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

133,036 views ・ 2016-01-27

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Tibor Somogyi Lektor: Zsuzsanna Lőrincz
00:12
Roy Price is a man that most of you have probably never heard about,
0
12820
4276
A legtöbben valószínűleg még nem hallottatok Roy Price-ről,
00:17
even though he may have been responsible
1
17120
2496
pedig lehet, hogy neki köszönhettek
00:19
for 22 somewhat mediocre minutes of your life on April 19, 2013.
2
19640
6896
az életetekből kb. 22 középszerű percet 2013. április 19-én.
00:26
He may have also been responsible for 22 very entertaining minutes,
3
26560
3176
Szintén lehet, hogy ő volt a felelős 22 nagyon szórakoztató percért
00:29
but not very many of you.
4
29760
2256
de nem sok ember számára.
00:32
And all of that goes back to a decision
5
32040
1896
És mindez egy döntésből fakad,
00:33
that Roy had to make about three years ago.
6
33960
2000
amit Roy-nak kb. 3 éve kellett meghoznia.
00:35
So you see, Roy Price is a senior executive with Amazon Studios.
7
35984
4832
Roy Price felsővezető az Amazon Studios-nál.
00:40
That's the TV production company of Amazon.
8
40840
3016
Ez az Amazon tv-s produkciós cége.
00:43
He's 47 years old, slim, spiky hair,
9
43880
3256
Roy 47 éves, vékony, tüskés hajú,
00:47
describes himself on Twitter as "movies, TV, technology, tacos."
10
47160
4816
Twitteren így jellemzi magát: "filmek, tv, technológia, taco."
00:52
And Roy Price has a very responsible job, because it's his responsibility
11
52000
5176
Roy Price-nak nagyon felelősségteljes munkája van, mert az ő felelőssége
00:57
to pick the shows, the original content that Amazon is going to make.
12
57200
4056
kiválasztani a sorozatokat, az eredeti tartalmat, amit az Amazon elkészít.
01:01
And of course that's a highly competitive space.
13
61280
2336
Ez természetesen nagyon kompetitív.
01:03
I mean, there are so many TV shows already out there,
14
63640
2736
Hiszen már most nagyon sok tv show létezik,
01:06
that Roy can't just choose any show.
15
66400
2176
Roy pedig nem választhat bármit.
01:08
He has to find shows that are really, really great.
16
68600
4096
Meg kell találnia a nagyon, nagyon jó show-kat.
01:12
So in other words, he has to find shows
17
72720
2816
Más szóval, meg kell találnia azokat a show-kat,
01:15
that are on the very right end of this curve here.
18
75560
2376
amelyek ennek a görbének a jó végén vannak.
01:17
So this curve here is the rating distribution
19
77960
2656
Ez a görbe kb. 2500 tv show
01:20
of about 2,500 TV shows on the website IMDB,
20
80640
4376
értékelési statisztikáját mutatja az IMDB weboldalán
01:25
and the rating goes from one to 10,
21
85040
2896
1-10-es skálán.
01:27
and the height here shows you how many shows get that rating.
22
87960
2976
Itt pedig azt látjuk, mennyi show kapja az adott osztályzatot.
01:30
So if your show gets a rating of nine points or higher, that's a winner.
23
90960
4696
Ha a műsorod 9 pontot, vagy többet kap, az nyerő.
01:35
Then you have a top two percent show.
24
95680
1816
Az egy top 2%-ba tartozó show.
01:37
That's shows like "Breaking Bad," "Game of Thrones," "The Wire,"
25
97520
3896
Mint pl. a "Totál szívás", a "Trónok harca", vagy a "A drót".
01:41
so all of these shows that are addictive,
26
101440
2296
Olyan addiktív sorozatok,
01:43
whereafter you've watched a season, your brain is basically like,
27
103760
3056
amik egy évad megnézése után felvetik a kérdést:
01:46
"Where can I get more of these episodes?"
28
106840
2176
"Hol találom az újabb részeket?"
01:49
That kind of show.
29
109040
1200
Ilyenek.
01:50
On the left side, just for clarity, here on that end,
30
110920
2496
A skála bal szélén
01:53
you have a show called "Toddlers and Tiaras" --
31
113440
3176
van pl. az "Apró szépségek" --
01:56
(Laughter)
32
116640
2656
(Nevetés)
01:59
-- which should tell you enough
33
119320
1536
-- ami sokat elmond arról,
02:00
about what's going on on that end of the curve.
