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

Translator: رضا صابری Reviewer: Leila Ataei

Roy Price is a man that most of you have probably never heard about,

احتمالا بیشتر ما اسم "روی پرایس" رو نشنیدیم،

even though he may have been responsible

با اینکه مسئول

for 22 somewhat mediocre minutes of your life on April 19, 2013.

۲۲ دقیقه از اوقات نه چندان خوبه شما در ۱۹ آوریل سال ۲۰۱۳ بوده.

He may have also been responsible for 22 very entertaining minutes,

از طرفی هم شاید مسئول ۲۲ دقیقه بسیار سرگرم کننده از اوقات شما بوده،

but not very many of you.

البته نه برای خیلی‌هاتون.

And all of that goes back to a decision

همه اینها به تصمیمی برمیگرده

that Roy had to make about three years ago.

که "رُوی" سه سال پیش باید میگرفت.

So you see, Roy Price is a senior executive with Amazon Studios.

میدونید، "روی پرایس" یکی از مدیران اجرایی بالا رتبه در آمازون استودیوز هست.

That's the TV production company of Amazon.

شرکت تولیدکننده محصولات رسانه‌ای متعلق به آمازون.

He's 47 years old, slim, spiky hair,

اون ۲۷ سال داره، لاغره، موهاش تیغ تیغیه،

describes himself on Twitter as "movies, TV, technology, tacos."

خودش توی "توئیتر" میگه اهل سینما، تلویزیون، تکنولوژی و پیراشکی مکزیکیه.

And Roy Price has a very responsible job, because it's his responsibility

خوب "روی پرایس" کار حساسی داره چون مسئولیتش اینه که

to pick the shows, the original content that Amazon is going to make.

برنامه‌هایی رو انتخاب کنه که آمازون قراره اونا رو بسازه.

And of course that's a highly competitive space.

و بدون شک در فضای رقابتی شدیدی فعالیت میکنه.

I mean, there are so many TV shows already out there,

چون برنامه‌های تلویزیونی خیلی زیادی وجود دارن،

that Roy can't just choose any show.

"روی" هر برنامه‌ای هم نمیتونه انتخاب کنه.

He has to find shows that are really, really great.

اون باید برنامه‌های رو انتخاب کنه که واقعاً عالی هستن.

So in other words, he has to find shows

یعنی باید دنبال برنامه‌هایی باشه که

that are on the very right end of this curve here.

در انتهای سمت راست این منحنی بشینن،

So this curve here is the rating distribution

این منحنی نشون دهنده توزیع رتبه بندیِ

of about 2,500 TV shows on the website IMDB,

حدوداً ۲,۵۰۰ برنامه تلویزیونی در تارنمایه IMDB هست،

and the rating goes from one to 10,

و این رتبه بندی از یک تا ده هست.

and the height here shows you how many shows get that rating.

و محور عمودی نشون میده چه تعداد برنامه اون رتبه رو دارن،

So if your show gets a rating of nine points or higher, that's a winner.

خوب اگر برنامه شما رتبه ۹ یا بالاتر رو داشته باشه، برنده شده.

Then you have a top two percent show.

یعنی رتبه برنامتون خیلی بالاست.

That's shows like "Breaking Bad," "Game of Thrones," "The Wire,"

سریالهایی مثل "Breaking Bad" ، "Game of Thrones" و "The Wire".

so all of these shows that are addictive,

همه این سریالها اعتیاد آورن.

whereafter you've watched a season, your brain is basically like,

بعد از اینکه فصل اول رو ببینید انگار مغزتون میگه،

"Where can I get more of these episodes?"

«کجا میتونم قسمت های بعدی رو پیدا کنم؟»

That kind of show.

منظورم این برنامه‌هاست.

On the left side, just for clarity, here on that end,

برای اینکه روشنتون کنم سمت چپ یعنی در این انتها،

you have a show called "Toddlers and Tiaras" --

برنامه هایی مثله "Toddlers and Tiaras" وجود دارنــ

(Laughter)

(خنده)

-- which should tell you enough

ــکه به اندازه کافی بهتون میگه

about what's going on on that end of the curve.

