The human insights missing from big data | Tricia Wang

מתרגם: Zeeva Livshitz מבקר: Ido Dekkers

In ancient Greece,

ביוון העתיקה,

when anyone from slaves to soldiers, poets and politicians,

כשאדם כלשהו, בין אם עבד, חייל, משורר או פוליטיקאי,

needed to make a big decision on life's most important questions,

היה זקוק לקבל החלטה גורלית בשאלות הכי חשובות בחיים,

like, "Should I get married?"

כמו "האם עלי להתחתן?"

or "Should we embark on this voyage?"

או "האם עלינו לצאת למסע הזה?"

or "Should our army advance into this territory?"

או "האם הצבא שלנו צריך להתקדם לתוך הטריטוריה הזאת?"

they all consulted the oracle.

כולם התייעצו עם האורקל.

So this is how it worked:

אז ככה זה עבד:

you would bring her a question and you would get on your knees,

הייתם שואלים אותה שאלה כשאתם כורעים על הברכיים,

and then she would go into this trance.

ואז היא היתה נכנסת לטראנס.

It would take a couple of days,

זה היה לוקח כמה ימים,

and then eventually she would come out of it,

ואז לבסוף היא היתה יוצאת מזה,

giving you her predictions as your answer.

ומשיבה לשאלות בעזרת התחזיות שלה.

From the oracle bones of ancient China

מעצמות האורקל של סין העתיקה

to ancient Greece to Mayan calendars,

ליוון העתיקה וללוחות הזמן של תרבות המאיה,

people have craved for prophecy

אנשים השתוקקו לנבואה

in order to find out what's going to happen next.

כדי לגלות מה עומד לקרות.

And that's because we all want to make the right decision.

וזה משום שכולנו רוצים לקבל את ההחלטה הנכונה.

We don't want to miss something.

אנחנו לא רוצים להחמיץ משהו.

The future is scary,

העתיד מפחיד,

so it's much nicer knowing that we can make a decision

והרבה יותר נעים לדעת שאנחנו יכולים לקבל החלטה

with some assurance of the outcome.

עם הבטחה כלשהי לגבי התוצאה.

Well, we have a new oracle,

ובכן, יש לנו אורקל חדש,

and it's name is big data,

ושמו ביג דאטה,

or we call it "Watson" or "deep learning" or "neural net."

או שנקרא לו "ווטסון" או "למידה לעומק" או "רשת עצבית".

And these are the kinds of questions we ask of our oracle now,

ואלו הן סוג השאלות שאנחנו שואלים את האורקל שלנו כעת,

like, "What's the most efficient way to ship these phones

כמו "מהי הדרך היעילה ביותר לשלוח את הטלפונים האלה

from China to Sweden?"

מסין לשבדיה?"

Or, "What are the odds

או "מהם הסיכויים

of my child being born with a genetic disorder?"

שהילד שלי יוולד עם בעיה גנטית?"

Or, "What are the sales volume we can predict for this product?"

או "מה היקף המכירות שניתן לחזות עבור המוצר הזה?"

I have a dog. Her name is Elle, and she hates the rain.

יש לי כלבה, ששמה אל, והיא שונאת את הגשם.

And I have tried everything to untrain her.

וניסיתי הכל כדי לשנות זאת אצלה.

But because I have failed at this,

אבל בגלל שנכשלתי בזה,

I also have to consult an oracle, called Dark Sky,

עלי גם להתייעץ עם אורקל, שנקרא "שמיים אפלים",

every time before we go on a walk,

בכל פעם לפני שאנחנו יוצאות לטיול,

for very accurate weather predictions in the next 10 minutes.

כדי לקבל תחזיות מזג אויר מדויקות ב 10 דקות הקרובות.

She's so sweet.

היא כל כך חמודה.

So because of all of this, our oracle is a $122 billion industry.

אז לפיכך, האורקל שלנו הוא תעשייה של 122 מיליארד דולר.

