How to use data to make a hit TV show | Sebastian Wernicke

133,036 views ・ 2016-01-27

TED


Pro přehrání videa dvakrát klikněte na anglické titulky níže.

Překladatel: Matouš Melecký Korektor: Nicole AguilaAurum
00:12
Roy Price is a man that most of you have probably never heard about,
0
12820
4276
Roy Price je muž, o kterém většina z vás nikdy neslyšela,
00:17
even though he may have been responsible
1
17120
2496
přestože jste možná díky němu
00:19
for 22 somewhat mediocre minutes of your life on April 19, 2013.
2
19640
6896
strávili 19.dubna 2013 22 minut tak nějak podprůměrně.
00:26
He may have also been responsible for 22 very entertaining minutes,
3
26560
3176
Možná někteří z vás díky němu strávili 22 minut života velmi zábavně,
00:29
but not very many of you.
4
29760
2256
ale nejspíš už ne tolik z vás.
00:32
And all of that goes back to a decision
5
32040
1896
A toto všechno díky rozhodnutí,
00:33
that Roy had to make about three years ago.
6
33960
2000
které Roy musel udělat.
00:35
So you see, Roy Price is a senior executive with Amazon Studios.
7
35984
4832
Roy Price je vedoucí pracovník v Amazon Studios,
00:40
That's the TV production company of Amazon.
8
40840
3016
což je firma Amazonu zaměřená na TV produkci.
00:43
He's 47 years old, slim, spiky hair,
9
43880
3256
Je mu 47, je štíhlý, má zježené vlasy,
00:47
describes himself on Twitter as "movies, TV, technology, tacos."
10
47160
4816
popisuje se na Twitteru takto: "filmy, TV, technologie, tacos."
00:52
And Roy Price has a very responsible job, because it's his responsibility
11
52000
5176
A Roy Price má velmi zodpovědnou práci, protože jeho zodpovědností je
00:57
to pick the shows, the original content that Amazon is going to make.
12
57200
4056
vybrat pořady, které pak Amazon natočí.
01:01
And of course that's a highly competitive space.
13
61280
2336
A to je samozřejmě vysoce konkurenční oblast.
01:03
I mean, there are so many TV shows already out there,
14
63640
2736
Vezměte si, kolik televizních seriálů již bylo natočeno.
01:06
that Roy can't just choose any show.
15
66400
2176
Roy proto nemůže vybrat jen tak nějaký seriál.
01:08
He has to find shows that are really, really great.
16
68600
4096
Musí najít seriál, který je vážně, vážně skvělý.
01:12
So in other words, he has to find shows
17
72720
2816
Jinými slovy, musí najít seriály,
01:15
that are on the very right end of this curve here.
18
75560
2376
které by byly na úplném konci tady této křivky.
01:17
So this curve here is the rating distribution
19
77960
2656
Ta křivka značí rozmístění asi 2500 TV seriálů na IMDB
01:20
of about 2,500 TV shows on the website IMDB,
20
80640
4376
podle jejich hodnocení,
01:25
and the rating goes from one to 10,
21
85040
2896
které je od 1 do 10,
01:27
and the height here shows you how many shows get that rating.
22
87960
2976
a výška tady ukazuje, kolik seriálů toho hodnocení dosáhlo.
01:30
So if your show gets a rating of nine points or higher, that's a winner.
23
90960
4696
Takže váš seriál vyhrává, jestliže dostane 9 nebo více bodů.
01:35
Then you have a top two percent show.
24
95680
1816
Pak máte show v horních 2 %.
01:37
That's shows like "Breaking Bad," "Game of Thrones," "The Wire,"
25
97520
3896
To jsou seriály jako "Perníkový táta", "Hra o trůny", "The Wire",
01:41
so all of these shows that are addictive,
26
101440
2296
všechny takové ty návykové seriály,
01:43
whereafter you've watched a season, your brain is basically like,
27
103760
3056
u kterých vám mozek po zhlédnutí série v podstatě říká:
01:46
"Where can I get more of these episodes?"
