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

133,036 views ・ 2016-01-27

TED


אנא לחץ פעמיים על הכתוביות באנגלית למטה כדי להפעיל את הסרטון.

מתרגם: Ido Dekkers מבקר: Zeeva Livshitz
00:12
Roy Price is a man that most of you have probably never heard about,
0
12820
4276
רוי פרייס הוא אדם שסביר להניח שרובכם כנראה לא שמעתם עליו מעולם,
00:17
even though he may have been responsible
1
17120
2496
למרות שייתכן והוא היה אחראי
00:19
for 22 somewhat mediocre minutes of your life on April 19, 2013.
2
19640
6896
לבערך 22 דקות בינוניות של חייכם ב19 לאפריל 2013.
00:26
He may have also been responsible for 22 very entertaining minutes,
3
26560
3176
יכול להיות שהוא היה גם אחראי ל22 דקות מאוד משעשעות,
00:29
but not very many of you.
4
29760
2256
אבל לא רבים מכם.
00:32
And all of that goes back to a decision
5
32040
1896
וכל זה חוזר להחלטה
00:33
that Roy had to make about three years ago.
6
33960
2000
שרוי היא צריך לקבל לפני 3 שנים.
00:35
So you see, Roy Price is a senior executive with Amazon Studios.
7
35984
4832
אז אתם מבינים, רוי פרייס הוא מנהל בכיר באולפני אמזון.
00:40
That's the TV production company of Amazon.
8
40840
3016
זאת חברת הפקות הטלוויזיה של אמזון.
00:43
He's 47 years old, slim, spiky hair,
9
43880
3256
הוא בן 47, רזה, שיער עם קוצים,
00:47
describes himself on Twitter as "movies, TV, technology, tacos."
10
47160
4816
הוא מתאר עצמו בטוויטר כ "סרטים, טלוויזיה, טכנולוגיה, טאקו."
00:52
And Roy Price has a very responsible job, because it's his responsibility
11
52000
5176
ולרוי פרייס יש יש אחריות רבה בעבודה כי האחריות שלו היא
00:57
to pick the shows, the original content that Amazon is going to make.
12
57200
4056
לבחור את התוכניות, את התוכן המקורי שאמזון תיצור.
01:01
And of course that's a highly competitive space.
13
61280
2336
וכמובן שזה תחום תחרותי מאוד.
01:03
I mean, there are so many TV shows already out there,
14
63640
2736
אני מתכוון, יש כל כך הרבה תוכניות טלוויזיה שכבר קיימות,
01:06
that Roy can't just choose any show.
15
66400
2176
ורוי לא פשוט יכול לבחור כל אחת.
01:08
He has to find shows that are really, really great.
16
68600
4096
הוא חייב למצוא תוכניות ממש ממש טובות.
01:12
So in other words, he has to find shows
17
72720
2816
אז במילים אחרות, הוא חייב למצוא תוכניות
01:15
that are on the very right end of this curve here.
18
75560
2376
שנמצאות ממש על הקצה הימני בעקומה הזאת.
01:17
So this curve here is the rating distribution
19
77960
2656
העקומה הזאת מציגה את חלוקת הרייטינג
01:20
of about 2,500 TV shows on the website IMDB,
20
80640
4376
של בערך 2500 תוכניות טלוויזיה באתר IMDB,
01:25
and the rating goes from one to 10,
21
85040
2896
והרייטינג נע בין 1 ל10,
01:27
and the height here shows you how many shows get that rating.
22
87960
2976
והגובה כאן, מראה לכם כמה תוכניות קבלו את הרייטינג הזה.
01:30
So if your show gets a rating of nine points or higher, that's a winner.
23
90960
4696
אז אם התוכנית שלכם מקבלת רייטינג של 9 נקודות ומעלה, זאת הצלחה.
01:35
Then you have a top two percent show.
24
95680
1816
ואז יש לכם את התוכניות שנמצאות ב2 אחוז העליונים.
01:37
That's shows like "Breaking Bad," "Game of Thrones," "The Wire,"
25
97520
3896
תוכניות כמו "שובר שורות", "משחקי הכס", "הסמויה",
01:41
so all of these shows that are addictive,
26
101440
2296
אז כל התוכניות האלה שממכרות,
01:43
whereafter you've watched a season, your brain is basically like,
27
103760
3056
כשאחרי שאתם רואים עונה, המוח שלכם בעצם כמו,
01:46
"Where can I get more of these episodes?"