انتهای این منحنی چی میگذره.

Now, Roy Price is not worried about getting on the left end of the curve,

"روی پرایس" نگران این نیست که به انتهای چپ این منحنی برسه،

because I think you would have to have some serious brainpower

چون من فکر کنم آدم باید واقعاً قدرت ذهنی بالایی داشته باشه که

to undercut "Toddlers and Tiaras."

Toddlers and Tiarasرو زیرقیمت بفروشه.

So what he's worried about is this middle bulge here,

نگرانیه اصلی اون چیزیه که وسط این منحنی میگذره،

the bulge of average TV,

یعنی برنامه‌های متوسط،

you know, those shows that aren't really good or really bad,

منظورم برنامه‌هایی که نه خیلی خوبن نه خیلی بد،

they don't really get you excited.

برنامه‌هایی که شما رو به وجد نمیارن.

So he needs to make sure that he's really on the right end of this.

اون میخواست مطمئن شه که واقعاً در انتهای درست این ماجرا قرار بگیره.

So the pressure is on,

پس همچنان فشار ادامه داره،

and of course it's also the first time

و البته اولین باریه که

that Amazon is even doing something like this,

آمازون داره چنین کاری انجام میده

so Roy Price does not want to take any chances.

پس "روی پرایس" نمیخواد پای شانس رو بکشه وسط.

He wants to engineer success.

بلکه میخواست موفقیت رو مهندسی کنه.

He needs a guaranteed success,

اون باید موفقیت رو ضمانت کنه،

and so what he does is, he holds a competition.

پس برای انجام این کار یه مسابقه برگزار کرد.

So he takes a bunch of ideas for TV shows,

برای این کار تعدادی ایده برای ساخت برنامه‌های تلویزیونی جمع کرد،

and from those ideas, through an evaluation,

و با ارزیابی اون ایده‌ها،

they select eight candidates for TV shows,

هشت کاندیدا برای برنامه‌های تلویزیونی انتخاب کردند،

and then he just makes the first episode of each one of these shows

و قسمت اول هر کدوم از این برنامه‌ها رو تهیه کرد

and puts them online for free for everyone to watch.

و اون برنامه‌ها را به صورت رایگان روی اینترنت گذاشت تا همه ببینن.

And so when Amazon is giving out free stuff,

خوب وقتی آمازون چیزی رو رایگان میذاره،

you're going to take it, right?

شما هم تماشایش میکنید، نه؟

So millions of viewers are watching those episodes.

خوب الان میلیونها نفر دارن این برنامه‌ها رو میبینن.

What they don't realize is that, while they're watching their shows,

اما نمیدونن که درحالی که دارن برنامشون رو میبینن،

actually, they are being watched.

در واقع تحت نظرند.

They are being watched by Roy Price and his team,

"روی پرایس" و تیمش در حال تماشا کردن اونا هستن،

who record everything.

و همه چیز رو ثبت میکنن.

They record when somebody presses play, when somebody presses pause,

اونها ثبت میکن فرد چند بار پخش یا مکث رو فشار میده،

what parts they skip, what parts they watch again.

یا اینکه بخشی رو رد میکنه، یا دوباره میبینه.

So they collect millions of data points,

اونا میلیونها نقطه اطلاعاتی جمع میکنن،

because they want to have those data points

چون به این نقاط اطلاعاتی نیاز دارن تا

to then decide which show they should make.

بتونن تصمیم بگیرن چه نوع برنامه‌ای باید ساخت.

And sure enough, so they collect all the data,

و برای اطمینان تمامی اطلاعات رو جمع می‌کنن،

they do all the data crunching, and an answer emerges,

تمام اطلاعات را پردازش می‌کنن تا به یک جواب برسن،

and the answer is,

و اون جواب اینه که

"Amazon should do a sitcom about four Republican US Senators."