28
106840
2176
"Kde seženu další epizody?"
01:49
That kind of show.
29
109040
1200
Takový typ seriálu.
01:50
On the left side, just for clarity, here on that end,
30
110920
2496
Jen pro ujasnění, na levé straně, tady na konci,
01:53
you have a show called "Toddlers and Tiaras" --
31
113440
3176
se nachází show nazvaná Toddlers and Tiaras (Batolata a čelenky) -
01:56
(Laughter)
32
116640
2656
(smích)
01:59
-- which should tell you enough
33
119320
1536
- což by mělo dost vypovídat o tom,
02:00
about what's going on on that end of the curve.
34
120880
2191
co se děje na konci té křivky.
02:03
Now, Roy Price is not worried about getting on the left end of the curve,
35
123095
4161
Teď, Roy Price se nebojí toho, že by se mohl dostat na levý konec křivky,
02:07
because I think you would have to have some serious brainpower
36
127280
2936
protože si myslím, že k trumfnutí "Batolat a čelenek"
musíte mít opravdu ohromnou inteligenci.
02:10
to undercut "Toddlers and Tiaras."
37
130240
1696
02:11
So what he's worried about is this middle bulge here,
38
131960
3936
To, co jej znervózňuje je ta výduť tady uprostřed,
02:15
the bulge of average TV,
39
135920
1816
výduť průměrné televize,
02:17
you know, those shows that aren't really good or really bad,
40
137760
2856
takové ty seriály, které nejsou ani dobré ani špatné,
02:20
they don't really get you excited.
41
140639
1656
které vás tak moc nenadchnou.
02:22
So he needs to make sure that he's really on the right end of this.
42
142320
4856
On si potřebuje zajistit, aby se jeho show dostala úplně na pravý konec křivky.
02:27
So the pressure is on,
43
147200
1576
Takže je pod tlakem,
02:28
and of course it's also the first time
44
148800
2176
a také je to samozřejmě poprvé,
02:31
that Amazon is even doing something like this,
45
151000
2176
co Amazon zkouší něco takového,
02:33
so Roy Price does not want to take any chances.
46
153200
3336
takže Roy Price nechce riskovat.
02:36
He wants to engineer success.
47
156560
2456
Chce sestrojit úspěch.
02:39
He needs a guaranteed success,
48
159040
1776
Potřebuje garantovaný úspěch,
02:40
and so what he does is, he holds a competition.
49
160840
2576
a tak uspořádá soutěž.
02:43
So he takes a bunch of ideas for TV shows,
50
163440
3136
Takže vezme pár nápadů na TV seriály,
02:46
and from those ideas, through an evaluation,
51
166600
2296
a po zvážení z nich
02:48
they select eight candidates for TV shows,
52
168920
4096
vyberou osm kandidátů na TV seriály.
02:53
and then he just makes the first episode of each one of these shows
53
173040
3216
Pak natočí jen první epizodu každého z těchto seriálů
02:56
and puts them online for free for everyone to watch.
54
176280
3136
a dají je pro všechny zadarmo na internet.
02:59
And so when Amazon is giving out free stuff,
55
179440
2256
A když Amazon rozdává věci zadarmo,
03:01
you're going to take it, right?
56
181720
1536
tak to vezmete, ne?
03:03
So millions of viewers are watching those episodes.
57
183280
5136
A tak milióny diváku sledují tyto epizody.
03:08
What they don't realize is that, while they're watching their shows,
58
188440
3216
To, co ale neví, je, že zatímco sledují tyto epizody,
03:11
actually, they are being watched.
59
191680
2296
jsou sami sledováni.
03:14
They are being watched by Roy Price and his team,
60
194000
2336
Sleduje je Roy Price a jeho tým,
03:16
who record everything.
61
196360
1376
a vše zaznamenávají.
