplifying it
with very powerful computers.
with very powerful computers.
122
338200
3016
Вы анализируете данные
с помощью очень мощных компьютеров.
с помощью очень мощных компьютеров.
05:53
The least you could expect
is good TV, right?
is good TV, right?
123
341240
3280
Как минимум, вы можете ожидать
хорошего сериала, да?
хорошего сериала, да?
05:57
And if data analysis
does not work that way,
does not work that way,
124
345880
2720
И если анализ данных не работает,
06:01
then it actually gets a little scary,
125
349520
2056
то это даже страшновато,
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
потому что мы живём во время,
когда мы всё больше работаем с данными
когда мы всё больше работаем с данными
06:07
to make very serious decisions
that go far beyond TV.
that go far beyond TV.
127
355440
4480
для принятия серьёзных решений,
которые выходят далеко за рамки ТВ.
которые выходят далеко за рамки ТВ.
06:12
Does anyone here know the company
Multi-Health Systems?
Multi-Health Systems?
128
360760
3240
Кто-нибудь знает компанию
Multi-Health Systems?
Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
365080
1656
Никто. Это даже хорошо.
06:18
OK, so Multi-Health Systems
is a software company,
is a software company,
130
366760
3216
Multi-Health Systems —
это компания-разработчик,
это компания-разработчик,
06:22
and I hope that nobody here in this room
131
370000
2816
и я надеюсь, никто в этом зале
06:24
ever comes into contact
with that software,
with that software,
132
372840
3176
никогда не столкнётся с их ПО,
06:28
because if you do,
it means you're in prison.
it means you're in prison.
133
376040
2096
потому что если столкнётесь,
значит, вы в тюрьме.
значит, вы в тюрьме.
06:30
(Laughter)
134
378160
1176
(Смех)
06:31
If someone here in the US is in prison,
and they apply for parole,
and they apply for parole,
135
379360
3536
Если в США заключённый
просит о досрочном освобождении,
просит о досрочном освобождении,
06:34
then it's very likely that
data analysis software from that company
data analysis software from that company
136
382920
4296
весьма вероятно, что будет использован
анализ данных от этой компании,
анализ данных от этой компании,
06:39
will be used in determining
whether to grant that parole.
whether to grant that parole.
137
387240
3616
чтобы решить, стоит ли его предоставить.
06:42
So it's the same principle
as Amazon and Netflix,
as Amazon and Netflix,
138
390880
2576
Это то же самый принцип,
как у Amazon и Netflix,
как у Amazon и 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
только вместо того, чтобы решать,
будет ли сериал хорошим или плохим,
будет ли сериал хорошим или плохим,
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
вы решаете, будет ли человек
хорошим или плохим.
хорошим или плохим.
06:53
And mediocre TV, 22 minutes,
that can be pretty bad,
that can be pretty bad,
141
401040
5496
Средненькая серия на 22 минуты —
да, это может быть не очень хорошо,
да, это может быть не очень хорошо,
06:58
but more years in prison,
I guess, even worse.
I guess, even worse.
142
406560
2640
но больше лет в тюрьме —
это много хуже.
это много хуже.
07:02
And unfortunately, there is actually
some evidence that this data analysis,
some evidence that this data analysis,
143
410360
4136
К сожалению, есть доказательства,
что такой анализ данных,
что такой анализ данных,
07:06
despite having lots of data,
does not always produce optimum results.
does not always produce optimum results.
144
414520
4216
несмотря на огромное количество данных,
не всегда выдаёт оптимальные результаты.
не всегда выдаёт оптимальные результаты.
07:10
And that's not because a company
like Multi-Health Systems
like Multi-Health Systems
145
418760
2722
Это не потому, что компании вроде
Multi-Health Systems
Multi-Health Systems
07:13
doesn't know what to do with data.
146
421506
1627
не знают, что делать с данными.
07:15
Even the most data-savvy
companies get it wrong.
companies get it wrong.
147
423158
2298
Даже самые понимающие в данных
компании ошибаются.
компании ошибаются.
07:17
Yes, even Google gets it wrong sometimes.
148
425480
2400
Да, даже Google иногда ошибается.
07:20
In 2009, Google announced
that they were able, with data analysis,
that they were able, with data analysis,
149
428680
4496
В 2009 году Google заявил,
что благодаря анализу данных они могут
что благодаря анализу данных они могут
07:25
to predict outbreaks of influenza,
the nasty kind of flu,
the nasty kind of flu,
150
433200
4136
предсказать эпидемию гриппа,
07:29
by doing data analysis
on their Google searches.
on their Google searches.