28
106840
2176
"איפה אני יכול למצוא עוד מהפרקים האלה?"
01:49
That kind of show.
29
109040
1200
סוג כזה של תוכניות.
01:50
On the left side, just for clarity, here on that end,
30
110920
2496
בצד השמאלי, רק לשם הבהרה, כאן בקצה הזה,
01:53
you have a show called "Toddlers and Tiaras" --
31
113440
3176
נמצאת תוכניות שנקראת "פעוטות וכתרים"--
01:56
(Laughter)
32
116640
2656
(צחוק)
01:59
-- which should tell you enough
33
119320
1536
--וזה אמור להגיד לכם מספיק
02:00
about what's going on on that end of the curve.
34
120880
2191
בנוגע למה שקורה בקצה הזה של העקומה.
02:03
Now, Roy Price is not worried about getting on the left end of the curve,
35
123095
4161
עכשיו, רוי פרייס לא מודאג מלהגיע לקצה השמאלי של העקומה,
02:07
because I think you would have to have some serious brainpower
36
127280
2936
בגלל שאני חושב שצריך יכולת חשיבה רצינית
02:10
to undercut "Toddlers and Tiaras."
37
130240
1696
בשביל לגבור על "פעוטות וכתרים".
02:11
So what he's worried about is this middle bulge here,
38
131960
3936
אז מה שהוא מודאג ממנו הוא הבליטה האמצעית שנמצאת כאן,
02:15
the bulge of average TV,
39
135920
1816
הבליטה של טלוויזיה ממוצעת,
02:17
you know, those shows that aren't really good or really bad,
40
137760
2856
אתם יודעים, התוכניות האלה שלא כל כך טובות ולא כל כך רעות,
02:20
they don't really get you excited.
41
140639
1656
לא באמת גורמות לך להתרגש.
02:22
So he needs to make sure that he's really on the right end of this.
42
142320
4856
אז הוא צריך לוודא שהוא נמצא ממש בקצה הימני של זה.
02:27
So the pressure is on,
43
147200
1576
אז יש לחץ,
02:28
and of course it's also the first time
44
148800
2176
וכמובן, זאת גם הפעם הראשונה
02:31
that Amazon is even doing something like this,
45
151000
2176
שאמזון עושה משהו כזה,
02:33
so Roy Price does not want to take any chances.
46
153200
3336
אז רוי פרייס לא רוצה לקחת סיכונים.
02:36
He wants to engineer success.
47
156560
2456
הוא רוצה להנדס את ההצלחה.
02:39
He needs a guaranteed success,
48
159040
1776
הוא צריך הצלחה מובטחת,
02:40
and so what he does is, he holds a competition.
49
160840
2576
אז מה שהוא עושה, הוא עורך תחרות.
02:43
So he takes a bunch of ideas for TV shows,
50
163440
3136
אז הוא לוקח מספר רעיונות לתוכניות טלוויזיה,
02:46
and from those ideas, through an evaluation,
51
166600
2296
ומהרעיונות האלה, באמצעות הערכה,
02:48
they select eight candidates for TV shows,
52
168920
4096
הם בוחרים 8 מועמדים לתוכניות טלוויזיה,
02:53
and then he just makes the first episode of each one of these shows
53
173040
3216
ואז הוא פשוט יוצר את הפרק הראשון בכל אחת מהתוכניות האלה
02:56
and puts them online for free for everyone to watch.
54
176280
3136
ומעלה אותם לרשת בחינם שכל אחד יכול לצפות.
02:59
And so when Amazon is giving out free stuff,
55
179440
2256
אז כשאמזון מחלקת דברים בחינם,
03:01
you're going to take it, right?
56
181720
1536
אתם תקחו אותם, נכון?
03:03
So millions of viewers are watching those episodes.
57
183280
5136
אז מיליוני צופים רואים את הפרקים האלה.
03:08
What they don't realize is that, while they're watching their shows,
58
188440
3216
מה שהם לא מבינים, בזמן שהם צופים בתוכניות שלהם,
03:11
actually, they are being watched.
59
191680
2296
בעצם, עוקבים אחריהם.
03:14
They are being watched by Roy Price and his team,
60
194000
2336
הם נצפים על ידי רוי פרייס והצוות שלו,
03:16
who record everything.
61
196360
1376
שמתעדים הכל.
03:17
They record when somebody presses play, when somebody presses pause,
62
197760
3376
הם מתעדים כשמישהו לוחץ נגן, וכשמישהו לוחץ השהה,
03:21
what parts they skip, what parts they watch again.
