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

133,036 views ・ 2016-01-27

TED


Haga doble clic en los subtítulos en inglés para reproducir el vídeo.

Traductor: Ciro Gomez Revisor: Emma Gon
00:12
Roy Price is a man that most of you have probably never heard about,
0
12820
4276
Roy Price es alguien del que la mayoría de Uds. probablemente nunca ha oído hablar,
00:17
even though he may have been responsible
1
17120
2496
a pesar de que puede haber sido responsable
00:19
for 22 somewhat mediocre minutes of your life on April 19, 2013.
2
19640
6896
de 22 minutos un tanto mediocres de su vida el 19 de abril de 2013.
00:26
He may have also been responsible for 22 very entertaining minutes,
3
26560
3176
También pudo haber sido responsable de 22 minutos muy entretenidos,
00:29
but not very many of you.
4
29760
2256
pero no para muchos de Uds.
00:32
And all of that goes back to a decision
5
32040
1896
Y todo eso se remonta a una decisión
00:33
that Roy had to make about three years ago.
6
33960
2000
que Roy tuvo que tomar hace unos 3 años.
00:35
So you see, Roy Price is a senior executive with Amazon Studios.
7
35984
4832
Roy Price es un alto ejecutivo de Amazon Studios,
00:40
That's the TV production company of Amazon.
8
40840
3016
la productora de TV de Amazon.
00:43
He's 47 years old, slim, spiky hair,
9
43880
3256
De 47 años, delgado, cabello erizado,
00:47
describes himself on Twitter as "movies, TV, technology, tacos."
10
47160
4816
se describe a sí mismo en Twitter como "películas, TV, tecnología, tacos".
00:52
And Roy Price has a very responsible job, because it's his responsibility
11
52000
5176
Roy Price tiene un trabajo de mucha responsabilidad ya que se encarga
00:57
to pick the shows, the original content that Amazon is going to make.
12
57200
4056
de elegir los programas, el contenido original que Amazon va a hacer.
01:01
And of course that's a highly competitive space.
13
61280
2336
Y por supuesto que es un espacio muy competido.
01:03
I mean, there are so many TV shows already out there,
14
63640
2736
Quiero decir, hay tantos programas de TV por ahí,
01:06
that Roy can't just choose any show.
15
66400
2176
que Roy no puede solo elegir un programa.
01:08
He has to find shows that are really, really great.
16
68600
4096
Tiene que encontrar programas que sean realmente geniales.
01:12
So in other words, he has to find shows
17
72720
2816
En otras palabras, tiene que encontrar programas
01:15
that are on the very right end of this curve here.
18
75560
2376
que estén en el extremo derecho de esta curva.
01:17
So this curve here is the rating distribution
19
77960
2656
Esta curva es la distribución por calificación
01:20
of about 2,500 TV shows on the website IMDB,
20
80640
4376
de alrededor de 2500 programas de televisión en el sitio web IMDB,
01:25
and the rating goes from one to 10,
21
85040
2896
y la calificación va de 1 a 10,
01:27
and the height here shows you how many shows get that rating.
22
87960
2976
y la altura muestra cómo muchos tienen esta calificación.
01:30
So if your show gets a rating of nine points or higher, that's a winner.
23
90960
4696
Si tu programa obtiene una calificación de 9 puntos o más, es un ganador.
01:35
Then you have a top two percent show.
24
95680
1816
Está en el 2 % de programas,
01:37
That's shows like "Breaking Bad," "Game of Thrones," "The Wire,"
25
97520
3896
series como "Breaking Bad", "Juego de Tronos", "The Wire"
01:41
so all of these shows that are addictive,
26
101440
2296
todos son adictivos,
01:43
whereafter you've watched a season, your brain is basically like,
27
103760
3056
después de ver una temporada, tu cerebro básicamente es como,
01:46
"Where can I get more of these episodes?"
28
106840
2176
"¿Dónde puedo conseguir más de esos episodios?".
01:49
That kind of show.
29
109040
1200
Ese tipo de programa.
01:50
On the left side, just for clarity, here on that end,
30
110920
2496
En el lado izquierdo, por claridad, en ese extremo,
01:53
you have a show called "Toddlers and Tiaras" --
31
113440
3176
tienen un programa llamado "Toddlers and Tiaras"
01:56
(Laughter)
32
116640
2656
["Rorros y tiaras"] (Risas)
01:59
-- which should tell you enough
33
119320
1536
que debería decirles bastante
02:00
about what's going on on that end of the curve.