Now, despite the size of this industry,

ולמרות גודלה של התעשייה הזאת,

the returns are surprisingly low.

הרווחים נמוכים להפליא.

Investing in big data is easy,

השקעה בביג דאטה היא קלה,

but using it is hard.

אבל השימוש בה הוא קשה.

Over 73 percent of big data projects aren't even profitable,

מעל 73 אחוזים של פרוייקטים של ביג דאטה אינם רווחיים אפילו,

and I have executives coming up to me saying,

ויש לי מנהלים שבאים אלי ואומרים,

"We're experiencing the same thing.

"אנחנו חווים את אותו הדבר.

We invested in some big data system,

אנו משקיעים במערכת ביג דאטה כלשהי,

and our employees aren't making better decisions.

והעובדים שלנו לא מקבלים החלטות טובות יותר.

And they're certainly not coming up with more breakthrough ideas."

והם לבטח לא מעלים יותר רעיונות פורצי דרך".

So this is all really interesting to me,

אז כל זה ממש מעניין אותי,

because I'm a technology ethnographer.

משום שאני אתנוגרפית טכנולוגיה.

I study and I advise companies

אני חוקרת ומייעצת לחברות

on the patterns of how people use technology,

בנושאי הדפוסים שאנשים משתמשים בהם בטכנולוגיה,

and one of my interest areas is data.

ואחד מתחומי העניין שלי הוא נתונים.

So why is having more data not helping us make better decisions,

אז למה יותר נתונים לא עוזרים לנו לקבל החלטות טובות יותר,

especially for companies who have all these resources

בייחוד בחברות שיש להן את כל המשאבים

to invest in these big data systems?

להשקיע במערכות ביג דאטה אלה?

Why isn't it getting any easier for them?

למה זה לא מקל עליהן?

So, I've witnessed the struggle firsthand.

אז, הייתי עדה למאבק ממקור ראשון.

In 2009, I started a research position with Nokia.

ב2009, התחלתי לעבוד במחקר בנוקיה.

And at the time,

ובזמנו,

Nokia was one of the largest cell phone companies in the world,

נוקיה היתה אחת מחברות הסלולר הגדולות ביותר בעולם,

dominating emerging markets like China, Mexico and India --

היא שלטה בשווקים מתעוררים כמו סין, מקסיקו והודו --

all places where I had done a lot of research

בכל המקומות חקרתי הרבה

on how low-income people use technology.

כיצד אנשים בעלי הכנסה נמוכה משתמשים בטכנולוגיה.

And I spent a lot of extra time in China

וביליתי הרבה זמן בסין

getting to know the informal economy.

ולמדתי להכיר את הכלכלה הלא רשמית.

So I did things like working as a street vendor

אז עשיתי דברים כמו לעבוד כמוכרת בדוכן רחוב,

selling dumplings to construction workers.

מכרתי כופתאות לפועלי בניין.

Or I did fieldwork,

או שעשיתי עבודת שטח,

spending nights and days in internet cafés,

ביליתי לילות וימים בבתי קפה-אינטרנט,

hanging out with Chinese youth, so I could understand

ביליתי עם הנוער הסיני כדי להבין

how they were using games and mobile phones

איך הם משתמשים במשחקים ובטלפונים ניידים

and using it between moving from the rural areas to the cities.

ומשתמשים בהם במעבר מהכפרים לערים.

Through all of this qualitative evidence that I was gathering,

בעזרת כל הראיות האיכותיות שאספתי

I was starting to see so clearly

התחלתי לראות בבירור

that a big change was about to happen among low-income Chinese people.

שעומד להתרחש שינוי גדול בקרב הסינים בעלי ההכנסה הנמוכה.