03:17
They record when somebody presses play, when somebody presses pause,
62
197760
3376
Zaznamenávají, když někdo zmáčkne přehrát, když někdo video pozastaví,
03:21
what parts they skip, what parts they watch again.
63
201160
2536
které části lidé přeskakují a které sledují znova.
03:23
So they collect millions of data points,
64
203720
2256
Takže shromažďují milióny dat,
03:26
because they want to have those data points
65
206000
2096
protože chtějí ta data,
03:28
to then decide which show they should make.
66
208120
2696
aby pak mohli rozhodnout, který seriál natočit.
03:30
And sure enough, so they collect all the data,
67
210840
2176
A tak jsou tedy data shromážděna,
03:33
they do all the data crunching, and an answer emerges,
68
213040
2576
zanalyzována, a pak se objeví odpověď,
03:35
and the answer is,
69
215640
1216
a ta odpověď je:
03:36
"Amazon should do a sitcom about four Republican US Senators."
70
216880
5536
"Amazon by měl udělat sitcom o čtyřech republikánských senátorech."
03:42
They did that show.
71
222440
1216
Oni to natočili.
03:43
So does anyone know the name of the show?
72
223680
2160
Zná teda někdo jméno toho seriálu?
03:46
(Audience: "Alpha House.")
73
226720
1296
(obecenstvo: "Alpha House.")
03:48
Yes, "Alpha House,"
74
228040
1456
Ano, "Alpha House."
03:49
but it seems like not too many of you here remember that show, actually,
75
229520
4096
Ale nezdá se, že by si mnoho z vás pamatovalo ten seriál,
03:53
because it didn't turn out that great.
76
233640
1856
protože to nakonec nebylo tak skvělé.
03:55
It's actually just an average show,
77
235520
1856
Ve skutečnosti je to průměrný seriál,
03:57
actually -- literally, in fact, because the average of this curve here is at 7.4,
78
237400
4576
a to doslova, protože průměr na křivce je tady na 7,4
04:02
and "Alpha House" lands at 7.5,
79
242000
2416
a "Alpha House" se umístil na 7,5,
04:04
so a slightly above average show,
80
244440
2016
takže jen kousek nad průměrem,
04:06
but certainly not what Roy Price and his team were aiming for.
81
246480
2920
kam ale určitě Roy Price a jeho tým nemířili.
04:10
Meanwhile, however, at about the same time,
82
250320
2856
Ale zhruba ve stejnou dobu,
04:13
at another company,
83
253200
1576
v jiné společnosti,
04:14
another executive did manage to land a top show using data analysis,
84
254800
4216
dokázal jiný vedoucí provést skvělou ukázku použití analýzy dat,
04:19
and his name is Ted,
85
259040
1576
a jeho jméno je Ted,
04:20
Ted Sarandos, who is the Chief Content Officer of Netflix,
86
260640
3416
Ted Sarandos, což je vedoucí oddělení obsahu v Netflixu
04:24
and just like Roy, he's on a constant mission
87
264080
2136
a ten je stejně jako Roy na neustálé misi,
04:26
to find that great TV show,
88
266240
1496
kterou je nalezení skvělé show,
04:27
and he uses data as well to do that,
89
267760
2016
a také k tomu používá data,
04:29
except he does it a little bit differently.
90
269800
2015
jen trochu jiným způsobem.
04:31
So instead of holding a competition, what he did -- and his team of course --
91
271839
3737
Místo uspořádání soutěže, on a jeho tým
04:35
was they looked at all the data they already had about Netflix viewers,
92
275600
3536
prohlédli všechna ta data, co už měli o uživatelích Netflixu,
04:39
you know, the ratings they give their shows,
93
279160
2096
třeba jak hodnotili různé filmy,
04:41
the viewing histories, what shows people like, and so on.
94
281280
2696
historie zhlédnutých filmů, co mají lidé rádi atd.