34
120880
2191
hogy mi zajlik a görbe rosszabbik végén.
02:03
Now, Roy Price is not worried about getting on the left end of the curve,
35
123095
4161
Roy Price nem amiatt aggódik, hogy a görbe bal felére kerül,
02:07
because I think you would have to have some serious brainpower
36
127280
2936
mert komoly agymunka kellene hozzá, hogy rosszabbat csináljon
02:10
to undercut "Toddlers and Tiaras."
37
130240
1696
mint az "Apró szépségek".
02:11
So what he's worried about is this middle bulge here,
38
131960
3936
Ami miatt aggódhat, az a középső rész,
02:15
the bulge of average TV,
39
135920
1816
az átlagos sorozatok része.
02:17
you know, those shows that aren't really good or really bad,
40
137760
2856
Azok a sorozatok, amik nem igazán jók vagy rosszak,
02:20
they don't really get you excited.
41
140639
1656
nem hoznak izgalomba.
02:22
So he needs to make sure that he's really on the right end of this.
42
142320
4856
Biztosra kell mennie, hogy ennek a jó oldalán legyen.
02:27
So the pressure is on,
43
147200
1576
Tehát nagy a nyomás,
02:28
and of course it's also the first time
44
148800
2176
és ez az első alkalom,
02:31
that Amazon is even doing something like this,
45
151000
2176
hogy az Amazon ilyesmit csinál,
02:33
so Roy Price does not want to take any chances.
46
153200
3336
tehát Roy Price semmit sem akar kockáztatni.
02:36
He wants to engineer success.
47
156560
2456
Sikert akar építeni.
02:39
He needs a guaranteed success,
48
159040
1776
Garantált sikerre van szüksége.
02:40
and so what he does is, he holds a competition.
49
160840
2576
Ennek érdekében versenyhelyzetet teremt.
02:43
So he takes a bunch of ideas for TV shows,
50
163440
3136
Fog egy csomó sorozatötletet,
02:46
and from those ideas, through an evaluation,
51
166600
2296
az ötleteket értékelik,
02:48
they select eight candidates for TV shows,
52
168920
4096
és kiválasztanak 8 sorozatjelölt show-t.
02:53
and then he just makes the first episode of each one of these shows
53
173040
3216
Aztán csak a sorozatok első részeit készíti el,
02:56
and puts them online for free for everyone to watch.
54
176280
3136
online elérhetővé teszik, ahol mindenki megnézheti.
02:59
And so when Amazon is giving out free stuff,
55
179440
2256
Amikor pedig az Amazon ingyen ad valamit,
03:01
you're going to take it, right?
56
181720
1536
lecsapunk rá, igaz?
03:03
So millions of viewers are watching those episodes.
57
183280
5136
Milliónyi néző tekinti meg ezeket az epizódokat.
03:08
What they don't realize is that, while they're watching their shows,
58
188440
3216
Amit nem realizálnak, hogy a show nézése közben
03:11
actually, they are being watched.
59
191680
2296
igazából őket figyelik.
03:14
They are being watched by Roy Price and his team,
60
194000
2336
Őket figyeli Roy Price és csapata,
03:16
who record everything.
61
196360
1376
akik mindent rögzítenek.
03:17
They record when somebody presses play, when somebody presses pause,
62
197760
3376
Rögzítik, ha valaki elindít, szünetel egy videót,
03:21
what parts they skip, what parts they watch again.
63
201160
2536
melyik részeket ugorja át, mely részeket néznek újra.
03:23
So they collect millions of data points,
64
203720
2256
És így milliónyi adatpontokat gyűjtenek,
03:26
because they want to have those data points
65
206000
2096
mert szükségük van az adatpontokra,
03:28
to then decide which show they should make.
66
208120
2696
hogy eldönthessék, melyik show-t rendeljék be.
03:30
And sure enough, so they collect all the data,
67
210840
2176
És be is gyűjtik az adatokat,
03:33
they do all the data crunching, and an answer emerges,
68
213040
2576
kielemzik őket, és előáll egy válasz.
03:35
and the answer is,
69
215640
1216
A válasz pedig:
03:36
"Amazon should do a sitcom about four Republican US Senators."
70
216880
5536
"Az Amazonnak csinálnia kell egy szitkomot 4 republikánus amerikai szenátorról."