Even though they were surrounded by advertisements for luxury products

למרות שהם היו מוקפים בפרסומות למוצרי יוקרה

like fancy toilets -- who wouldn't want one? --

כמו אסלות מפוארות -- מי לא היה רוצה אחת כזאת?

and apartments and cars,

ודירות, ומכוניות,

through my conversations with them,

באמצעות שיחות שניהלתי איתם,

I found out that the ads the actually enticed them the most

גיליתי שהפרסומות שבעצם הכי פיתו אותם

were the ones for iPhones,

היו אלה של האייפונים,

promising them this entry into this high-tech life.

שהבטיחו להם כניסה לעולם ההייטק.

And even when I was living with them in urban slums like this one,

ואפילו כשחייתי ביניהם בשכונות העוני העירוניות כמו זו,

I saw people investing over half of their monthly income

ראיתי אנשים משקיעים יותר ממחצית משכורתם החודשית

into buying a phone,

בקניית טלפון,

and increasingly, they were "shanzhai,"

ויותר ויותר מהם היו מכשירי "שאנזהאי",

which are affordable knock-offs of iPhones and other brands.

שהם חיקויים זולים של אייפונים ומותגים אחרים.

They're very usable.

הם מאוד שמישים.

Does the job.

עושים את העבודה.

And after years of living with migrants and working with them

ואחרי שנים שחייתי עם מהגרים ועבדתי אתם

and just really doing everything that they were doing,

וממש עשיתי את כל מה שהם עושים,

I started piecing all these data points together --

התחלתי להרכיב את כל נקודות הנתונים האלה יחד --

from the things that seem random, like me selling dumplings,

מהדברים שנראים רנדומליים, כמו מכירת כופתאות על ידי,

to the things that were more obvious,

לדברים שהיו ברורים יותר,

like tracking how much they were spending on their cell phone bills.

כמו מעקב אחרי הוצאות חשבונות הטלפון שלהם.

And I was able to create this much more holistic picture

והצלחתי ליצור תמונה הרבה יותר הוליסטית

of what was happening.

של המתרחש.

And that's when I started to realize

ורק אז התחלתי להבין

that even the poorest in China would want a smartphone,

שאפילו העניים ביותר בסין רצו סמארטפון,

and that they would do almost anything to get their hands on one.

והיו מוכנים לעשות כמעט הכל כדי להשיג אחד.

You have to keep in mind,

עליכם לזכור,

iPhones had just come out, it was 2009,

שאייפונים רק יצאו לשוק אז, ב2009,

so this was, like, eight years ago,

אז זה היה לפני שמונה שנים בערך,

and Androids had just started looking like iPhones.

ומכשירי אנדרואיד רק התחילו להיראות כמו אייפונים.

And a lot of very smart and realistic people said,

והרבה אנשים מאוד חכמים ומציאותיים אמרו,

"Those smartphones -- that's just a fad.

"הסמארטפונים האלה -- הם רק תופעה חולפת.

Who wants to carry around these heavy things

מי רוצה להסתובב עם המכשירים הכבדים האלה

where batteries drain quickly and they break every time you drop them?"

שמרוקנים מהר את הסוללות ונשברים בכל פעם שמפילים אותם?"

But I had a lot of data,

אבל היו לי הרבה נתונים,

and I was very confident about my insights,

והייתי בטוחה מאוד לגבי התובנות שלי.

so I was very excited to share them with Nokia.

אז מאוד התרגשתי לשתף אותן עם נוקיה.

But Nokia was not convinced,

אבל נוקיה לא השתכנעו,

because it wasn't big data.

בגלל שאלה לא היו "ביג דאטה".

They said, "We have millions of data points,

הם אמרו "יש לנו מיליוני נקודות מידע,

and we don't see any indicators of anyone wanting to buy a smartphone,

ואנחנו לא רואים שום אינדיקציות שמישהו ירצה לקנות סמארטפון,

and your data set of 100, as diverse as it is, is too weak

ומערך המידע שלך שעומד על 100 על אף שהוא מגוון הוא חלש מדי,

for us to even take seriously."

מכדי שנוכל לקחת אותו ברצינות".

And I said, "Nokia, you're right.