04:44
And then they use that data to discover
95
284000
1896
A pak ta data použili
04:45
all of these little bits and pieces about the audience:
96
285920
2616
k zjištění všeho možného o svém publiku:
04:48
what kinds of shows they like,
97
288560
1456
jaké typy seriálů se jim líbí,
04:50
what kind of producers, what kind of actors.
98
290040
2096
jací producenti, jací herci.
04:52
And once they had all of these pieces together,
99
292160
2576
Když měli všechny kousky po hromadě,
04:54
they took a leap of faith,
100
294760
1656
udělali skok do neznáma,
04:56
and they decided to license
101
296440
2096
a rozhodli se podpořit něco,
04:58
not a sitcom about four Senators
102
298560
2456
co nebyl sitcom o čtyřech senátorech,
05:01
but a drama series about a single Senator.
103
301040
2880
nýbrž drama o jediném senátorovi.
05:04
You guys know the show?
104
304760
1656
Znáte ten seriál?
05:06
(Laughter)
105
306440
1296
(smích)
05:07
Yes, "House of Cards," and Netflix of course, nailed it with that show,
106
307760
3736
Ano, "House of Cards" a Netflix s tou show pořádně zaválel,
05:11
at least for the first two seasons.
107
311520
2136
aspoň teda s prvními dvěma sériemi.
05:13
(Laughter) (Applause)
108
313680
3976
(smích) (potlesk)
05:17
"House of Cards" gets a 9.1 rating on this curve,
109
317680
3176
"House of Cards" dostal na této křivce hodnocení 9,1,
05:20
so it's exactly where they wanted it to be.
110
320880
3176
takže je přesně tam, kde jej chtěli mít.
05:24
Now, the question of course is, what happened here?
111
324080
2416
A teď se tady skýtá otázka, co se to vlastně stalo?
05:26
So you have two very competitive, data-savvy companies.
112
326520
2656
Máme dvě velmi soupeřivé, v datech zběhlé společnosti.
05:29
They connect all of these millions of data points,
113
329200
2856
Spojí dohromady všechny ty milióny dat,
05:32
and then it works beautifully for one of them,
114
332080
2376
a pak to funguje hladce jenom pro jednu z nich,
05:34
and it doesn't work for the other one.
115
334480
1856
zatímco pro tu druhou to nefunguje.
05:36
So why?
116
336360
1216
Takže proč?
05:37
Because logic kind of tells you that this should be working all the time.
117
337600
3456
Logika říká, že by to mělo fungovat vždycky.
05:41
I mean, if you're collecting millions of data points
118
341080
2456
Když sesbíráte taková kvanta dat,
05:43
on a decision you're going to make,
119
343560
1736
abyste udělali nějaké rozhodnutí,
05:45
then you should be able to make a pretty good decision.
120
345320
2616
pak by vám to mělo přece celkem dobře vyjít, ne?
05:47
You have 200 years of statistics to rely on.
121
347960
2216
Máte 200 let statistik na které se spoléháte.
05:50
You're amplifying it with very powerful computers.
122
350200
3016
Vyhodnocujete všechno s pomocí vysoce výkonných počítačů.
05:53
The least you could expect is good TV, right?
123
353240
3280
To byste mohli očekávat alespoň slušný seriál, že?
05:57
And if data analysis does not work that way,
124
357880
2720
A pokud takhle datová analýza nefunguje,
06:01
then it actually gets a little scary,
125
361520
2056
pak to začíná být celkem děsivé,
06:03
because we live in a time where we're turning to data more and more
126
363600
3816
protože žijeme v době, kdy se na data stále více a více obracíme,
06:07
to make very serious decisions that go far beyond TV.
127
367440
4480
aby nám pomohla učinit velmi závažná rozhodnutí, daleko závažnější než v TV.
06:12
Does anyone here know the company Multi-Health Systems?
128
372760
3240
Znáte někdo společnost Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
377080
1656
Nikdo, OK, to je vlastně dobře.