03:42
They did that show.
71
222440
1216
Meg is csinálták.
03:43
So does anyone know the name of the show?
72
223680
2160
Ismeri valaki a sorozatot?
03:46
(Audience: "Alpha House.")
73
226720
1296
(Közönség: "Alpha House")
03:48
Yes, "Alpha House,"
74
228040
1456
Igen, "Alpha House,"
03:49
but it seems like not too many of you here remember that show, actually,
75
229520
4096
de úgy tűnik, igazából nem sokan emlékeztek rá,
03:53
because it didn't turn out that great.
76
233640
1856
mert nem volt jó.
03:55
It's actually just an average show,
77
235520
1856
Csak egy átlagos sorozat volt.
03:57
actually -- literally, in fact, because the average of this curve here is at 7.4,
78
237400
4576
Tényleg átlagos, mert a görbe átlaga 7,4 körül van,
04:02
and "Alpha House" lands at 7.5,
79
242000
2416
Az "Alpha House"-t pedig 7,5-re értékelték,
04:04
so a slightly above average show,
80
244440
2016
picit jobbra, mint egy átlagos show-t.
04:06
but certainly not what Roy Price and his team were aiming for.
81
246480
2920
De Roy Price és csapata célja egyáltalán nem ez volt.
04:10
Meanwhile, however, at about the same time,
82
250320
2856
Eközben nagyjából ugyanekkor,
04:13
at another company,
83
253200
1576
egy másik cégnél
04:14
another executive did manage to land a top show using data analysis,
84
254800
4216
egy másik vezető top sorozatot gyártott adatelemzés segítségével,
04:19
and his name is Ted,
85
259040
1576
az ő neve Ted,
04:20
Ted Sarandos, who is the Chief Content Officer of Netflix,
86
260640
3416
Ted Sarandos, a Netflix tartalmakért felelős nagyfőnöke.
04:24
and just like Roy, he's on a constant mission
87
264080
2136
Akinek állandó feladata Roy-hoz hasonlóan
04:26
to find that great TV show,
88
266240
1496
rátalálni a sikersorozatokra.
04:27
and he uses data as well to do that,
89
267760
2016
Ő is adatokat elemez ennek érdekében,
04:29
except he does it a little bit differently.
90
269800
2015
viszont egy kicsit másképp csinálja.
04:31
So instead of holding a competition, what he did -- and his team of course --
91
271839
3737
Ahelyett, hogy versenyeztetné a sorozatokat,
04:35
was they looked at all the data they already had about Netflix viewers,
92
275600
3536
csapatával megvizsgálta a Netflix már létező adatait a nézőkről.
04:39
you know, the ratings they give their shows,
93
279160
2096
Olyanokat, mint az értékelések,
04:41
the viewing histories, what shows people like, and so on.
94
281280
2696
a korábban nézett sorozatok, mely show-kat kedvelik stb.
04:44
And then they use that data to discover
95
284000
1896
És ezeket az adatokat arra használják,
04:45
all of these little bits and pieces about the audience:
96
285920
2616
hogy minden apró részletet megtudjanak a közönségről:
04:48
what kinds of shows they like,
97
288560
1456
milyen sorozatokat kedvelnek,
04:50
what kind of producers, what kind of actors.
98
290040
2096
milyen producereket, milyen színészeket.
04:52
And once they had all of these pieces together,
99
292160
2576
És amikor összerakták a kirakót,
04:54
they took a leap of faith,
100
294760
1656
hittek benne, és úgy döntöttek,
04:56
and they decided to license
101
296440
2096
hogy nem egy 4 szenátorról
04:58
not a sitcom about four Senators
102
298560
2456
szóló szitkomot készítenek,
05:01
but a drama series about a single Senator.
103
301040
2880
hanem egy drámasorozatot egy szenátorról.
05:04
You guys know the show?
104
304760
1656
Ismeritek a sorozatot?
05:06
(Laughter)
105
306440
1296
(Nevetés)
05:07
Yes, "House of Cards," and Netflix of course, nailed it with that show,
106
307760
3736
Igen, a "Kártyavár", ami nagyon bejött a Netflixnek,
05:11
at least for the first two seasons.
107
311520
2136
legalábbis az első két évadban.