آمازون باید یه طنز بسازه درباره چهار سناتور جمهوریخواه آمریکایی.

They did that show.

اونا این برنامه رو ساختن.

So does anyone know the name of the show?

کسی اسم اون برنامه رو میدونه؟

(Audience: "Alpha House.")

(حضار: Alpha House)

Yes, "Alpha House,"

درسته، «Alpha House»

but it seems like not too many of you here remember that show, actually,

انگار خیلی‌هاتون اون برنامه رو به خاطر نمیارید،

because it didn't turn out that great.

چون چیز جالبی از کار در نیومد.

It's actually just an average show,

واقعیتش یه برنامه متوسط بود،

actually -- literally, in fact, because the average of this curve here is at 7.4,

دقیقاً همینطوره، چون در این منحنی حد متوسط در نقطه ۷/۴ هست،

and "Alpha House" lands at 7.5,

و برنامه آلفا هاوس در نقطه ۷/۵ قرار داره،

so a slightly above average show,

در واقع یه کمی بالای حد متوسط،

but certainly not what Roy Price and his team were aiming for.

و صد البته این چیزی نیست که "روی پرایس" و تیمش میخواستن.

Meanwhile, however, at about the same time,

اما همون موقع،

at another company,

در یک شرکت دیگه،

another executive did manage to land a top show using data analysis,

یک مدیر اجرایی دیگه تونست با تجزیه و تحیل اطلاعات یک برنامه عالی بسازه،

and his name is Ted,

و اسم اون فرد «تد» هست،

Ted Sarandos, who is the Chief Content Officer of Netflix,

«تد ساراندوز»، مدیر ارشد محتوی در شرکت نتفلیکس،

and just like Roy, he's on a constant mission

اون هم دقیقاً مثله "روی" کمر همت رو بسته بود

to find that great TV show,

تا یه برنامه عالی پیدا کنه،

and he uses data as well to do that,

او هم از اطلاعات برای این کار استفاده کرد،

except he does it a little bit differently.

بجز اینکه یه فرق کوچیک این وسط وجود داشت،

So instead of holding a competition, what he did -- and his team of course --

یعنی به جای برگزاری مسابقه، کاری که اون و و البته تیمش کردن این بود که

was they looked at all the data they already had about Netflix viewers,

با دقت همه اطلاعاتی که درباره مخاطبین نتفلیکس داشتن رو بررسی کردن،

you know, the ratings they give their shows,

مثل امتیازی که افراد به برنامه‌ها داده بودن،

the viewing histories, what shows people like, and so on.

سابقه تماشای برنامه، اینکه مردم چی دوست دارن و غیره.

And then they use that data to discover

اونها ازاین اطلاعات بهره بردن تا

all of these little bits and pieces about the audience:

زیر و بم مخاطبین رو بشناسن:

what kinds of shows they like,

مثلا چه برنامه‌هایی دوست دارن،

what kind of producers, what kind of actors.

یا کدوم تهیه کننده و کدوم بازگر رو میخوان،

And once they had all of these pieces together,

وقتی که همه این اطلاعات رو کنار هم گذاشتن،

they took a leap of faith,

دل رو به دریا زدن،

and they decided to license

و تصمیم گرقتن تا اون برنامه رو بسازن،

not a sitcom about four Senators

اون هم نه یه کمدی درباره چهار سناتور،

but a drama series about a single Senator.

بلکه یه سریال درام درباره یک و فقط یه سناتور ساختن.

You guys know the show?

فکر کنم بدونین اسمش چی بود؟

(Laughter)

(خنده)

Yes, "House of Cards," and Netflix of course, nailed it with that show,

آره،درسته، سریال «خانه پوشالی» و البته شرکت نتفلیکس زدن به هدف،

at least for the first two seasons.

حداقلش برای دو فصل اول که اینجور بود.