אז אמרתי, "נוקיה, אתם צודקים.

Of course you wouldn't see this,

ברור שלא יכולתם לראות את זה,

because you're sending out surveys assuming that people don't know

כי אתם שולחים סקרים בהנחה שאנשים לא יודעים

what a smartphone is,

מה זה סמארטפון,

so of course you're not going to get any data back

אז ברור שאתם לא הולכים לקבל שום נתונים חזרה

about people wanting to buy a smartphone in two years.

על אנשים שרוצים לקנות סמארטפון בשנתיים הקרובות.

Your surveys, your methods have been designed

הסקרים שלכם, השיטות שלכם, תוכננו

to optimize an existing business model,

כדי למטב דגם עסק קיים,

and I'm looking at these emergent human dynamics

ואני מסתכלת על דינמיקות אנושיות צומחות אלו

that haven't happened yet.

שעדיין לא קרו.

We're looking outside of market dynamics

אנחנו מסתכלים מחוץ לדינמיקה של השוק

so that we can get ahead of it."

כדי שנוכל להקדים אותה".

Well, you know what happened to Nokia?

ובכן, אתם יודעים מה קרה לנוקיה?

Their business fell off a cliff.

העסק שלהם נפל חזק.

This -- this is the cost of missing something.

זה -- זה המחיר של ההחטאה.

It was unfathomable.

זה היה בלתי ניתן להבנה.

But Nokia's not alone.

אבל נוקיה לא לבד.

I see organizations throwing out data all the time

אני רואה ארגונים שזורקים נתונים כל הזמן

because it didn't come from a quant model

בגלל שהם לא הגיעו ממודל כמותי

or it doesn't fit in one.

או שהם לא מתאימים למודל כזה.

But it's not big data's fault.

אבל זו לא אשמתו של ביג דאטה.

It's the way we use big data; it's our responsibility.

זה האופן שבו אנחנו משתמשים בביג דאטה; זאת האחריות שלנו.

Big data's reputation for success

המוניטין של ביג דאטה להצלחה

comes from quantifying very specific environments,

נובע מכימות של סביבות ספציפיות מאוד,

like electricity power grids or delivery logistics or genetic code,

כמו רשתות חשמל או מערכות שינוע או קוד גנטי,

when we're quantifying in systems that are more or less contained.

כשאנחנו מכמתים מערכות שהן פחות או יותר מוכלות.

But not all systems are as neatly contained.

אבל לא כל המערכות מוכלות בצורה כל כך מסודרת.

When you're quantifying and systems are more dynamic,

כשמכמתים והמערכות יותר דינמיות,

especially systems that involve human beings,

במיוחד מערכות שמערבות בני אדם,

forces are complex and unpredictable,

הכוחות הפועלים הם מורכבים ובלתי צפויים,

and these are things that we don't know how to model so well.

ואלו הם דברים שמהם איננו יודעים היטב כיצד ליצור דגם.

Once you predict something about human behavior,

ברגע שחוזים משהו על התנהגות אנושית,

new factors emerge,

גורמים חדשים צצים,

because conditions are constantly changing.

כי התנאים משתנים כל הזמן.

That's why it's a never-ending cycle.

לכן זהו מחזור אינסופי.

You think you know something,

אתם חושבים שאתם יודעים משהו,

and then something unknown enters the picture.

ואז משהו לא ידוע נכנס לתמונה.

And that's why just relying on big data alone

ולכן הסתמכות על ביג דאטה בלבד

increases the chance that we'll miss something,

מעלה את הסיכוי שנחסיר משהו.

while giving us this illusion that we already know everything.

בעוד שהיא מעוררת בנו את האשלייה שאנחנו כבר יודעים הכל.

And what makes it really hard to see this paradox

ומה שמקשה עלינו לראות את הפרדוקס הזה

and even wrap our brains around it

ואפילו להבין אותו

is that we have this thing that I call the quantification bias,

הוא שיש לנו את הכלי הזה שאני מכנה אותו ההטיה לכימות,

which is the unconscious belief of valuing the measurable

שהיא האמונה הלא מודעת להעדפת מידע מדיד

over the immeasurable.