05:13
(Laughter) (Applause)
108
313680
3976
(Nevetés) (Taps)
05:17
"House of Cards" gets a 9.1 rating on this curve,
109
317680
3176
A "Kártyavár" 9,1-es értékelést kapott ezen a görbén,
05:20
so it's exactly where they wanted it to be.
110
320880
3176
ezzel pontosan ott van, ahova tervezték.
05:24
Now, the question of course is, what happened here?
111
324080
2416
A kérdés a következő: mi történt?
05:26
So you have two very competitive, data-savvy companies.
112
326520
2656
Adott két nagyon kompetitív, adatmániás cég.
05:29
They connect all of these millions of data points,
113
329200
2856
Milliónyi adatpontokat gyűjtenek,
05:32
and then it works beautifully for one of them,
114
332080
2376
aztán az egyiküknek összejön,
05:34
and it doesn't work for the other one.
115
334480
1856
míg a másiknak nem.
05:36
So why?
116
336360
1216
Miért?
05:37
Because logic kind of tells you that this should be working all the time.
117
337600
3456
A logika szerint mindig működnie kellene.
05:41
I mean, if you're collecting millions of data points
118
341080
2456
Úgy értem, ha egy meghozandó döntésről
05:43
on a decision you're going to make,
119
343560
1736
milliónyi adatpontot összegyűjtesz,
05:45
then you should be able to make a pretty good decision.
120
345320
2616
abból elég jó döntésre lehetne következtetni.
05:47
You have 200 years of statistics to rely on.
121
347960
2216
200 évnyi statisztikára alapozhatod,
05:50
You're amplifying it with very powerful computers.
122
350200
3016
nagyon erős számítógépek segítségével.
05:53
The least you could expect is good TV, right?
123
353240
3280
A minimum, amit elvársz, az a jó tv, nem igaz?
05:57
And if data analysis does not work that way,
124
357880
2720
Amikor pedig az adatelemzés nem így működik,
06:01
then it actually gets a little scary,
125
361520
2056
egy kissé ijesztővé válik a helyzet,
06:03
because we live in a time where we're turning to data more and more
126
363600
3816
mert olyan korban élünk, amikor egyre többször fordulunk az adatokhoz,
06:07
to make very serious decisions that go far beyond TV.
127
367440
4480
hogy a tv-nél sokkal komolyabb döntéseket hozzunk.
06:12
Does anyone here know the company Multi-Health Systems?
128
372760
3240
Ismeri valaki a Multi-Health Systems céget?
06:17
No one. OK, that's good actually.
129
377080
1656
Senki. Oké, az a jó.
06:18
OK, so Multi-Health Systems is a software company,
130
378760
3216
A Multi-Health Systems egy szoftvercég,
06:22
and I hope that nobody here in this room
131
382000
2816
és remélem, a jelenlévők közül
06:24
ever comes into contact with that software,
132
384840
3176
soha, senkinek nem kell használnia a szoftverüket.
06:28
because if you do, it means you're in prison.
133
388040
2096
Mert aki használja, börtönben van.
06:30
(Laughter)
134
390160
1176
(Nevetés)
06:31
If someone here in the US is in prison, and they apply for parole,
135
391360
3536
Ha valaki az USA-ban börtönben van, és feltételest kérvényez,
06:34
then it's very likely that data analysis software from that company
136
394920
4296
nagy eséllyel a cég adatelemző szoftverét
06:39
will be used in determining whether to grant that parole.
137
399240
3616
fogják használni a döntésnél.
06:42
So it's the same principle as Amazon and Netflix,
138
402880
2576
Az elv ugyanaz, mint az Amazonnál és a Netflixnél,
06:45
but now instead of deciding whether a TV show is going to be good or bad,
139
405480
4616
de nem egy tv show-ról döntik el, hogy jó, vagy rossz-e,
06:50
you're deciding whether a person is going to be good or bad.
140
410120
2896
hanem arról, hogy egy ember jó, vagy rossz-e.
06:53
And mediocre TV, 22 minutes, that can be pretty bad,
141
413040
5496
Egy középszerű, 22 perces sorozat is elég rossz lehet,
06:58
but more years in prison, I guess, even worse.
142
418560
2640
de több év börtönben szerintem még rosszabb.
07:02
And unfortunately, there is actually some evidence that this data analysis,
143
422360
4136
Sajnos van rá bizonyíték, hogy ez az adatelemzés
07:06
despite having lots of data, does not always produce optimum results.