34
120880
2191
de lo que pasa en ese extremo de la curva.
02:03
Now, Roy Price is not worried about getting on the left end of the curve,
35
123095
4161
Ahora, Roy Price no está preocupado por el extremo izquierdo de la curva,
02:07
because I think you would have to have some serious brainpower
36
127280
2936
porque creo que uno tendría que tener un problema mental
02:10
to undercut "Toddlers and Tiaras."
37
130240
1696
para llegar a "Toddlers and Tiaras".
02:11
So what he's worried about is this middle bulge here,
38
131960
3936
Así que lo que le preocupa es esta protuberancia central aquí,
02:15
the bulge of average TV,
39
135920
1816
el bulto de la TV promedio,
02:17
you know, those shows that aren't really good or really bad,
40
137760
2856
esos programas que no son realmente buenos ni malos,
02:20
they don't really get you excited.
41
140639
1656
que en realidad no te entusiasman.
02:22
So he needs to make sure that he's really on the right end of this.
42
142320
4856
Así que necesita asegurarse de que está realmente en el extremo derecho.
02:27
So the pressure is on,
43
147200
1576
La presión es alta,
02:28
and of course it's also the first time
44
148800
2176
y por supuesto que es también la primera vez
02:31
that Amazon is even doing something like this,
45
151000
2176
que Amazon está incluso haciendo algo así,
02:33
so Roy Price does not want to take any chances.
46
153200
3336
por lo que Roy Price no quiere correr ningún riesgo.
02:36
He wants to engineer success.
47
156560
2456
Quiere diseñar éxito.
02:39
He needs a guaranteed success,
48
159040
1776
Necesita un éxito garantizado
02:40
and so what he does is, he holds a competition.
49
160840
2576
y así lo que hace es hacer una competencia.
02:43
So he takes a bunch of ideas for TV shows,
50
163440
3136
Toma un montón de ideas para programas de televisión,
02:46
and from those ideas, through an evaluation,
51
166600
2296
y a partir de esas ideas, con una evaluación,
02:48
they select eight candidates for TV shows,
52
168920
4096
seleccionan 8 candidatas para programas de televisión,
02:53
and then he just makes the first episode of each one of these shows
53
173040
3216
y hace el primer episodio de cada uno de estos programas
02:56
and puts them online for free for everyone to watch.
54
176280
3136
y los pone en línea de forma gratuita para todo el mundo.
02:59
And so when Amazon is giving out free stuff,
55
179440
2256
Cuando Amazon está dando cosas gratis,
03:01
you're going to take it, right?
56
181720
1536
vas a tenerlo, ¿no?
03:03
So millions of viewers are watching those episodes.
57
183280
5136
Así millones de espectadores están viendo esos episodios.
03:08
What they don't realize is that, while they're watching their shows,
58
188440
3216
Lo que no se dan cuenta es que, mientras ven sus programas,
03:11
actually, they are being watched.
59
191680
2296
en realidad, están siendo observados.
03:14
They are being watched by Roy Price and his team,
60
194000
2336
Están siendo observados por Roy Price y su equipo,
03:16
who record everything.
61
196360
1376
que graba todo.
03:17
They record when somebody presses play, when somebody presses pause,
62
197760
3376
Registran cuando alguien presiona Encendido, cuando presiona Pausa,
03:21
what parts they skip, what parts they watch again.
63
201160
2536
qué partes se saltan, qué partes ven de nuevo.
03:23
So they collect millions of data points,
64
203720
2256
Así que recogen millones de puntos de datos,
03:26
because they want to have those data points
65
206000
2096
porque quieren tener esos puntos de datos
03:28
to then decide which show they should make.
66
208120
2696
para luego decidir qué deberían hacer.
03:30
And sure enough, so they collect all the data,
67
210840
2176
Y, claro, recogen todos los datos,
03:33
they do all the data crunching, and an answer emerges,
68
213040
2576
los analizan a fondo, y emerge una respuesta,
03:35
and the answer is,
69
215640
1216
y la respuesta es,
03:36
"Amazon should do a sitcom about four Republican US Senators."
70
216880
5536
"Amazon debería hacer una comedia sobre 4 senadores republicanos".
03:42
They did that show.
71
222440
1216
Hicieron el programa.
03:43
So does anyone know the name of the show?