(Laughter) (Applause)

(خنده) (تشویق)

"House of Cards" gets a 9.1 rating on this curve,

سریال «خانه پوشالی» در نمودار ما در امتیاز ۹/۱ نشست،

so it's exactly where they wanted it to be.

یعنی دقیقاً همونجایی که سازندهاش میخواستن باشه.

Now, the question of course is, what happened here?

خوب سؤالی که پیش میاد اینه که «چی شد که این شد؟»

So you have two very competitive, data-savvy companies.

خوب ما اینجا دوتا شرکت خیلی رقیب و خوره اطلاعات داریم.

They connect all of these millions of data points,

اونها این میلیونها نقطه اطلاعاتی رو با هم ربط دادن

and then it works beautifully for one of them,

و این کار برای یه برنامه جواب داد،

and it doesn't work for the other one.

ولی برای بقیه جواب نداد.

So why?

اما چرا؟

Because logic kind of tells you that this should be working all the time.

چون منطقیش اینه که این کار باید برای همه برنامه‌ها جواب بده.

I mean, if you're collecting millions of data points

یعنی وقتی شما میلیونها نقطه اطلاعاتی جمع میکنید

on a decision you're going to make,

برای تصمیمی که قرار بگیرید،

then you should be able to make a pretty good decision.

پس قاعدتاً باید تصمیم خوبی بتونید بگیرید.

You have 200 years of statistics to rely on.

اندازه ۲۰۰ سال عدد و رقم دارید که روش حساب کنید.

You're amplifying it with very powerful computers.

و با کامپیوترهای خیلی قوی اونا رو تعبیر و تفسیر میکنید.

The least you could expect is good TV, right?

حداقل چیزی که باید انتظارشو داشت برنامه‌های تلویزیونی خوبه.

And if data analysis does not work that way,

اگر تجزیه و تحلیل داده‌ها خوب کار نکنه،

then it actually gets a little scary,

یه جورایی قضیه ترسناک میشه،

because we live in a time where we're turning to data more and more

چون داریم تو دوره‌ای زندگی میکنیم که خیلی بیشتر از قبل به اطلاعات نیاز داریم

to make very serious decisions that go far beyond TV.

برای گرفتن تصمیمهایی که خیلی فراتر از برنامه های تلویزونیه.

Does anyone here know the company Multi-Health Systems?

کسی اینجا شرکت "Multi-Health Systems" رو میشناسه؟

No one. OK, that's good actually.

هیچ کس. خوب این واقعاً خوبه

OK, so Multi-Health Systems is a software company,

"Multi-Health Systems" یه شرکت نرم افزاریه

and I hope that nobody here in this room

و امیدوارم هیچ کسی اینجا

ever comes into contact with that software,

تا حالا به اون برنامشون بر نخورده باشه،

because if you do, it means you're in prison.

چون انجام این کار مساوی با زندانی شدنتون هست.

(Laughter)

(خنده)

If someone here in the US is in prison, and they apply for parole,

اگر اینجا، در آمریکا کسی در زندان باشه و درخواست آزادی مشروط کنه،

then it's very likely that data analysis software from that company

به احتمال خیلی زیاد نرم افزار تحلیل اطلاعات این شرکت

will be used in determining whether to grant that parole.

بکار میره تا تعین کنند این آزادی به فرد تعلق میگیره یا نه.

So it's the same principle as Amazon and Netflix,

یعنی اصولش مثل آمازون و نتفلیکس میمونه،

but now instead of deciding whether a TV show is going to be good or bad,

اما به جای اینکه تصمیم بگیرن که یه برنامه تلویزیونی خوبه یا بد،

you're deciding whether a person is going to be good or bad.

اونها تصمیم میگیرن که آیا یک نفر خوبه یا بد.

And mediocre TV, 22 minutes, that can be pretty bad,

و اگه فرد هم مثل سریالهای متوسط ۲۲ دقیقه‌ای تلویزیون خیلی بد باشه،

but more years in prison, I guess, even worse.

خوب سالهای بیشتری باید در زندان باشه شایدم بدتر از این.