151
437360
3776
основываясь на анализе
поисковых запросов.
поисковых запросов.
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
Это отлично работало,
это вызвало резонанс в новостях,
это вызвало резонанс в новостях,
включая максимальный успех
для научного исследования —
для научного исследования —
07:37
including the pinnacle
of scientific success:
of scientific success:
153
445040
2136
07:39
a publication in the journal "Nature."
154
447200
2456
публикацию в журнале Nature.
07:41
It worked beautifully
for year after year after year,
for year after year after year,
155
449680
3616
Это отлично работало
год за годом, год за годом,
год за годом, год за годом,
07:45
until one year it failed.
156
453320
1656
пока однажды не провалилось.
07:47
And nobody could even tell exactly why.
157
455000
2256
Никто не может точно сказать почему.
07:49
It just didn't work that year,
158
457280
1696
Это просто не сработало в том году;
07:51
and of course that again made big news,
159
459000
1936
конечно, снова был резонанс в новостях,
07:52
including now a retraction
160
460960
1616
включая отзы́в статьи из журнала Nature.
07:54
of a publication
from the journal "Nature."
from the journal "Nature."
161
462600
2840
07:58
So even the most data-savvy companies,
Amazon and Google,
Amazon and Google,
162
466480
3336
Так что даже самые опытные компании,
Amazon и Google,
Amazon и Google,
08:01
they sometimes get it wrong.
163
469840
2136
иногда ошибаются.
08:04
And despite all those failures,
164
472000
2936
Но несмотря на эти ошибки,
08:06
data is moving rapidly
into real-life decision-making --
into real-life decision-making --
165
474960
3856
данные всё больше вовлекаются
в ежедневное принятие решений —
в ежедневное принятие решений —
08:10
into the workplace,
166
478840
1816
в рабочее пространство,
08:12
law enforcement,
167
480680
1816
в работу правоохранительных органов,
08:14
medicine.
168
482520
1200
медицину.
08:16
So we should better make sure
that data is helping.
that data is helping.
169
484400
3336
Так что нам бы хорошо убедиться,
что данные помогают.
что данные помогают.
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
Я лично сталкивался с заминками
в работе с данными,
в работе с данными,
08:22
because I work in computational genetics,
171
490920
1976
потому что я работаю
в вычислительной генетике,
в вычислительной генетике,
08:24
which is also a field
where lots of very smart people
where lots of very smart people
172
492920
2496
а это сфера, где очень умные люди
08:27
are using unimaginable amounts of data
to make pretty serious decisions
to make pretty serious decisions
173
495440
3656
используют невообразимые объёмы данных
для принятия серьёзных решений,
для принятия серьёзных решений,
08:31
like deciding on a cancer therapy
or developing a drug.
or developing a drug.
174
499120
3560
например, решения о терапии рака
или разработки лекарства.
или разработки лекарства.
08:35
And over the years,
I've noticed a sort of pattern
I've noticed a sort of pattern
175
503520
2376
За годы я заметил что-то вроде тенденции
08:37
or kind of rule, if you will,
about the difference
about the difference
176
505920
2456
или правила, если хотите, о разнице
08:40
between successful
decision-making with data
decision-making with data
177
508400
2696
между успешным решением,
основанным на данных,
основанным на данных,
08:43
and unsuccessful decision-making,
178
511120
1616
и неуспешным решением,
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
и я думаю, что эта тенденция стоит того,
чтобы поделиться ей. Вот она:
чтобы поделиться ей. Вот она:
08:50
So whenever you're
solving a complex problem,
solving a complex problem,
180
518520
2135
когда вы решаете сложную проблему,
08:52
you're doing essentially two things.
181
520679
1737
вы обязательно делаете две вещи.
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
Во-первых, вы берёте проблему
и раскладываете её на кусочки,
и раскладываете её на кусочки,
08:57
so that you can deeply analyze
those bits and pieces,
those bits and pieces,
183
525760
2496
чтобы суметь глубоко проанализировать
эти кусочки,
эти кусочки,
09:00
and then of course
you do the second part.
you do the second part.
184
528280
2016
а потом, конечно,
вы делаете вторую часть.
вы делаете вторую часть.
09:02
You put all of these bits and pieces
back together again
back together again
185
530320
2656
Вы собираете эти кусочки в одно целое,
09:05
to come to your conclusion.
186
533000
1336
чтобы прийти к решению.