144
426520
4216
a sok adat ellenére, nem mindig zárul optimális eredményekkel.
07:10
And that's not because a company like Multi-Health Systems
145
430760
2722
De nem azért, mert a Multi-Health Systems és hasonló cégek
07:13
doesn't know what to do with data.
146
433506
1627
nem tudják az adatokat kezelni.
07:15
Even the most data-savvy companies get it wrong.
147
435158
2298
Még a legprofibb adatelemző cégek is elrontják.
07:17
Yes, even Google gets it wrong sometimes.
148
437480
2400
Igen, néha még a Google is.
07:20
In 2009, Google announced that they were able, with data analysis,
149
440680
4496
2009-ben a Google bejelentette, hogy adatelemzéssel
07:25
to predict outbreaks of influenza, the nasty kind of flu,
150
445200
4136
előre tudják jelezni az influenzajárvány kitöréseit,
07:29
by doing data analysis on their Google searches.
151
449360
3776
a Google keresések adatelemzésével.
07:33
And it worked beautifully, and it made a big splash in the news,
152
453160
3856
Nagyszerűen működött, nagy visszhangja volt a hírekben,
07:37
including the pinnacle of scientific success:
153
457040
2136
többek között a tudományos siker tetőpontján,
07:39
a publication in the journal "Nature."
154
459200
2456
a "Nature" folyóiratban is publikálták.
07:41
It worked beautifully for year after year after year,
155
461680
3616
Gyönyörűen működött évről évre,
07:45
until one year it failed.
156
465320
1656
amíg egyszer csak mégsem.
07:47
And nobody could even tell exactly why.
157
467000
2256
Senki sem tudta, hogy pontosan miért.
07:49
It just didn't work that year,
158
469280
1696
Egyszerűen nem működött akkor,
07:51
and of course that again made big news,
159
471000
1936
persze megint nagy visszhangot keltett,
07:52
including now a retraction
160
472960
1616
visszavonták a "Nature"-ben
07:54
of a publication from the journal "Nature."
161
474600
2840
megjelent publikációt is.
07:58
So even the most data-savvy companies, Amazon and Google,
162
478480
3336
Tehát még a legjobb adatelemző cégek, az Amazon és a Google is
08:01
they sometimes get it wrong.
163
481840
2136
elrontja néha.
08:04
And despite all those failures,
164
484000
2936
Mindezen kudarcok ellenére
08:06
data is moving rapidly into real-life decision-making --
165
486960
3856
az adatok villámgyorsan épülnek be az igazi döntéshozatalba
08:10
into the workplace,
166
490840
1816
a munkahelyen,
08:12
law enforcement,
167
492680
1816
a jogalkalmazásban,
08:14
medicine.
168
494520
1200
a gyógyászatban.
08:16
So we should better make sure that data is helping.
169
496400
3336
Ezért biztosra kell mennünk, hogy az adatok segítenek.
08:19
Now, personally I've seen a lot of this struggle with data myself,
170
499760
3136
Személy szerint sok küzdelmet megéltem adatokkal,
08:22
because I work in computational genetics,
171
502920
1976
mert számítógépes genomikával foglalkozom
08:24
which is also a field where lots of very smart people
172
504920
2496
és ezen a területen sok nagyon okos ember
08:27
are using unimaginable amounts of data to make pretty serious decisions
173
507440
3656
használ elképzelhetetlen mennyiségű adatot fontos döntések meghozatalára,
08:31
like deciding on a cancer therapy or developing a drug.
174
511120
3560
pl. rákterápiát és új gyógyszereket érintő kérdésekben.
08:35
And over the years, I've noticed a sort of pattern
175
515520
2376
Az évek során észrevettem egy mintát
08:37
or kind of rule, if you will, about the difference
176
517920
2456
vagy egy szabályt
08:40
between successful decision-making with data
177
520400
2696
az adatok segítségével történő sikeres és sikertelen
08:43
and unsuccessful decision-making,
178
523120
1616
döntéshozatal között.
08:44
and I find this a pattern worth sharing, and it goes something like this.
179
524760
3880
Úgy gondolom, érdemes megosztanom ezt a mintát.
08:50
So whenever you're solving a complex problem,
180
530520
2135
Amikor egy komplex problémával nézünk szembe,
08:52
you're doing essentially two things.
181
532679
1737
lényegében két dolgot csinálunk.