על פני בלתי מדיד.

And we often experience this at our work.

ופעמים רבות אנחנו חווים את זה בעבודה שלנו.

Maybe we work alongside colleagues who are like this,

אולי אנחנו עובדים לצד עמיתים שהם כאלה,

or even our whole entire company may be like this,

או שאפילו החברה שלנו כולה עשויה להיות כזאת,

where people become so fixated on that number,

שבה אנשים הופכים כה מקובעים על המספר הזה,

that they can't see anything outside of it,

שאינם יכולים לראות שום דבר מעבר לו,

even when you present them evidence right in front of their face.

אפילו כשמציגים להם הוכחות ממש מול הפרצוף.

And this is a very appealing message,

וזהו מסר מאוד מושך,

because there's nothing wrong with quantifying;

כיוון שאין שום פגם בכמותיות;

it's actually very satisfying.

זה למעשה מאוד מספק.

I get a great sense of comfort from looking at an Excel spreadsheet,

אני מקבלת תחושה נפלאה של נוחות מהתבוננות בגיליון אלקטרוני של אקסל,

even very simple ones.

אפילו בפשוטים מאוד.

(Laughter)

(צחוק)

It's just kind of like,

זה כאילו,

"Yes! The formula worked. It's all OK. Everything is under control."

"כן! הנוסחה הצליחה. הכל בסדר. הכל תחת שליטה".

But the problem is

אבל הבעיה היא

that quantifying is addictive.

שלכמת זה ממכר.

And when we forget that

וכאשר אנחנו שוכחים את זה

and when we don't have something to kind of keep that in check,

וכשאין לנו משהו שעוזר לנו לפקח על זה,

it's very easy to just throw out data

קל מאוד פשוט לזרוק מידע

because it can't be expressed as a numerical value.

כיוון שלא ניתן לבטא אותו כערך מספרי.

It's very easy just to slip into silver-bullet thinking,

קל מאוד להחליק לתוך חשיבה מאגית,

as if some simple solution existed.

כאילו קיים פתרון פשוט כלשהו.

Because this is a great moment of danger for any organization,

כי זה רגע מסוכן מאוד עבור כל ארגון,

because oftentimes, the future we need to predict --

כי לעתים קרובות העתיד שעלינו לחזות --

it isn't in that haystack,

לא נמצא בערימת השחת הזאת,

but it's that tornado that's bearing down on us

אלא הוא סופת הטורנדו הזו שמאיימת עלינו

outside of the barn.

מחוץ לאסם.

There is no greater risk

אין דבר יותר מסוכן

than being blind to the unknown.

מלהיות עיוור ללא נודע.

It can cause you to make the wrong decisions.

זה יכול לגרום לכם לקבל החלטות שגויות.

It can cause you to miss something big.

זה יכול לגרום לכם לפספס משהו גדול.

But we don't have to go down this path.

אבל אנחנו לא חייבים ללכת בנתיב הזה.

It turns out that the oracle of ancient Greece

מסתבר שהאורקל של יוון העתיקה

holds the secret key that shows us the path forward.

מחזיקה את המפתח הסודי שמראה לנו את הדרך קדימה.

Now, recent geological research has shown

מחקר גאולוגי שנעשה לאחרונה הראה

that the Temple of Apollo, where the most famous oracle sat,

שמקדש אפולו, שבו ישבו רוב האורקלים המפורסמים,

was actually built over two earthquake faults.

נבנה למעשה מעל שני קווי שבר טקטוניים.

And these faults would release these petrochemical fumes

וקווי השבר האלה משחררים אדים פטרו-כימיים

from underneath the Earth's crust,

ממעמקי קרום כדור הארץ,

and the oracle literally sat right above these faults,

והאורקל ישבה ממש מעל קווים אלה,

inhaling enormous amounts of ethylene gas, these fissures.