72
223680
2160
¿Alguien sabe el nombre de la serie?
03:46
(Audience: "Alpha House.")
73
226720
1296
Público: "Alpha House".
03:48
Yes, "Alpha House,"
74
228040
1456
Sí, "Alpha House",
03:49
but it seems like not too many of you here remember that show, actually,
75
229520
4096
pero parece que no muchos de Uds. lo recuerdan, de hecho,
03:53
because it didn't turn out that great.
76
233640
1856
porque no resultó tan exitoso.
03:55
It's actually just an average show,
77
235520
1856
En realidad es solo un programa regular,
03:57
actually -- literally, in fact, because the average of this curve here is at 7.4,
78
237400
4576
literalmente, debido a que el promedio de esta curva aquí está en 7.4,
04:02
and "Alpha House" lands at 7.5,
79
242000
2416
y "Alfa House" aterrizó en 7.5,
04:04
so a slightly above average show,
80
244440
2016
estuvo un poco más arriba de la media,
04:06
but certainly not what Roy Price and his team were aiming for.
81
246480
2920
pero ciertamente no lo que Roy Price y su equipo buscaban.
04:10
Meanwhile, however, at about the same time,
82
250320
2856
Mientras tanto, sin embargo, aproximadamente a la vez,
04:13
at another company,
83
253200
1576
en otra empresa,
04:14
another executive did manage to land a top show using data analysis,
84
254800
4216
otro ejecutivo logró un programa superior utilizando el análisis de datos,
04:19
and his name is Ted,
85
259040
1576
y su nombre es Ted,
04:20
Ted Sarandos, who is the Chief Content Officer of Netflix,
86
260640
3416
Ted Sarandos, el director de contenido de Netflix,
04:24
and just like Roy, he's on a constant mission
87
264080
2136
y al igual que Roy, tiene la misión permanente
04:26
to find that great TV show,
88
266240
1496
de encontrar ese gran programa,
04:27
and he uses data as well to do that,
89
267760
2016
y también utiliza datos para hacer eso,
04:29
except he does it a little bit differently.
90
269800
2015
excepto que lo hace un poco diferente.
04:31
So instead of holding a competition, what he did -- and his team of course --
91
271839
3737
En lugar de una competición, lo que hizo --y su equipo, por supuesto--
04:35
was they looked at all the data they already had about Netflix viewers,
92
275600
3536
fue mirar todos los datos que ya tenían sobre la audiencia de Netflix,
04:39
you know, the ratings they give their shows,
93
279160
2096
las calificaciones que dan a sus programas,
04:41
the viewing histories, what shows people like, and so on.
94
281280
2696
las historias de visión, los programas que les gustan y así,
04:44
And then they use that data to discover
95
284000
1896
Y utilizaron esos datos para descubrir
04:45
all of these little bits and pieces about the audience:
96
285920
2616
todos estos pequeños datos sobre la audiencia:
04:48
what kinds of shows they like,
97
288560
1456
qué tipo de programa gusta,
04:50
what kind of producers, what kind of actors.
98
290040
2096
qué tipo de productores, de actores.
04:52
And once they had all of these pieces together,
99
292160
2576
Y una vez que tuvieron todas estas piezas juntas,
04:54
they took a leap of faith,
100
294760
1656
hicieron un salto de fe,
04:56
and they decided to license
101
296440
2096
y decidieron licenciar
04:58
not a sitcom about four Senators
102
298560
2456
no una comedia sobre cuatro senadores
05:01
but a drama series about a single Senator.
103
301040
2880
sino una serie dramática sobre un solo senador.
05:04
You guys know the show?
104
304760
1656
¿Saben cuál es?
05:06
(Laughter)
105
306440
1296
(Risas)
05:07
Yes, "House of Cards," and Netflix of course, nailed it with that show,
106
307760
3736
Sí, "House of Cards", y Netflix, por supuesto, le atinó con ese programa,
05:11
at least for the first two seasons.
107
311520
2136
al menos por las dos primeras temporadas.
05:13
(Laughter) (Applause)
108
313680
3976
(Risas) (Aplausos)
05:17
"House of Cards" gets a 9.1 rating on this curve,
109
317680
3176
"House of Cards" logra una calificación de 9.1 en esta curva,
05:20
so it's exactly where they wanted it to be.
110
320880
3176
que es exactamente lo que querían que fuera.
05:24
Now, the question of course is, what happened here?