08:54
The first one is, you take that problem apart into its bits and pieces
182
534440
3296
Az első: darabokra szedjük a problémát,
08:57
so that you can deeply analyze those bits and pieces,
183
537760
2496
hogy azokat a darabokat behatóan elemezzük.
09:00
and then of course you do the second part.
184
540280
2016
Aztán jön a második rész,
09:02
You put all of these bits and pieces back together again
185
542320
2656
amikor újra összerakjuk a darabkákat,
09:05
to come to your conclusion.
186
545000
1336
hogy konklúzióra jussunk.
09:06
And sometimes you have to do it over again,
187
546360
2336
Néha újra és újra meg kell csinálnunk,
09:08
but it's always those two things:
188
548720
1656
de mindig ez a két rész a fontos:
09:10
taking apart and putting back together again.
189
550400
2320
szétszedni és újra összerakni.
09:14
And now the crucial thing is
190
554280
1616
A kritikus rész az,
09:15
that data and data analysis
191
555920
2896
hogy az adatok és az adatelemzés
09:18
is only good for the first part.
192
558840
2496
csak az első részre jók.
09:21
Data and data analysis, no matter how powerful,
193
561360
2216
Az adatok és az adatelemzés, mindegy, milyen jó,
09:23
can only help you taking a problem apart and understanding its pieces.
194
563600
4456
csak a probléma szétszedésében és a darabok megértésében segíthet.
09:28
It's not suited to put those pieces back together again
195
568080
3496
Nem alkalmas a darabok újbóli összerakására,
09:31
and then to come to a conclusion.
196
571600
1896
majd a konklúzió meghozatalára.
09:33
There's another tool that can do that, and we all have it,
197
573520
2736
Van erre egy másik eszközünk, amivel mindenki rendelkezik.
09:36
and that tool is the brain.
198
576280
1296
Ez az eszköz az agyunk.
09:37
If there's one thing a brain is good at,
199
577600
1936
Ha valamire jó az agyunk,
09:39
it's taking bits and pieces back together again,
200
579560
2256
az a darabkák újra összerakása,
09:41
even when you have incomplete information,
201
581840
2016
akkor is, ha az információ nem teljes,
09:43
and coming to a good conclusion,
202
583880
1576
és a jó következtetés,
09:45
especially if it's the brain of an expert.
203
585480
2936
különösképp, ha az agy egy szakértőé.
09:48
And that's why I believe that Netflix was so successful,
204
588440
2656
Szerintem a Netflix azért olyan sikeres,
09:51
because they used data and brains where they belong in the process.
205
591120
3576
mert ott használják az adatokat és az agyat, ahol szükséges.
09:54
They use data to first understand lots of pieces about their audience
206
594720
3536
Először az adatokat használják, hogy megtudjanak sok mindent a közönségről,
09:58
that they otherwise wouldn't have been able to understand at that depth,
207
598280
3416
amit másképp nem tudnának olyan mélyen megérteni,
10:01
but then the decision to take all these bits and pieces
208
601720
2616
de a döntés a darabkák összerakásáról
10:04
and put them back together again and make a show like "House of Cards,"
209
604360
3336
egy olyan sorozat létrehozásánál, mint a "Kártyavár",
10:07
that was nowhere in the data.
210
607720
1416
az nem az adatoknak köszönhető.
10:09
Ted Sarandos and his team made that decision to license that show,
211
609160
3976
Ted Sarandos és csapata hozta a döntést a sorozat berendeléséről,
10:13
which also meant, by the way, that they were taking
212
613160
2381
ami azt is jelentette, hogy elég nagy
10:15
a pretty big personal risk with that decision.
213
615565
2851
személyes kockázatot vállaltak vele.
10:18
And Amazon, on the other hand, they did it the wrong way around.
214
618440
3016
Az Amazonnál pedig rosszul csinálták.
10:21
They used data all the way to drive their decision-making,
215
621480
2736
Végig adatokat használtak a döntéshozatalban.
10:24
first when they held their competition of TV ideas,
216
624240
2416
Először amikor versenyeztették az ötleteket,
10:26
then when they selected "Alpha House" to make as a show.
217
626680
3696
majd amikor kiválasztották az "Alpha House"-t.
10:30
Which of course was a very safe decision for them,
218
630400
2496
Ami persze nagyon biztonságos döntés volt számukra,
10:32
because they could always point at the data, saying,
219
632920
2456
mert mindig mutogathattak az adatokra, mondván, hogy
10:35
"This is what the data tells us."