ושאפה כמויות עצומות של גז אתילן מסדקים אלה.

(Laughter)

It's true.

(צחוק)

זה אמיתי.

(Laughter)

(צחוק)

It's all true, and that's what made her babble and hallucinate

הכל אמיתי, וזה מה שגרם לה לפטפט ולהזות

and go into this trance-like state.

ולהכנס למצבי טראנס.

She was high as a kite!

היא היתה מסטולה לגמרי!

(Laughter)

(צחוק)

So how did anyone --

אז איך מישהו --

How did anyone get any useful advice out of her

איך מישהו יכול היה לקבל עצה שימושית כלשהי ממנה

in this state?

במצב הזה?

Well, you see those people surrounding the oracle?

ובכן, אתם רואים את האנשים שמקיפים את האורקל?

You see those people holding her up,

אתם רואים את האנשים שנושאים אותה,

because she's, like, a little woozy?

כי היא כאילו קצת מבולבלת?

And you see that guy on your left-hand side

ואתם רואים את הבחור הזה בצדכם השמאלי

holding the orange notebook?

מחזיק את המחברת הכתומה?

Well, those were the temple guides,

ובכן אלה היו כוהני הדת של המקדש,

and they worked hand in hand with the oracle.

והם עבדו יד ביד עם האורקל.

When inquisitors would come and get on their knees,

כאשר מבקרים היו באים וכורעים על ברכיהם,

that's when the temple guides would get to work,

כוהני המקדש היו נכנסים לפעולה,

because after they asked her questions,

כי אחרי ששאלו אותה שאלות,

they would observe their emotional state,

הם היו בוחנים את מצבם הרגשי,

and then they would ask them follow-up questions,

ואז הם היו שואלים אותם שאלות נוספות,

like, "Why do you want to know this prophecy? Who are you?

כמו "למה אתה רוצה לשמוע את הנבואה הזאת? מי אתה?

What are you going to do with this information?"

מה אתה הולך לעשות עם המידע הזה?"

And then the temple guides would take this more ethnographic,

ואז כוהני המקדש היו בוחרים במידע היותר אתנוגרפי,

this more qualitative information,

והיותר איכותני,

and interpret the oracle's babblings.

ומפרשים את הפטפוטים של האורקל.

So the oracle didn't stand alone,

כך שהאורקל לא עמדה לבד,

and neither should our big data systems.

וכך גם מערכות הביג דאטה שלנו.

Now to be clear,

אני רוצה להבהיר.

I'm not saying that big data systems are huffing ethylene gas,

איני אומרת שמערכות ביג דאטה שואפות גז אתילן,

or that they're even giving invalid predictions.

ואפילו לא שהן נותנות תחזיות מוטעות.

The total opposite.

ההפך הגמור.

But what I am saying

אבל מה שאני אומרת הוא

is that in the same way that the oracle needed her temple guides,

שבאותו אופן שבו האורקל נזקקה לכוהני המקדש שלה,

our big data systems need them, too.

מערכות הביג דאטה שלנו זקוקות להם גם כן.

They need people like ethnographers and user researchers

הן זקוקות לאנשים כמו אתנוגרפים וחוקרי משתמשים

who can gather what I call thick data.

שיכולים לאסוף את מה שאני קוראת לו "נתוני עובי."

This is precious data from humans,

זהו מידע יקר ערך שבא מבני אדם,

like stories, emotions and interactions that cannot be quantified.

כמו סיפורים, רגשות, ואינטרקציות שלא ניתנים לכימות.

It's the kind of data that I collected for Nokia

זהו סוג המידע שאני אספתי עבור נוקיה

that comes in in the form of a very small sample size,

שמגיע בצורה של מדגם קטן מאוד,

but delivers incredible depth of meaning.

אבל מספק עומק גדול של משמעות.