111
324080
2416
La pregunta es, por supuesto, ¿qué ha pasado aquí?
05:26
So you have two very competitive, data-savvy companies.
112
326520
2656
Dos empresas muy competitivas, con inteligencia de datos
05:29
They connect all of these millions of data points,
113
329200
2856
se conectan a todos estos millones de puntos de datos,
05:32
and then it works beautifully for one of them,
114
332080
2376
y funciona muy bien para uno de ellos,
05:34
and it doesn't work for the other one.
115
334480
1856
y no funciona para el otro.
05:36
So why?
116
336360
1216
¿Por qué?
05:37
Because logic kind of tells you that this should be working all the time.
117
337600
3456
Como que la lógica nos dice que debería servir siempre.
05:41
I mean, if you're collecting millions of data points
118
341080
2456
Quiero decir, si uno recoge millones de datos
05:43
on a decision you're going to make,
119
343560
1736
para una decisión que vas a tomar,
05:45
then you should be able to make a pretty good decision.
120
345320
2616
entonces debería poder tomar una muy buena decisión.
05:47
You have 200 years of statistics to rely on.
121
347960
2216
Se tienen 200 años de estadísticas confiables,
05:50
You're amplifying it with very powerful computers.
122
350200
3016
que amplificadas con computadoras muy potentes,
05:53
The least you could expect is good TV, right?
123
353240
3280
lo menos que se puede esperar es buena televisión, ¿no?
05:57
And if data analysis does not work that way,
124
357880
2720
Y si el análisis de datos no funciona de esa manera,
06:01
then it actually gets a little scary,
125
361520
2056
lo que realmente da un poco de miedo,
06:03
because we live in a time where we're turning to data more and more
126
363600
3816
porque vivimos en una época en la que acudimos a los datos más y más
06:07
to make very serious decisions that go far beyond TV.
127
367440
4480
para tomar decisiones de peso que van mucho más allá de la TV.
06:12
Does anyone here know the company Multi-Health Systems?
128
372760
3240
¿Alguien aquí conoce la empresa Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
377080
1656
Nadie. Eso es bueno en realidad.
06:18
OK, so Multi-Health Systems is a software company,
130
378760
3216
Multi-Health Systems es una compañía de software
y espero que nadie en esta sala
06:22
and I hope that nobody here in this room
131
382000
2816
06:24
ever comes into contact with that software,
132
384840
3176
nunca entre en contacto con ese software,
porque si es así, significa que está en prisión.
06:28
because if you do, it means you're in prison.
133
388040
2096
06:30
(Laughter)
134
390160
1176
(Risas)
06:31
If someone here in the US is in prison, and they apply for parole,
135
391360
3536
Si alguien aquí en EE. UU. está preso, y solicita libertad condicional,
06:34
then it's very likely that data analysis software from that company
136
394920
4296
entonces es muy probable que el software de análisis de datos de esa empresa
06:39
will be used in determining whether to grant that parole.
137
399240
3616
se utilice para determinar si se le concede.
06:42
So it's the same principle as Amazon and Netflix,
138
402880
2576
Así que es el mismo principio que en Amazon y Netflix,
06:45
but now instead of deciding whether a TV show is going to be good or bad,
139
405480
4616
pero en lugar de decidir si un programa de TV va a ser bueno o malo,
06:50
you're deciding whether a person is going to be good or bad.
140
410120
2896
se va a decidir si una persona será buena o mala.
06:53
And mediocre TV, 22 minutes, that can be pretty bad,
141
413040
5496
La televisión mediocre, 22 minutos, lo que puede ser bastante malo,
06:58
but more years in prison, I guess, even worse.
142
418560
2640
pero más años de cárcel, supongo, aún peor.
07:02
And unfortunately, there is actually some evidence that this data analysis,
143
422360
4136
Y, por desgracia, en realidad hay alguna evidencia de que este análisis de datos,
07:06
despite having lots of data, does not always produce optimum results.
144
426520
4216
a pesar de una gran cantidad de datos, no siempre produce resultados óptimos.
07:10
And that's not because a company like Multi-Health Systems
145
430760
2722
Y no se debe a que una empresa como Multi-Health Systems
07:13
doesn't know what to do with data.
146
433506
1627
no sepa qué hacer con los datos.
07:15
Even the most data-savvy companies get it wrong.
147
435158
2298
Incluso las mejores empresas se equivocan.