And unfortunately, there is actually some evidence that this data analysis,

متأسفانه شواهدی هست که نشون میده این تحلیل اطلاعات

despite having lots of data, does not always produce optimum results.

با اینکه حجم زیادی داده داره همیشخ بهترین نتیجه رو نداره.

And that's not because a company like Multi-Health Systems

نه به این خاطر که شر کتی مثل "Multi-Health Systems"

doesn't know what to do with data.

نمیدونه با این اطلاعات چه کار کنه.

Even the most data-savvy companies get it wrong.

حتی بیشتر شرکتهای خوره اطلاعات هم اشتباه میکنن.

Yes, even Google gets it wrong sometimes.

بله حتی گاهی گوگل هم اشتباه میکنه.

In 2009, Google announced that they were able, with data analysis,

سال ۲۰۰۹، گوگل اعلام کرد که اونها با تحلیل داده‌ها تونستن،

to predict outbreaks of influenza, the nasty kind of flu,

شیوع آنفولانزا رو پیش بینی کنن، اون هم از اون نوع خیلی بدش،

by doing data analysis on their Google searches.

با کمک تحلیل اطلاعات بدست اومده از جستجوهای گوگلی.

And it worked beautifully, and it made a big splash in the news,

خوب این مسئله خیلی عالی کار کرد و مثله بمب تو خبرها ترکید،

including the pinnacle of scientific success:

و در زمره بهترینهای علمی قرار گرفت.

a publication in the journal "Nature."

یعنی انتشار این کار در مجله "Nature".

It worked beautifully for year after year after year,

این روش برای سالهای متمادی خیلی خوب جواب داد،

until one year it failed.

تا اینکه یک سال شکست خورد.

And nobody could even tell exactly why.

هیچ کسم نمیتونست بگه دقیقاً به چه علت.

It just didn't work that year,

فقط اون سال جواب نداد، همین

and of course that again made big news,

خوب معلومه که این مسئله هم خبرساز شد،

including now a retraction

از جمله اعلام اشتباه

of a publication from the journal "Nature."

در یکی از شماره های مجله نیچر.

So even the most data-savvy companies, Amazon and Google,

ببینید، بزرگترین شرکت های خوره اطلاعات مثله آمازون و گوگل،

they sometimes get it wrong.

هم اشتباه می کنن.

And despite all those failures,

و علی رغم تمام این اشتباهات،

data is moving rapidly into real-life decision-making --

اطلاعات به سرعت وارد تصمیم گیری درزندگی روزمرمون میشن--

into the workplace,

مثلا سر کارمون،

law enforcement,

اجرای قانون،

medicine.

دارو.

So we should better make sure that data is helping.

با این تفاصیل بهتره مطمئن بشیم که اطلاعات دارن به ما کمک می کنن.

Now, personally I've seen a lot of this struggle with data myself,

من خودم شخصاً با اطلاعات درگیری‌های زیادی داشتم،

because I work in computational genetics,

چون در زمینه ژنتیک محاسباتی کارمی‌کنم،

which is also a field where lots of very smart people

در این زمینه انسانهای بسیار با هوشی

are using unimaginable amounts of data to make pretty serious decisions

حجمی باور نکردنی از اطلاعات رو برای گرفتن تصمیمات جدی بکار میبرن

like deciding on a cancer therapy or developing a drug.

مثل تصمیمات مربوط به درمان سرطان یا ساختن یک دارو.

And over the years, I've noticed a sort of pattern

در مدت چند سال من متوجه نوعی الگو

or kind of rule, if you will, about the difference

یا قانون درباره تفاوت بین

between successful decision-making with data

تصمیم‌گیریهای موفق با استفاده از اطلاعات

and unsuccessful decision-making,

و تصمیم‌گیریهای ناموفق شدم،

and I find this a pattern worth sharing, and it goes something like this.

و الگویی پیدا کردم که ارزش به اشتراک گذاشتن داره.