06:18
OK, so Multi-Health Systems is a software company,
130
378760
3216
Dobře, takže Multi-Health System je softwarová společnost,
06:22
and I hope that nobody here in this room
131
382000
2816
a já doufám, že se s jejich softwarem nesetkal nikdo z této místnosti,
06:24
ever comes into contact with that software,
132
384840
3176
06:28
because if you do, it means you're in prison.
133
388040
2096
protože kdyby ano, tak by byl ve vězení.
06:30
(Laughter)
134
390160
1176
(smích)
06:31
If someone here in the US is in prison, and they apply for parole,
135
391360
3536
Protože když někdo v USA ve vězení požádá o propuštění na podmínku,
06:34
then it's very likely that data analysis software from that company
136
394920
4296
pak je velmi pravděpodobné, že software pro datovou analýzu té společnosti
06:39
will be used in determining whether to grant that parole.
137
399240
3616
bude použit k rozhodnutí, jestli jej pustí.
06:42
So it's the same principle as Amazon and Netflix,
138
402880
2576
Takže to je ten samý princip jako u Amazonu a Netflixu,
06:45
but now instead of deciding whether a TV show is going to be good or bad,
139
405480
4616
Ale namísto určování, jestli bude seriál špatný nebo dobrý,
06:50
you're deciding whether a person is going to be good or bad.
140
410120
2896
teď rozhoduje, jestli bude člověk špatný nebo dobrý.
06:53
And mediocre TV, 22 minutes, that can be pretty bad,
141
413040
5496
A podprůměrný 22 minutový TV program, to může být celkem zlé,
06:58
but more years in prison, I guess, even worse.
142
418560
2640
ale řekl bych, že další roky ve vězení by byly daleko horší.
07:02
And unfortunately, there is actually some evidence that this data analysis,
143
422360
4136
A naneštěstí existuje evidence, že tyto datové analýzy
07:06
despite having lots of data, does not always produce optimum results.
144
426520
4216
neprodukují vždycky optimální výsledky, přestože mají spousty dat.
07:10
And that's not because a company like Multi-Health Systems
145
430760
2722
A to ne kvůli tomu, že by firmy jako Multi-Health Systems
07:13
doesn't know what to do with data.
146
433506
1627
nevěděly, co dělat s daty.
07:15
Even the most data-savvy companies get it wrong.
147
435158
2298
I ty nejchytřejší datové firmy se někdy zmýlí.
07:17
Yes, even Google gets it wrong sometimes.
148
437480
2400
Ano, dokonce i Google se občas splete.
07:20
In 2009, Google announced that they were able, with data analysis,
149
440680
4496
V roce 2009 Google prohlásil, že jsou schopni pomocí datové analýzy
07:25
to predict outbreaks of influenza, the nasty kind of flu,
150
445200
4136
předvídat vypuknutí chřipky tím,
07:29
by doing data analysis on their Google searches.
151
449360
3776
že zanalyzují své vyhledávání.
07:33
And it worked beautifully, and it made a big splash in the news,
152
453160
3856
Fungovalo to krásně a byl z toho obří poprask v médiích,
07:37
including the pinnacle of scientific success:
153
457040
2136
dokonce to dosáhlo vrcholu vědeckého úspěchu:
07:39
a publication in the journal "Nature."
154
459200
2456
zveřejnění v časopisu "Nature."
07:41
It worked beautifully for year after year after year,
155
461680
3616
Rok za rokem to vše krásně fungovalo,
07:45
until one year it failed.
156
465320
1656
ale pak se to najednou pokazilo.
07:47
And nobody could even tell exactly why.
157
467000
2256
Nikdo nemohl říct, proč přesně.
07:49
It just didn't work that year,
158
469280
1696
Prostě to ten rok nefungovalo.
07:51
and of course that again made big news,
159
471000
1936
Samozřejmě se to zase dostalo do zpráv
07:52
including now a retraction
160
472960
1616
a pak následovalo stažení publikace z časopisu "Nature."
07:54
of a publication from the journal "Nature."