07:17
Yes, even Google gets it wrong sometimes.
148
437480
2400
Sí, incluso Google lo hace mal a veces.
07:20
In 2009, Google announced that they were able, with data analysis,
149
440680
4496
En 2009, Google anunció que era capaz, con el análisis de datos,
07:25
to predict outbreaks of influenza, the nasty kind of flu,
150
445200
4136
de predecir los brotes de la gripe, el tipo desagradable de gripe,
07:29
by doing data analysis on their Google searches.
151
449360
3776
al hacer análisis de datos en las búsquedas en Google.
07:33
And it worked beautifully, and it made a big splash in the news,
152
453160
3856
Y funcionó muy bien, y se hizo un gran revuelo en las noticias,
07:37
including the pinnacle of scientific success:
153
457040
2136
incluyendo el pináculo del éxito científico:
07:39
a publication in the journal "Nature."
154
459200
2456
una publicación en la revista "Nature".
07:41
It worked beautifully for year after year after year,
155
461680
3616
Funcionó muy bien año tras año tras año,
07:45
until one year it failed.
156
465320
1656
hasta que un año fracasó.
07:47
And nobody could even tell exactly why.
157
467000
2256
Y nadie podría incluso decir bien por qué.
07:49
It just didn't work that year,
158
469280
1696
Simplemente no funciona en ese año,
07:51
and of course that again made big news,
159
471000
1936
y por supuesto una vez más fue noticia,
07:52
including now a retraction
160
472960
1616
incluyendo ahora una retracción
07:54
of a publication from the journal "Nature."
161
474600
2840
de una publicación de la revista "Nature".
07:58
So even the most data-savvy companies, Amazon and Google,
162
478480
3336
Así incluso las empresas más versadas en datos como Amazon y Google,
08:01
they sometimes get it wrong.
163
481840
2136
a veces se equivocan.
08:04
And despite all those failures,
164
484000
2936
Y a pesar de todos esos fracasos,
08:06
data is moving rapidly into real-life decision-making --
165
486960
3856
los datos se están moviendo rápidamente en la toma de decisiones en la vida real,
08:10
into the workplace,
166
490840
1816
en el lugar de trabajo,
08:12
law enforcement,
167
492680
1816
en el cumplimiento de la ley,
08:14
medicine.
168
494520
1200
en medicina.
08:16
So we should better make sure that data is helping.
169
496400
3336
Así que mejor deberíamos asegurarnos de que los datos estén sirviendo.
08:19
Now, personally I've seen a lot of this struggle with data myself,
170
499760
3136
En lo personal, yo mismo he visto esta lucha con los datos,
08:22
because I work in computational genetics,
171
502920
1976
porque trabajo en genética computacional,
08:24
which is also a field where lots of very smart people
172
504920
2496
un campo en el que hay mucha gente muy inteligente
08:27
are using unimaginable amounts of data to make pretty serious decisions
173
507440
3656
que usa cantidades inimaginables de datos para tomar decisiones muy serias,
08:31
like deciding on a cancer therapy or developing a drug.
174
511120
3560
como decidir sobre un tratamiento de cáncer o el desarrollo de un fármaco.
08:35
And over the years, I've noticed a sort of pattern
175
515520
2376
Con los años, he visto una especie de patrón
08:37
or kind of rule, if you will, about the difference
176
517920
2456
o tipo de regla, si se quiere, sobre la diferencia
08:40
between successful decision-making with data
177
520400
2696
entre la toma de decisiones acertada con datos
08:43
and unsuccessful decision-making,
178
523120
1616
y su fracaso,
08:44
and I find this a pattern worth sharing, and it goes something like this.
179
524760
3880
y encuentro que vale la pena compartirlo, y es algo así.
08:50
So whenever you're solving a complex problem,
180
530520
2135
Al solucionar un problema complejo,
08:52
you're doing essentially two things.
181
532679
1737
se hacen esencialmente dos cosas.
08:54
The first one is, you take that problem apart into its bits and pieces
182
534440
3296
La primera es partir el problema en partes
08:57
so that you can deeply analyze those bits and pieces,
183
537760
2496
para analizar en profundidad esas partes
09:00
and then of course you do the second part.
184
540280
2016
y luego, por supuesto, la segunda parte,
09:02
You put all of these bits and pieces back together again
185
542320
2656
juntar todas estas partes de nuevo
09:05
to come to your conclusion.