So whenever you're solving a complex problem,

وقتی شما دارید یه مسئله پیچیده رو حل میکنید،

you're doing essentially two things.

الزاماً دو کار رو انجام می‌دهید.

The first one is, you take that problem apart into its bits and pieces

اول اینکه اون مسئله رو به اجزاء کوچکتر می‌شکنید

so that you can deeply analyze those bits and pieces,

تا بتونید اون اجزاء رو تجزیه وتحلیل کنید.

and then of course you do the second part.

خوب بعدشم مرحله دوم را انجام میدین.

You put all of these bits and pieces back together again

یعنی دوباره این اجزا رو به هم می‌چسبونید

to come to your conclusion.

تا به نتیجه برسید.

And sometimes you have to do it over again,

گاهی هم باید این کار رو چندین بار انجام بدین،

but it's always those two things:

اما همیشه همین دوتا مرحله هست:

taking apart and putting back together again.

جدا کردن و به هم چسبوندن.

And now the crucial thing is

اما چیزی که مسئله میسازه اینه که

that data and data analysis

اطلاعات و تجزیه و تحلیل

is only good for the first part.

فقط برای بخش اول خوبه.

Data and data analysis, no matter how powerful,

اطلاعات و تجزیه و تحلیل، هر قدر قدرتمند باشه،

can only help you taking a problem apart and understanding its pieces.

فقط به شما کمک میکنه مسئله رو بشکنید و اجزاء اون رو درک کنید.

It's not suited to put those pieces back together again

اما اصلا برای به هم چسبوندشون مناسب نیست

and then to come to a conclusion.

تا بشه به یک نتیجه رسید.

There's another tool that can do that, and we all have it,

ابزار دیگری وجود داره که میتونه این کار رو انجام بده،

and that tool is the brain.

اون ابزارهم مغزماست.

If there's one thing a brain is good at,

اگر مغز فقط تو یه کار خوب باشه،

it's taking bits and pieces back together again,

اینه که اجزاء رو دوباره به هم بچسبونه،

even when you have incomplete information,

حتی وقتی اطلاعاتتون کامل نباشه،

and coming to a good conclusion,

تا به یک نتیجه خوب رسید،

especially if it's the brain of an expert.

بخصوص اگه مغز یک متخصص باشه.

And that's why I believe that Netflix was so successful,

برای همینه که من فکر میکنم نتفلیکس خیلی موفق بود،

because they used data and brains where they belong in the process.

چون اونها از اطلاعات و مغز در جای مناسبشون استفاده کردن.

They use data to first understand lots of pieces about their audience

اول از اطلاعات استفاده کردن تا اجزاء زیادی رو درباره مخاطبینشون بفهمن

that they otherwise wouldn't have been able to understand at that depth,

غیر از این نمیتونستن اینقدر عمیق متوجه بشن،

but then the decision to take all these bits and pieces

اما بعدش، موقع تصمیم درباره بهم چسبودن اطلاعات

and put them back together again and make a show like "House of Cards,"

و ساختن سریال خانه پوشالی

that was nowhere in the data.

از اطلاعات استفاده نکردن.

Ted Sarandos and his team made that decision to license that show,

تد ساراندوز و تیمش بودن که تصمیم گرفتن اون برنامه رو بسازن،

which also meant, by the way, that they were taking

که معنیش اینه که اونها

a pretty big personal risk with that decision.

با گرفتن اون تصمیم ریسک خیلی بزرگی کردن.

And Amazon, on the other hand, they did it the wrong way around.

اما آمازون بی راهه رفت.

They used data all the way to drive their decision-making,

اونها از اطلاعات برای تصمیم گیری استفاده کردن،

first when they held their competition of TV ideas,

اول جایی که مسابقه ایده‌های تلویزیونی راه افتاد،

then when they selected "Alpha House" to make as a show.

بعدشم انتخاب« خانه آلفا»به عنوان برنامه تلویزونیشون.