09:06
And sometimes you
have to do it over again,
have to do it over again,
187
534360
2336
Иногда приходится делать это не раз,
09:08
but it's always those two things:
188
536720
1656
но всегда есть два этапа:
09:10
taking apart and putting
back together again.
back together again.
189
538400
2320
разложить на кусочки и собрать обратно.
09:14
And now the crucial thing is
190
542280
1616
Самое важное состоит в том,
09:15
that data and data analysis
191
543920
2896
что данные и анализ данных
09:18
is only good for the first part.
192
546840
2496
годятся только для первого шага.
09:21
Data and data analysis,
no matter how powerful,
no matter how powerful,
193
549360
2216
Данные и анализ данных,
не важно, насколько мощные,
не важно, насколько мощные,
09:23
can only help you taking a problem apart
and understanding its pieces.
and understanding its pieces.
194
551600
4456
могут помочь только с разделением
проблемы на кусочки и пониманием их.
проблемы на кусочки и пониманием их.
09:28
It's not suited to put those pieces
back together again
back together again
195
556080
3496
Они не подходят для собирания
кусочков в единое целое
кусочков в единое целое
и принятия решения.
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
Для этого существует другой инструмент,
который есть у всех нас, —
который есть у всех нас, —
09:36
and that tool is the brain.
198
564280
1296
это наш мозг.
09:37
If there's one thing a brain is good at,
199
565600
1936
Что мозг умеет делать хорошо —
09:39
it's taking bits and pieces
back together again,
back together again,
200
567560
2256
так это собирать кусочки воедино,
09:41
even when you have incomplete information,
201
569840
2016
даже в условиях недостаточной информации,
09:43
and coming to a good conclusion,
202
571880
1576
и делать правильные выводы,
09:45
especially if it's the brain of an expert.
203
573480
2936
особенно если это мозг эксперта.
09:48
And that's why I believe
that Netflix was so successful,
that Netflix was so successful,
204
576440
2656
Я думаю, именно поэтому
Netflix получил такой успех —
Netflix получил такой успех —
09:51
because they used data and brains
where they belong in the process.
where they belong in the process.
205
579120
3576
они использовали и данные, и силу
человеческого мозга, где необходимо.
человеческого мозга, где необходимо.
09:54
They use data to first understand
lots of pieces about their audience
lots of pieces about their audience
206
582720
3536
Они использовали данные,
чтобы детально понять свою аудиторию,
чтобы детально понять свою аудиторию,
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
иначе они не смогли бы сделать
такой глубокий анализ,
такой глубокий анализ,
10:01
but then the decision
to take all these bits and pieces
to take all these bits and pieces
208
589720
2616
но их решение, когда пришло время
собирать кусочки воедино
собирать кусочки воедино
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
и снимать сериал вроде
«Карточного домика»,
«Карточного домика»,
10:07
that was nowhere in the data.
210
595720
1416
было принято не данными.
10:09
Ted Sarandos and his team
made that decision to license that show,
made that decision to license that show,
211
597160
3976
Это решение приняли
Тед Сарандос и его команда,
Тед Сарандос и его команда,
10:13
which also meant, by the way,
that they were taking
that they were taking
212
601160
2381
что, кстати, означает,
10:15
a pretty big personal risk
with that decision.
with that decision.
213
603565
2851
что они лично серьёзно рисковали
с этим решением.
с этим решением.
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
С другой стороны, Amazon
сделали всё наоборот.
сделали всё наоборот.
10:21
They used data all the way
to drive their decision-making,
to drive their decision-making,
215
609480
2736
Они использовали данные
на обоих этапах принятия решения:
на обоих этапах принятия решения:
10:24
first when they held
their competition of TV ideas,
their competition of TV ideas,
216
612240
2416
сначала провели
соревнование сценариев для сериала,
соревнование сценариев для сериала,
10:26
then when they selected "Alpha House"
to make as a show.
to make as a show.
217
614680
3696
а затем выбрали «Альфа-дом».
10:30
Which of course was
a very safe decision for them,
a very safe decision for them,
218
618400
2496
Это, конечно, было
весьма безопасное решение для них,
весьма безопасное решение для них,
10:32
because they could always
point at the data, saying,
point at the data, saying,
219
620920
2456
потому что они всегда могли бы сказать:
10:35
"This is what the data tells us."
220
623400
1696
«Вот что говорят нам данные».
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
Но это не привело их к выдающемуся
результату, к которому они стремились.
результату, к которому они стремились.