And what makes it so thick and meaty

ומה שהופך אותו לעבה ובשרני

is the experience of understanding the human narrative.

זו חוויית ההבנה של הנרטיב האנושי.

And that's what helps to see what's missing in our models.

וזה מה שעוזר לנו לראות מה חסר במודלים שלנו.

Thick data grounds our business questions in human questions,

נתוני-עובי מקרקעים את השאלות העסקיות שלנו בנושאי שאלות אנושיות,

and that's why integrating big and thick data

ולכן השילוב של ביג דאטה ונתוני עובי

forms a more complete picture.

יוצר תמונה יותר מלאה.

Big data is able to offer insights at scale

ביג דאטה יכולים לספק תובנות בקנה מידה

and leverage the best of machine intelligence,

ולמנף את האינטליגנציה המכנית הטובה ביותר,

whereas thick data can help us rescue the context loss

בעוד שנתוני-עובי יכולים לעזור לנו להציל את אובדן ההקשר

that comes from making big data usable,

שמגיע מהפיכת ביג דאטה לשמישים,

and leverage the best of human intelligence.

ולמנף את האינטליגנציה האנושית הטובה ביותר.

And when you actually integrate the two, that's when things get really fun,

וכאשר למעשה משלבים את שניהם, הכיף ממש מתחיל,

because then you're no longer just working with data

כי אז אתם כבר לא רק עובדים עם נתונים

you've already collected.

שכבר אספתם.

You get to also work with data that hasn't been collected.

אלא עובדים גם עם נתונים שעוד לא נאספו.

You get to ask questions about why:

תוכלו לשאול שאלות כמו למה:

Why is this happening?

למה זה קורה?

Now, when Netflix did this,

עכשיו, כשנטפליקס עשו את זה,

they unlocked a whole new way to transform their business.

הם גילו דרך חדשה לחלוטין לשנות את העסק שלהם.

Netflix is known for their really great recommendation algorithm,

נטפליקס ידועים באלגוריתם ההמלצות המצוין שלהם,

and they had this $1 million prize for anyone who could improve it.

והם הציעו פרס של מיליון דולר לכל מי שיוכל לשפר אותו.

And there were winners.

והיו שם זוכים.

But Netflix discovered the improvements were only incremental.

אבל נטפליקס גילו שהשיפורים היו מזעריים בלבד.

So to really find out what was going on,

אז כדי לגלות מה באמת קרה,

they hired an ethnographer, Grant McCracken,

הם שכרו אתנוגרף בשם גרנט מק'קראקן,

to gather thick data insights.

כדי שיאסוף תובנות מנתוני-עובי.

And what he discovered was something that they hadn't seen initially

והוא גילה משהו שהם לא ראו מלכתחילה

in the quantitative data.

בנתונים הכמותיים.

He discovered that people loved to binge-watch.

הוא גילה שאנשים אוהבים לצפות בכמה פרקים של סדרות ברצף.

In fact, people didn't even feel guilty about it.

למעשה, אנשים אפילו לא חשו אשמים בשל כך.

They enjoyed it.

הם נהנו מזה.

(Laughter)

(צחוק)

So Netflix was like, "Oh. This is a new insight."

אז נטפליקס החליטו, "אוקיי זאת תובנה חדשה,

So they went to their data science team,

והם הלכו לצוות מדעני הנתונים שלהם,

and they were able to scale this big data insight

והצליחו לדרג את התובנה הזו

in with their quantitative data.

באמצעות הנתונים הכמותיים שלהם.

And once they verified it and validated it,

וברגע שהם אישרו ואימתו את זה,

Netflix decided to do something very simple but impactful.

נטפליקס החליטו לעשות משהו פשוט מאוד, אך בעל השפעה.

They said, instead of offering the same show from different genres

הם אמרו, שבמקום להציע את אותה הסדרה בז'אנרים שונים

or more of the different shows from similar users,

או יותר מהסדרות השונות ממשתמשים דומים,

we'll just offer more of the same show.