63
201160
2536
על איזה חלקים הצופים מדלגים, ואיזה חלקים הם רואים שוב.
03:23
So they collect millions of data points,
64
203720
2256
אז הם אוספים מיליוני נקודות מידע,
03:26
because they want to have those data points
65
206000
2096
בגלל שהם רוצים להשתמש בנתונים האלה
03:28
to then decide which show they should make.
66
208120
2696
כדי להחליט איזה תוכנית הם ייצרו.
03:30
And sure enough, so they collect all the data,
67
210840
2176
וכמובן, כך הם אוספים את כל המידע,
03:33
they do all the data crunching, and an answer emerges,
68
213040
2576
הם עושים את כל עיבוד המידע, ותשובה עולה,
03:35
and the answer is,
69
215640
1216
והתשובה היא,
03:36
"Amazon should do a sitcom about four Republican US Senators."
70
216880
5536
"אמזון צריכה ליצור סיטקום על ארבעה סנטורים רפובליקאים."
03:42
They did that show.
71
222440
1216
הם עשו את התוכנית ההיא.
03:43
So does anyone know the name of the show?
72
223680
2160
אז האם כולם מכירים את השם של התוכנית?
03:46
(Audience: "Alpha House.")
73
226720
1296
(קהל: "בית אלפא.")
03:48
Yes, "Alpha House,"
74
228040
1456
כן, "בית אלפא."
03:49
but it seems like not too many of you here remember that show, actually,
75
229520
4096
אבל נראה כאילו לא הרבה מכם פה זוכרים את הסדרה ההיא, למעשה,
03:53
because it didn't turn out that great.
76
233640
1856
מפני שהיא לא יצאה כזה טוב.
03:55
It's actually just an average show,
77
235520
1856
היא למעשה רק תוכנית ממוצעת,
03:57
actually -- literally, in fact, because the average of this curve here is at 7.4,
78
237400
4576
למעשה -- מילולית, למעשה, בגלל שהממוצע של העקומה פה הוא 7.4,
04:02
and "Alpha House" lands at 7.5,
79
242000
2416
ו"בית אלפא" קיבלה 7.5,
04:04
so a slightly above average show,
80
244440
2016
אז מעט מעל התוכנית הממוצעת,
04:06
but certainly not what Roy Price and his team were aiming for.
81
246480
2920
אבל בהחלט לא מה שרוי פרייס והצוות שלנו כיוונו אליו.
04:10
Meanwhile, however, at about the same time,
82
250320
2856
בינתיים, עם זאת, בערך באותו הזמן,
04:13
at another company,
83
253200
1576
בחברה אחרת,
04:14
another executive did manage to land a top show using data analysis,
84
254800
4216
מנהל אחר הצליח לפתח תוכנית מוצלחת בשימוש בניתוח מידע,
04:19
and his name is Ted,
85
259040
1576
והשם שלו הוא טד,
04:20
Ted Sarandos, who is the Chief Content Officer of Netflix,
86
260640
3416
טד סרנדוס, שהוא מנהל התוכן הראשי של נטפליקס,
04:24
and just like Roy, he's on a constant mission
87
264080
2136
וממש כמו רוי, הוא במשימה קבועה
04:26
to find that great TV show,
88
266240
1496
למצוא תוכנית טלוויזיה מעולה,
04:27
and he uses data as well to do that,
89
267760
2016
והוא גם השתמש במידע כדי לעשות זאת,
04:29
except he does it a little bit differently.
90
269800
2015
אבל הוא עושה זאת מעט אחרת.
04:31
So instead of holding a competition, what he did -- and his team of course --
91
271839
3737
אז במקום לערוך תחרות, מה שהוא עשה -- והצוות שלו כמובן --
04:35
was they looked at all the data they already had about Netflix viewers,
92
275600
3536
היה שהם הביטו בכל המידע שכבר היה להם על צופי נטפליקס,
04:39
you know, the ratings they give their shows,
93
279160
2096
אתם יודעים, הרייטינג שהם נותנים לתוכניות,
04:41
the viewing histories, what shows people like, and so on.
94
281280
2696
הסטוריות הצפיה, איזה תוכניות אנשים אוהבים, וכך הלאה.
04:44
And then they use that data to discover
95
284000
1896
ואז הם משתמשים במידע הזה כדי לגלות
04:45
all of these little bits and pieces about the audience:
96
285920
2616
את כל פיסות המידע הקטנות האלו בנוגע לקהל:
04:48
what kinds of shows they like,
97
288560
1456
איזה סוגים של תוכניות הם אוהבים,
04:50
what kind of producers, what kind of actors.