161
474600
2840
07:58
So even the most data-savvy companies, Amazon and Google,
162
478480
3336
Takže i ty nejvyspělejší firmy v oblasti dat, Amazon a Google,
08:01
they sometimes get it wrong.
163
481840
2136
to někdy spočítají špatně.
08:04
And despite all those failures,
164
484000
2936
A i přes všechna tato selhání
08:06
data is moving rapidly into real-life decision-making --
165
486960
3856
se velká data rychle přesouvají do rozhodovacích procesů každodenního života:
08:10
into the workplace,
166
490840
1816
na pracoviště,
08:12
law enforcement,
167
492680
1816
vymáhání práva,
08:14
medicine.
168
494520
1200
do medicíny.
08:16
So we should better make sure that data is helping.
169
496400
3336
Takže bychom si radši měli být jisti, že ta data opravdu pomáhají.
08:19
Now, personally I've seen a lot of this struggle with data myself,
170
499760
3136
Nedávno jsem viděl spousty těchto potíží s daty,
08:22
because I work in computational genetics,
171
502920
1976
protože pracuji ve výpočetní genetice,
08:24
which is also a field where lots of very smart people
172
504920
2496
což je obor, ve kterém hodně velmi chytrých lidí
08:27
are using unimaginable amounts of data to make pretty serious decisions
173
507440
3656
používá nepředstavitelná kvanta dat k rozhodování o tak vážných věcech,
08:31
like deciding on a cancer therapy or developing a drug.
174
511120
3560
jako je rakovinová terapie nebo vývoj léků.
08:35
And over the years, I've noticed a sort of pattern
175
515520
2376
A za ty roky jsem našel určitý vzor,
08:37
or kind of rule, if you will, about the difference
176
517920
2456
či pravidlo,
08:40
between successful decision-making with data
177
520400
2696
v rozdílu mezi úspěšným a neúspěšným
08:43
and unsuccessful decision-making,
178
523120
1616
rozhodnutím podle dat.
08:44
and I find this a pattern worth sharing, and it goes something like this.
179
524760
3880
A tento vzor pokládám za hodný sdílení, a pracuje to zhruba takhle:
08:50
So whenever you're solving a complex problem,
180
530520
2135
Kdykoliv řešíte komplexní problém,
08:52
you're doing essentially two things.
181
532679
1737
děláte v podstatě dvě věci.
08:54
The first one is, you take that problem apart into its bits and pieces
182
534440
3296
Nejprve problém rozeberete na malé kousky a části,
08:57
so that you can deeply analyze those bits and pieces,
183
537760
2496
abyste poté mohli tyto kousky důkladně zanalyzovat,
09:00
and then of course you do the second part.
184
540280
2016
a pak uděláte, samozřejmě, tu druhou část.
09:02
You put all of these bits and pieces back together again
185
542320
2656
Dáte to všechno zase dohromady,
09:05
to come to your conclusion.
186
545000
1336
abyste mohli dojít k závěru.
09:06
And sometimes you have to do it over again,
187
546360
2336
A někdy to musíte udělat znova a znova,
09:08
but it's always those two things:
188
548720
1656
ale pořád děláte tyto dvě věci:
09:10
taking apart and putting back together again.
189
550400
2320
rozkládáte a znova skládáte.
09:14
And now the crucial thing is
190
554280
1616
A je důležité vědět,
09:15
that data and data analysis
191
555920
2896
že data a datová analýza
09:18
is only good for the first part.
192
558840
2496
jsou dobré jen pro tu první část.
09:21
Data and data analysis, no matter how powerful,
193
561360
2216
Data a datová analýza, jakkoliv silné,
09:23
can only help you taking a problem apart and understanding its pieces.
194
563600
4456
vám pomůžou pouze rozebrat problém a pochopit jeho kousky.
09:28
It's not suited to put those pieces back together again
195
568080
3496
Nejsou stvořeny pro skládání kousků zpět dohromady
09:31
and then to come to a conclusion.