220
635400
1696
"Az adatokból ez következik."
10:37
But it didn't lead to the exceptional results that they were hoping for.
221
637120
4240
De mégsem hozta az elvárt kiugró eredményeket.
10:42
So data is of course a massively useful tool to make better decisions,
222
642120
4976
Az adatelemzés persze nagyon hasznos eszköz a jobb döntéshozatalban,
10:47
but I believe that things go wrong
223
647120
2376
de szerintem az már rossz,
10:49
when data is starting to drive those decisions.
224
649520
2576
ha adatok kezdik meghatározni a döntéseket.
10:52
No matter how powerful, data is just a tool,
225
652120
3776
Mindegy, milyen erőteljes, az adat csak eszköz.
10:55
and to keep that in mind, I find this device here quite useful.
226
655920
3336
Van egy nagyon hasznos eszköz arra, hogy ezt ne felejtsük el.
10:59
Many of you will ...
227
659280
1216
Ez ismerős lesz...
11:00
(Laughter)
228
660520
1216
(Nevetés)
11:01
Before there was data,
229
661760
1216
Az adatelemzés előtt
11:03
this was the decision-making device to use.
230
663000
2856
ezt az eszközt használták döntéshozatalra.
11:05
(Laughter)
231
665880
1256
(Nevetés)
11:07
Many of you will know this.
232
667160
1336
Sokan ismeritek.
11:08
This toy here is called the Magic 8 Ball,
233
668520
1953
Ez a játék a Varázslatos 8-as golyó,
11:10
and it's really amazing,
234
670497
1199
és valóban lenyűgöző.
11:11
because if you have a decision to make, a yes or no question,
235
671720
2896
Ha van egy eldöntendő kérdésed,
11:14
all you have to do is you shake the ball, and then you get an answer --
236
674640
3736
csak megrázod a labdát, és választ kapsz rá:
11:18
"Most Likely" -- right here in this window in real time.
237
678400
2816
"Nagyon valószínű" olvasható rajta máris.
11:21
I'll have it out later for tech demos.
238
681240
2096
Később kipróbálhatjátok.
11:23
(Laughter)
239
683360
1216
(Nevetés)
11:24
Now, the thing is, of course -- so I've made some decisions in my life
240
684600
3576
Hoztam pár olyan döntést az életben,
11:28
where, in hindsight, I should have just listened to the ball.
241
688200
2896
amikor csak a golyóra kellett volna hallgatnom.
11:31
But, you know, of course, if you have the data available,
242
691120
3336
De persze, ha van elérhető háttérinformáció,
11:34
you want to replace this with something much more sophisticated,
243
694480
3056
valami ennél kifinomultabbat is használnánk,
11:37
like data analysis to come to a better decision.
244
697560
3616
mint például az adatelemzést, hogy jobb döntést hozzunk.
11:41
But that does not change the basic setup.
245
701200
2616
De ez nem változtat az alapfelálláson.
11:43
So the ball may get smarter and smarter and smarter,
246
703840
3176
lehet, hogy a golyó egyre okosabb lesz,
11:47
but I believe it's still on us to make the decisions
247
707040
2816
de még mindig nekünk kell döntenünk,
11:49
if we want to achieve something extraordinary,
248
709880
3016
ha valami rendkívülit akarunk elérni
11:52
on the right end of the curve.
249
712920
1936
a görbe jó végén.
11:54
And I find that a very encouraging message, in fact,
250
714880
4496
Nagyon ösztönzőnek tartom,
11:59
that even in the face of huge amounts of data,
251
719400
3976
hogy még hatalmas adathalmazok
12:03
it still pays off to make decisions,
252
723400
4096
mellett is kifizetődik a döntéshozatal,
12:07
to be an expert in what you're doing
253
727520
2656
hogy szakértője legyél a témának,
12:10
and take risks.
254
730200
2096
és hogy kockáztass.
12:12
Because in the end, it's not data,
255
732320
2776
Mert végül is nem az adatok,
12:15
it's risks that will land you on the right end of the curve.
256
735120
3960
hanem a kockázat segít át a görbe jó oldalára.
12:19
Thank you.
257
739840
1216
Köszönöm.
12:21
(Applause)
258
741080
3680
(Taps)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7