98
290040
2096
איזה סוג של מפיקים, איזה סוג של שחקנים.
04:52
And once they had all of these pieces together,
99
292160
2576
וברגע שהיה להם את כל פיסות המידע ביחד,
04:54
they took a leap of faith,
100
294760
1656
הם עשו קפיצה של אמונה,
04:56
and they decided to license
101
296440
2096
והם החליטו לאשר
04:58
not a sitcom about four Senators
102
298560
2456
לא סיטקום על ארבעה סנטורים
05:01
but a drama series about a single Senator.
103
301040
2880
אלא סדרת דרמה על סנטור בודד.
05:04
You guys know the show?
104
304760
1656
אתם מכירים את התוכנית?
05:06
(Laughter)
105
306440
1296
(צחוק)
05:07
Yes, "House of Cards," and Netflix of course, nailed it with that show,
106
307760
3736
כן, "בית הקלפים," ונטפליקס כמובן, הצליחו עם התוכנית הזו,
05:11
at least for the first two seasons.
107
311520
2136
לפחות בשתי העונות הראשונות.
05:13
(Laughter) (Applause)
108
313680
3976
(צחוק) (מחיאות כפיים)
05:17
"House of Cards" gets a 9.1 rating on this curve,
109
317680
3176
"בית הקלפים" מקבל דרוג של 9.1 מהעקומה הזו,
05:20
so it's exactly where they wanted it to be.
110
320880
3176
אז זה בדיוק במקום בו הם רצו שזה יהיה.
05:24
Now, the question of course is, what happened here?
111
324080
2416
עכשיו, השאלה היא כמובן, מה קרה פה?
05:26
So you have two very competitive, data-savvy companies.
112
326520
2656
אז יש לכם שתי חברות תחרותיות ותאבות מידע.
05:29
They connect all of these millions of data points,
113
329200
2856
הן חיברו את כל מליוני נקודות המידע האלו,
05:32
and then it works beautifully for one of them,
114
332080
2376
ואז זה עבד באופן יפיפה לאחת מהן,
05:34
and it doesn't work for the other one.
115
334480
1856
וזה לא עובד לאחרת.
05:36
So why?
116
336360
1216
אז למה?
05:37
Because logic kind of tells you that this should be working all the time.
117
337600
3456
מפני שהלוגיקה סוג של מספרת לכם שזה צריך לעבוד כל הזמן.
05:41
I mean, if you're collecting millions of data points
118
341080
2456
אני מתכוון, אם אתם אוספים מליוני נקודות מידע
05:43
on a decision you're going to make,
119
343560
1736
על החלטה שאתם עומדים לעשות,
05:45
then you should be able to make a pretty good decision.
120
345320
2616
אז אתם צריכים להיות מסוגלים לעשות החלטות די טובות.
05:47
You have 200 years of statistics to rely on.
121
347960
2216
יש לכם 200 שנה של סטטיסטיקות להסתמך עליהן.
05:50
You're amplifying it with very powerful computers.
122
350200
3016
אתם מגבירים אותן עם מחשבים ממש חזקים.
05:53
The least you could expect is good TV, right?
123
353240
3280
הכי מעט שאתם יכולים לצפות לו זה טלויזיה טובה, נכון?
05:57
And if data analysis does not work that way,
124
357880
2720
ואם ניתוח מידע לא עובד כך,
06:01
then it actually gets a little scary,
125
361520
2056
אז זה למעשה נעשה מעט מפחיד,
06:03
because we live in a time where we're turning to data more and more
126
363600
3816
מפני שאנחנו חיים בזמן בו אנחנו פונים למידע יותר ויותר
06:07
to make very serious decisions that go far beyond TV.
127
367440
4480
כדי לעשות החלטות ממש חשובות שעוברות מעבר לטלויזיה.
06:12
Does anyone here know the company Multi-Health Systems?
128
372760
3240
האם מישהו פה מכיר את החברה "מערכות מולטי-הלט'"?
06:17
No one. OK, that's good actually.
129
377080
1656
אף אחד. אוקיי, זה טוב למעשה.
06:18
OK, so Multi-Health Systems is a software company,
130
378760
3216
אוקיי, אז "מערכות מולטי-הלט'" היא חברת תוכנה,
06:22
and I hope that nobody here in this room
131
382000
2816
ואני מקווה שאף אחד פה בחדר
06:24
ever comes into contact with that software,
132
384840
3176
לעולם לא יגיע למגע עם התוכנה שלהם,
06:28
because if you do, it means you're in prison.