186
545000
1336
para llegar a su conclusión.
09:06
And sometimes you have to do it over again,
187
546360
2336
Y a veces hay que hacerlo de nuevo,
09:08
but it's always those two things:
188
548720
1656
pero siempre las dos cosas:
09:10
taking apart and putting back together again.
189
550400
2320
desmontar y juntarlas de nuevo.
09:14
And now the crucial thing is
190
554280
1616
Y ahora lo crucial es
09:15
that data and data analysis
191
555920
2896
que el análisis de datos y los datos
09:18
is only good for the first part.
192
558840
2496
son buenos solo para la primera parte.
09:21
Data and data analysis, no matter how powerful,
193
561360
2216
Los datos y su análisis, sin importar lo poderoso que sea,
09:23
can only help you taking a problem apart and understanding its pieces.
194
563600
4456
solo puede ayudar a partir un problema y comprender sus piezas.
09:28
It's not suited to put those pieces back together again
195
568080
3496
No es adecuado para juntar las piezas de nuevo
09:31
and then to come to a conclusion.
196
571600
1896
y después llegar a una conclusión.
09:33
There's another tool that can do that, and we all have it,
197
573520
2736
Hay otra herramienta que puede hacerlo, y todos la tenemos,
09:36
and that tool is the brain.
198
576280
1296
que es el cerebro.
09:37
If there's one thing a brain is good at,
199
577600
1936
Si hay una cosa para la que el cerebro es buena,
09:39
it's taking bits and pieces back together again,
200
579560
2256
es para tomar pedazos y unirlos de nuevo,
09:41
even when you have incomplete information,
201
581840
2016
incluso con información incompleta,
09:43
and coming to a good conclusion,
202
583880
1576
y llegar a una buena conclusión,
09:45
especially if it's the brain of an expert.
203
585480
2936
especialmente si es el cerebro de un experto.
09:48
And that's why I believe that Netflix was so successful,
204
588440
2656
Y por eso creo que Netflix tuvo tanto éxito,
09:51
because they used data and brains where they belong in the process.
205
591120
3576
porque utilizaron datos y cerebros donde deben estar en el proceso.
09:54
They use data to first understand lots of pieces about their audience
206
594720
3536
Usaron datos para comprender primero un montón de piezas sobre su audiencia
09:58
that they otherwise wouldn't have been able to understand at that depth,
207
598280
3416
que de otro modo no habrían sido capaces de entender con esa profundidad,
10:01
but then the decision to take all these bits and pieces
208
601720
2616
pero luego la decisión de tomar esas partes y piezas,
10:04
and put them back together again and make a show like "House of Cards,"
209
604360
3336
volver a juntarlas y hacer un programa como "House of Cards",
10:07
that was nowhere in the data.
210
607720
1416
no tuvo nada que ver con datos.
10:09
Ted Sarandos and his team made that decision to license that show,
211
609160
3976
Ted Sarandos y su equipo tomaron la decisión de licenciar ese programa,
10:13
which also meant, by the way, that they were taking
212
613160
2381
lo que también significa, por cierto, tomar
10:15
a pretty big personal risk with that decision.
213
615565
2851
un gran riesgo personal con esa decisión.
10:18
And Amazon, on the other hand, they did it the wrong way around.
214
618440
3016
Y en Amazon, por el contrario, lo hicieron al revés.
10:21
They used data all the way to drive their decision-making,
215
621480
2736
Utilizaron datos todo el proceso para tomar la decisión,
10:24
first when they held their competition of TV ideas,
216
624240
2416
primero cuando hicieron su concurso de ideas de TV,
10:26
then when they selected "Alpha House" to make as a show.
217
626680
3696
luego, cuando seleccionan "Alpha House" para hacer su programa.
10:30
Which of course was a very safe decision for them,
218
630400
2496
Por supuesto una decisión muy segura para ellos,
10:32
because they could always point at the data, saying,
219
632920
2456
porque siempre podrían apuntar a los datos, y decir:
10:35
"This is what the data tells us."
220
635400
1696
"Esto es lo que nos dicen los datos".
10:37
But it didn't lead to the exceptional results that they were hoping for.
221
637120
4240
Pero no se tradujo en los resultados excepcionales que estaban esperando.
10:42
So data is of course a massively useful tool to make better decisions,
222
642120
4976
Los datos son por supuesto una herramienta
enormemente útil para tomar mejores decisiones,
10:47
but I believe that things go wrong
223
647120
2376
pero creo que las cosas van mal
10:49
when data is starting to drive those decisions.