196
571600
1896
a k vytvoření nějakého závěru.
09:33
There's another tool that can do that, and we all have it,
197
573520
2736
Na to je jiný nástroj, který máme všichni,
09:36
and that tool is the brain.
198
576280
1296
a tím nástrojem je mozek.
09:37
If there's one thing a brain is good at,
199
577600
1936
Mozek vyniká v tom, že dokáže
09:39
it's taking bits and pieces back together again,
200
579560
2256
poskládat kousky zpět dohromady,
09:41
even when you have incomplete information,
201
581840
2016
i když nemá kompletní informace,
09:43
and coming to a good conclusion,
202
583880
1576
a dojít správnému závěru,
09:45
especially if it's the brain of an expert.
203
585480
2936
zvláště je-li to mozek experta.
09:48
And that's why I believe that Netflix was so successful,
204
588440
2656
A proto byl dle mého názoru Netflix tak úspěšný.
09:51
because they used data and brains where they belong in the process.
205
591120
3576
Protože používají data i hlavu tam, kam v procesu patří.
09:54
They use data to first understand lots of pieces about their audience
206
594720
3536
Používají data ke zjišťování drobností o jejich publiku,
09:58
that they otherwise wouldn't have been able to understand at that depth,
207
598280
3416
které by jinak nemohli pochopit do takové hloubky.
10:01
but then the decision to take all these bits and pieces
208
601720
2616
Ale konečné rozhodnutí, že to všechno zase vezmou
10:04
and put them back together again and make a show like "House of Cards,"
209
604360
3336
a seskládají a vydají seriál jako "House of Cards,"
10:07
that was nowhere in the data.
210
607720
1416
to už nebylo na datech.
10:09
Ted Sarandos and his team made that decision to license that show,
211
609160
3976
Ted Sarantos s jeho týmem rozhodl, že ten seriál budou licencovat,
10:13
which also meant, by the way, that they were taking
212
613160
2381
což také mimochodem znamenalo,
že s tím rozhodnutím na sebe vzali celkem velký risk.
10:15
a pretty big personal risk with that decision.
213
615565
2851
10:18
And Amazon, on the other hand, they did it the wrong way around.
214
618440
3016
Na druhou stranu v Amazonu to vzali za špatný konec.
10:21
They used data all the way to drive their decision-making,
215
621480
2736
Používali data v celém rozhodovacím procesu.
10:24
first when they held their competition of TV ideas,
216
624240
2416
Nejprve vyhlásili soutěž nápadů,
10:26
then when they selected "Alpha House" to make as a show.
217
626680
3696
z které si pak vybrali "Alpha House."
10:30
Which of course was a very safe decision for them,
218
630400
2496
To pro ně bylo samozřejmě velmi bezpečné rozhodnutí,
10:32
because they could always point at the data, saying,
219
632920
2456
protože vždy mohli poukázat na data a říct:
10:35
"This is what the data tells us."
220
635400
1696
"Toto nám tvrdila data."
10:37
But it didn't lead to the exceptional results that they were hoping for.
221
637120
4240
Ale nevedlo to k výjimečným výsledkům, ve které doufali.
10:42
So data is of course a massively useful tool to make better decisions,
222
642120
4976
Takže data jsou samozřejmě velmi mocným nástrojem pro zlepšení rozhodování,
10:47
but I believe that things go wrong
223
647120
2376
ale věřím, že věci začnou jít špatně,
10:49
when data is starting to drive those decisions.
224
649520
2576
když necháme data udělat ta rozhodnutí celé.
10:52
No matter how powerful, data is just a tool,
225
652120
3776
Ať jsou data jakkoliv mocná, stále jsou pouhým nástrojem,
10:55
and to keep that in mind, I find this device here quite useful.
226
655920
3336
a k zapamatování si tohoto faktu je dobré toto malé zařízení.
10:59
Many of you will ...
227
659280
1216
Mnoho z vás bude znát...