Which of course was a very safe decision for them,

البته این تصمیم برای اونها کاملا مطمئن بود،

because they could always point at the data, saying,

چون همیشه میتونستن به اطلاعاتشون اشاره کنن و بگن،

"This is what the data tells us."

«این چیزیه که اطلاعات به ما میگه.»

But it didn't lead to the exceptional results that they were hoping for.

اما این کار به نتیجه فوق العاده‌ای که دنبالش بودن ختم نشد.

So data is of course a massively useful tool to make better decisions,

خوب اطلاعات بدون شک ابزاری بسیار کاربردی برای تصمیم گیریه،

but I believe that things go wrong

اما فکر میکنم اون موارد موقعی اشتباه از کار در اومد

when data is starting to drive those decisions.

که خود همون اطلاعات تصمیم گیرنده بود.

No matter how powerful, data is just a tool,

اطلاعات هرقدرم قوی باشه چیزی جز یک ابزار نیست،

and to keep that in mind, I find this device here quite useful.

برای اینکه این مسئله رو به ذهن بسپاریم این وسیله خیلی کمکمون میکنه.

Many of you will ...

خیلیهاتون میدونید--

(Laughter)

(خنده)

Before there was data,

قبل از اطلاعات،

this was the decision-making device to use.

از این برایه تصمیم گیری استفاده میکردن.

(Laughter)

(خنده)

Many of you will know this.

خیلیهاتون باهاش آشنایید.

This toy here is called the Magic 8 Ball,

به این ماسماسک میگن «توپ ۸ جادویی»،

and it's really amazing,

و واقعاً چیزِ جالبیه،

because if you have a decision to make, a yes or no question,

چون وقتی میخواید تصمیمی بگیرید و موندید بله بگید یا نه،

all you have to do is you shake the ball, and then you get an answer --

کافیه که توپ رو تکون بدید و بعدش جواب رو بفهمید--

"Most Likely" -- right here in this window in real time.

جوابم اینه،«به احتمال خیلی زیاد» دقیقا اینجا در دنیای واقعی.

I'll have it out later for tech demos.

بعداً برای دموهای تکنولوژی میندازمش کنار.

(Laughter)

(خنده)

Now, the thing is, of course -- so I've made some decisions in my life

خوب مسئله اینه که منم هم تصمیماتی در زندگیم گرفتم

where, in hindsight, I should have just listened to the ball.

جایی که با نگاهی به گذشته به حرفای این توپ گوش دادم.

But, you know, of course, if you have the data available,

اما اگه اطلاعاتی در دست دارید،

you want to replace this with something much more sophisticated,

بهتره توپ را با چیزی ماهرانه‌تر جایگزین کنید،

like data analysis to come to a better decision.

مثلا تجزیه و تحلیل اطلاعات برای تصمیم‌گیری.

But that does not change the basic setup.

اما اصل قضیه فرقی نمیکنه.

So the ball may get smarter and smarter and smarter,

این توپ همچنان باهوشتر و با هوشتر میشه،

but I believe it's still on us to make the decisions

من همچنان فکر میکنم ما خودمون باید تصمیم بگیریم

if we want to achieve something extraordinary,

اگز بخواهیم به چیز فوق العاده ای برسیم،

on the right end of the curve.

یعنی سمت راست این منحنی.

And I find that a very encouraging message, in fact,

پیام الهام بخشی که من در این قضیه متوجه شدم،

that even in the face of huge amounts of data,

اینه که حتی با داشتن حجم زیادی از اطلاعات،

it still pays off to make decisions,

هنوز هم می ارزه که تصمیم بگیرید،

to be an expert in what you're doing

تا بتونید در کارتون خبره بشین

and take risks.

و خطر کنید.

Because in the end, it's not data,

چن در آخر، این اطلاعات نیست که شما رو

it's risks that will land you on the right end of the curve.

به سمت راست منحنی میبره، بلکه ریسکه.

Thank you.

متشکرم.

(Applause)

(تشویق)