224
649520
2576
cuando los datos empiezan a dirigir las decisiones.
10:52
No matter how powerful, data is just a tool,
225
652120
3776
No importa lo poderoso que sean, los datos son solo una herramienta,
10:55
and to keep that in mind, I find this device here quite useful.
226
655920
3336
y para tener esto en mente, creo que este dispositivo es muy útil.
10:59
Many of you will ...
227
659280
1216
Muchos de Uds. se...
11:00
(Laughter)
228
660520
1216
(Risas)
11:01
Before there was data,
229
661760
1216
Antes de que hubiera datos,
11:03
this was the decision-making device to use.
230
663000
2856
este fue el dispositivo de toma de decisiones a usar.
11:05
(Laughter)
231
665880
1256
(Risas)
11:07
Many of you will know this.
232
667160
1336
Muchos de Uds. lo conocen.
11:08
This toy here is called the Magic 8 Ball,
233
668520
1953
Este juguete se llama la bola 8 mágica,
11:10
and it's really amazing,
234
670497
1199
y es realmente increíble,
11:11
because if you have a decision to make, a yes or no question,
235
671720
2896
porque si tienes que tomar una decisión, un sí o un no,
11:14
all you have to do is you shake the ball, and then you get an answer --
236
674640
3736
todo lo que tienes que hacer es agitar la bola, y se obtiene una respuesta,
11:18
"Most Likely" -- right here in this window in real time.
237
678400
2816
"Lo más probable", aquí en esta ventana en tiempo real.
11:21
I'll have it out later for tech demos.
238
681240
2096
Lo tendré para demostraciones técnicas.
11:23
(Laughter)
239
683360
1216
(Risas)
11:24
Now, the thing is, of course -- so I've made some decisions in my life
240
684600
3576
El punto es que he tomado algunas decisiones en mi vida
en las que en retrospectiva, debería haber simplemente escuchado la pelota.
11:28
where, in hindsight, I should have just listened to the ball.
241
688200
2896
11:31
But, you know, of course, if you have the data available,
242
691120
3336
Pero, por supuesto, si uno tiene datos disponibles,
11:34
you want to replace this with something much more sophisticated,
243
694480
3056
desea reemplazar esto con algo mucho más sofisticado,
11:37
like data analysis to come to a better decision.
244
697560
3616
como el análisis de datos para llegar a una mejor decisión.
11:41
But that does not change the basic setup.
245
701200
2616
Pero eso no cambia la configuración básica.
11:43
So the ball may get smarter and smarter and smarter,
246
703840
3176
Así que la pelota puede ser más y más y más inteligente,
11:47
but I believe it's still on us to make the decisions
247
707040
2816
pero yo creo todavía en nosotros para tomar decisiones
11:49
if we want to achieve something extraordinary,
248
709880
3016
si queremos lograr algo extraordinario,
11:52
on the right end of the curve.
249
712920
1936
en el extremo derecho de la curva.
11:54
And I find that a very encouraging message, in fact,
250
714880
4496
Y me parece que un mensaje muy alentador, de hecho,
11:59
that even in the face of huge amounts of data,
251
719400
3976
que incluso frente a enormes cantidades de datos,
12:03
it still pays off to make decisions,
252
723400
4096
aún así vale la pena para tomar decisiones,
12:07
to be an expert in what you're doing
253
727520
2656
ser un experto en lo que se está haciendo
12:10
and take risks.
254
730200
2096
y asumir riesgos.
12:12
Because in the end, it's not data,
255
732320
2776
Porque al final, no son los datos,
12:15
it's risks that will land you on the right end of the curve.
256
735120
3960
es el riesgo que te lleva al extremo derecho de la curva.
12:19
Thank you.
257
739840
1216
Gracias.
12:21
(Applause)
258
741080
3680
(Aplausos)
Acerca de este sitio web

Este sitio le presentará vídeos de YouTube útiles para aprender inglés. Verá lecciones de inglés impartidas por profesores de primera categoría de todo el mundo. Haz doble clic en los subtítulos en inglés que aparecen en cada página de vídeo para reproducir el vídeo desde allí. Los subtítulos se desplazan en sincronía con la reproducción del vídeo. Si tiene algún comentario o petición, póngase en contacto con nosotros mediante este formulario de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7