10:42
So data is of course a massively
useful tool to make better decisions,
useful tool to make better decisions,
222
630120
4976
Данные — это, безусловно, полезный
инструмент для принятия хороших решений,
инструмент для принятия хороших решений,
10:47
but I believe that things go wrong
223
635120
2376
но я уверен, что неправильно,
10:49
when data is starting
to drive those decisions.
to drive those decisions.
224
637520
2576
когда данные начинают
управлять этими решениями.
управлять этими решениями.
10:52
No matter how powerful,
data is just a tool,
data is just a tool,
225
640120
3776
Вне зависимости от своей силы,
данные — это всего лишь инструмент,
данные — это всего лишь инструмент,
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
учитывая это, я думаю,
что вот эта штука очень полезная.
что вот эта штука очень полезная.
10:59
Many of you will ...
227
647280
1216
Многие из вас...
11:00
(Laughter)
228
648520
1216
(Смех)
11:01
Before there was data,
229
649760
1216
До того, как появились данные,
11:03
this was the decision-making
device to use.
device to use.
230
651000
2856
эту штуку использовали
для принятия решений.
для принятия решений.
11:05
(Laughter)
231
653880
1256
(Смех)
11:07
Many of you will know this.
232
655160
1336
Многие знают, что это.
11:08
This toy here is called the Magic 8 Ball,
233
656520
1953
Это называется «Шар предсказаний»,
11:10
and it's really amazing,
234
658497
1199
он правда классный,
11:11
because if you have a decision to make,
a yes or no question,
a yes or no question,
235
659720
2896
потому что, если вам нужен ответ
на вопрос «да или нет»,
на вопрос «да или нет»,
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
всё, что нужно сделать,
это потрясти шар, и у вас есть ответ —
это потрясти шар, и у вас есть ответ —
11:18
"Most Likely" -- right here
in this window in real time.
in this window in real time.
237
666400
2816
«Вероятнее всего» —
прямо здесь, прямо сейчас.
прямо здесь, прямо сейчас.
11:21
I'll have it out later for tech demos.
238
669240
2096
Вы сможете попробовать попозже.
11:23
(Laughter)
239
671360
1216
(Смех)
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
Я принимал в своей жизни много решений,
11:28
where, in hindsight,
I should have just listened to the ball.
I should have just listened to the ball.
241
676200
2896
в которых, как я сейчас понимаю,
лучше было послушаться шара.
лучше было послушаться шара.
11:31
But, you know, of course,
if you have the data available,
if you have the data available,
242
679120
3336
Но, конечно, если у вас есть данные,
11:34
you want to replace this with something
much more sophisticated,
much more sophisticated,
243
682480
3056
вы захотите использовать
нечто посерьёзнее шара,
нечто посерьёзнее шара,
11:37
like data analysis
to come to a better decision.
to come to a better decision.
244
685560
3616
вроде анализа данных,
чтобы прийти к лучшему решению.
чтобы прийти к лучшему решению.
11:41
But that does not change the basic setup.
245
689200
2616
Но это не меняет основной идеи.
11:43
So the ball may get smarter
and smarter and smarter,
and smarter and smarter,
246
691840
3176
Шар может становиться умнее,
умнее и умнее,
умнее и умнее,
11:47
but I believe it's still on us
to make the decisions
to make the decisions
247
695040
2816
но принятие решений —
всё ещё наша ответственность,
всё ещё наша ответственность,
11:49
if we want to achieve
something extraordinary,
something extraordinary,
248
697880
3016
если мы хотим достичь
чего-то выдающегося,
чего-то выдающегося,
11:52
on the right end of the curve.
249
700920
1936
попасть в правую часть кривой.
11:54
And I find that a very encouraging
message, in fact,
message, in fact,
250
702880
4496
Я нахожу это очень вдохновляющим:
11:59
that even in the face
of huge amounts of data,
of huge amounts of data,
251
707400
3976
даже перед лицом огромных
объёмов данных
объёмов данных
12:03
it still pays off to make decisions,
252
711400
4096
всё ещё стоит принимать решения,
12:07
to be an expert in what you're doing
253
715520
2656
быть экспертом в своём деле
12:10
and take risks.
254
718200
2096
и рисковать.
12:12
Because in the end, it's not data,
255
720320
2776
Потому что в конце концов не данные,
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
а риск приведёт вас в правую часть кривой.
12:19
Thank you.
257
727840
1216
Спасибо.
12:21
(Applause)
258
729080
3680
(Аплодисменты)
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