11:00
(Laughter)
228
660520
1216
(smích)
11:01
Before there was data,
229
661760
1216
před vynalezením dat se rozhodovalo podle tohoto zařízení
11:03
this was the decision-making device to use.
230
663000
2856
11:05
(Laughter)
231
665880
1256
(smích)
11:07
Many of you will know this.
232
667160
1336
Mnoho z vás to bude znát.
11:08
This toy here is called the Magic 8 Ball,
233
668520
1953
Tato hračka se nazývá Magic 8 Ball,
11:10
and it's really amazing,
234
670497
1199
a je opravdu úžasná,
11:11
because if you have a decision to make, a yes or no question,
235
671720
2896
protože když se musíte rozhodnout mezi ano a ne,
11:14
all you have to do is you shake the ball, and then you get an answer --
236
674640
3736
všechno, co musíte udělat je zatřást tou koulí, a pak dostanete odpověď -
11:18
"Most Likely" -- right here in this window in real time.
237
678400
2816
"S největší pravděpodobností" - tady, takřka ihned.
11:21
I'll have it out later for tech demos.
238
681240
2096
Budu to tu mít později na ukázku technologie.
11:23
(Laughter)
239
683360
1216
(smích)
11:24
Now, the thing is, of course -- so I've made some decisions in my life
240
684600
3576
No, a teď, samozřejmě - udělal jsem v životě rozhodnutí,
11:28
where, in hindsight, I should have just listened to the ball.
241
688200
2896
kdy jsem měl prostě poslechnout tu kouli, když se tak teď dívám zpět.
11:31
But, you know, of course, if you have the data available,
242
691120
3336
Ale to víte, kdybyste měli ta data,
11:34
you want to replace this with something much more sophisticated,
243
694480
3056
rádi byste toto vyměnili za něco mnohem sofistikovanějšího,
11:37
like data analysis to come to a better decision.
244
697560
3616
třeba za datovou analýzu, pro lepší rozhodnutí.
11:41
But that does not change the basic setup.
245
701200
2616
To ale nemění základní princip.
11:43
So the ball may get smarter and smarter and smarter,
246
703840
3176
Ta koule může být čím dál chytřejší,
11:47
but I believe it's still on us to make the decisions
247
707040
2816
ale podle mě, se musíme rozhodnout my sami,
11:49
if we want to achieve something extraordinary,
248
709880
3016
pokud chceme dosáhnout něčeho skvělého
11:52
on the right end of the curve.
249
712920
1936
na pravém konci křivky.
11:54
And I find that a very encouraging message, in fact,
250
714880
4496
A myslím si, že je velmi povzbudivou zprávou,
11:59
that even in the face of huge amounts of data,
251
719400
3976
že i tváří v tvář takovému množství dat,
12:03
it still pays off to make decisions,
252
723400
4096
se stále vyplatí činit rozhodnutí,
12:07
to be an expert in what you're doing
253
727520
2656
být expertem v tom, co děláte,
12:10
and take risks.
254
730200
2096
a riskovat.
12:12
Because in the end, it's not data,
255
732320
2776
Protože to nakonec nejsou data, co vás dostane na pravý konec křivky,
12:15
it's risks that will land you on the right end of the curve.
256
735120
3960
jsou to risky.
12:19
Thank you.
257
739840
1216
Děkuji vám.
12:21
(Applause)
258
741080
3680
(potlesk)
O tomto webu

Tato stránka vám představí videa na YouTube, která jsou užitečná pro výuku angličtiny. Uvidíte lekce angličtiny vedené špičkovými učiteli z celého světa. Dvojklikem na anglické titulky zobrazené na každé stránce s videem si video přehrajete přímo odtud. Titulky se posouvají synchronizovaně s přehráváním videa. Pokud máte nějaké připomínky nebo požadavky, kontaktujte nás prosím pomocí tohoto kontaktního formuláře.

https://forms.gle/WvT1wiN1qDtmnspy7