פשוט נציע יותר מאותה הסדרה.

We'll make it easier for you to binge-watch.

נקל עליכם לצפות בה ברצף.

And they didn't stop there.

והם לא עצרו שם.

They did all these things

הם עשו את כל הדברים

to redesign their entire viewer experience,

כדי לעצב מחדש את חווית הצופה שלהם כולה,

to really encourage binge-watching.

כדי באמת לעודד צפייה ברצף.

It's why people and friends disappear for whole weekends at a time,

לכן אנשים וחברים נעלמים במשך סופי שבוע שלמים מדי פעם,

catching up on shows like "Master of None."

כדי להשלים צפייה בסדרות כמו "מאסטר של אף אחד".

By integrating big data and thick data, they not only improved their business,

על ידי שילוב של נתוני-עתק ונתוני-עובי הם לא רק שיפרו את העסק שלהם,

but they transformed how we consume media.

אלא שינו את האופן בו אנחנו צורכים מדיה.

And now their stocks are projected to double in the next few years.

ועכשיו צופים שהמניות שלהם יכפילו את ערכן בשנים הקרובות.

But this isn't just about watching more videos

אבל לא מדובר כאן רק בצפייה בעוד כמה פרקים

or selling more smartphones.

או במכירה של יותר סמארטפונים.

For some, integrating thick data insights into the algorithm

עבור אחדים, שילוב של תובנות נתוני-עובי לתוך האלגוריתם

could mean life or death,

יכול להיות עניין של חיים או מוות,

especially for the marginalized.

בייחוד עבור אלה שנמצאים בשוליים.

All around the country, police departments are using big data

בכל רחבי המדינה במחלקות משטרה משתמשים בביג דאטה

for predictive policing,

לחיזוי שיטור,

to set bond amounts and sentencing recommendations

כדי לקבוע סכומי ערבות והמלצות פסק דין

in ways that reinforce existing biases.

בדרכים שמחזקות דעות קדומות קיימות.

NSA's Skynet machine learning algorithm

אלגוריתם הלמידה של מכונת סקיי-נט של נ.ס.א.

has possibly aided in the deaths of thousands of civilians in Pakistan

ייתכן וסייעה במותם של אלפי אזרחים בפקיסטן

from misreading cellular device metadata.

בגלל טעויות בקריאת מטא-נתונים במכשירים סלולריים

As all of our lives become more automated,

מאחר וכל חיינו הפכו להיות יותר אוטומטיים,

from automobiles to health insurance or to employment,

החל ממכוניות, לביטוח רפואי, או לתעסוקה,

it is likely that all of us

סביר להניח שכולנו

will be impacted by the quantification bias.

נושפע מדעות קדומות כמותיות.

Now, the good news is that we've come a long way

עכשיו החדשות הטובות הן שעברנו דרך ארוכה

from huffing ethylene gas to make predictions.

מנשיפת גז אתילן לעשיית תחזיות.

We have better tools, so let's just use them better.

יש לנו כלים טובים יותר, בואו ונשתמש בהם יותר טוב.

Let's integrate the big data with the thick data.

בואו ונשלב את ביג דאטה עם נתוני-העובי.

Let's bring our temple guides with the oracles,

נביא גם את כוהני המקדש שלנו יחד עם האורקלים,

and whether this work happens in companies or nonprofits

ובין אם עבודה זו מתרחשת בחברות או במלכ"רים

or government or even in the software,

או בממשלה או אפילו בתוכנה,

all of it matters,

כל זה חשוב,

because that means we're collectively committed

כי זה אומר שאנו מחויבים באופן קולקטיבי

to making better data,

להביא נתונים טובים יותר,

better algorithms, better outputs

אלגוריתמים טובים יותר, פלט טוב יותר

and better decisions.

החלטות טובות יותר.

This is how we'll avoid missing that something.

כך נימנע מלהחסיר דבר מה.

(Applause)

(מחיאות כפיים)