133
388040
2096
מפני שאם כן, זה אומר שאתם בכלא.
06:30
(Laughter)
134
390160
1176
(צחוק)
06:31
If someone here in the US is in prison, and they apply for parole,
135
391360
3536
אם מישהו פה בארצות הברית בכלא, ואז הם מגישים בקשה לחנינה,
06:34
then it's very likely that data analysis software from that company
136
394920
4296
אז זה מאוד סביר שתוכנת ניתוח המידע מהחברה ההיא
06:39
will be used in determining whether to grant that parole.
137
399240
3616
תהיה בשימוש בלקבוע אם להעניק את החנינה.
06:42
So it's the same principle as Amazon and Netflix,
138
402880
2576
אז זה אותו עיקרון כמו אמזון ונטפליקס,
06:45
but now instead of deciding whether a TV show is going to be good or bad,
139
405480
4616
אבל עכשיו במקום להחליט אם תוכנית טלוויזיה תהיה טובה או גרועה,
06:50
you're deciding whether a person is going to be good or bad.
140
410120
2896
אתם מחליטים אם אדם עומד להיות טוב או רע.
06:53
And mediocre TV, 22 minutes, that can be pretty bad,
141
413040
5496
וטלויזיה בינונית, 22 דקות, שיכולה להיות די גרועה,
06:58
but more years in prison, I guess, even worse.
142
418560
2640
אבל יותר שנים בכלא, אני מתאר, אפילו גרועה יותר.
07:02
And unfortunately, there is actually some evidence that this data analysis,
143
422360
4136
ולמרבה הצער, יש למעשה כמה עדויות שניתוח המידע הזה,
07:06
despite having lots of data, does not always produce optimum results.
144
426520
4216
למרות שיש לנו הרבה מידע, לא תמיד מייצר תוצאות אופטימליות.
07:10
And that's not because a company like Multi-Health Systems
145
430760
2722
וזה לא בגלל שחברה כמו "מערכות מולטי-הלט'"
07:13
doesn't know what to do with data.
146
433506
1627
לא יודעת מה לעשות עם המידע.
07:15
Even the most data-savvy companies get it wrong.
147
435158
2298
אפילו החברות הכי תאבות מידע טועות.
07:17
Yes, even Google gets it wrong sometimes.
148
437480
2400
כן, אפילו גוגל טועה לפעמים.
07:20
In 2009, Google announced that they were able, with data analysis,
149
440680
4496
ב 2009, גוגל הודיעה שהם מסוגלים, עם ניתוח מידע,
07:25
to predict outbreaks of influenza, the nasty kind of flu,
150
445200
4136
לחזות התפרצויות של שפעת, הסוג הנבזי של שפעת,
07:29
by doing data analysis on their Google searches.
151
449360
3776
על ידי ניתוח של חיפושי גוגל.
07:33
And it worked beautifully, and it made a big splash in the news,
152
453160
3856
וזה עבד יפהפה, וזה עשה גל גדול בחדשות,
07:37
including the pinnacle of scientific success:
153
457040
2136
כולל הפסגה של ההצלחה המדעית:
07:39
a publication in the journal "Nature."
154
459200
2456
פרסום בירחון "נייצ'ר."
07:41
It worked beautifully for year after year after year,
155
461680
3616
זה עבד מושלם במשך שנה אחרי שנה אחרי שנה,
07:45
until one year it failed.
156
465320
1656
עד ששנה אחת זה נכשל.
07:47
And nobody could even tell exactly why.
157
467000
2256
ואף אחד לא היה יכול אפילו להסביר למה בדיוק.
07:49
It just didn't work that year,
158
469280
1696
זה פשוט לא עבד באותה שנה,
07:51
and of course that again made big news,
159
471000
1936
וכמובן שזה היה שוב חדשות גדולות,
07:52
including now a retraction
160
472960
1616
כולל ביטול עכשיו
07:54
of a publication from the journal "Nature."
161
474600
2840
של הפרסום במגזין "נייצ'ר."
07:58
So even the most data-savvy companies, Amazon and Google,
162
478480
3336
אז אפילו החברות שהכי תאבות מידע, אמזון וגוגל,
08:01
they sometimes get it wrong.
163
481840
2136
לפעמים טועות.
08:04
And despite all those failures,
164
484000
2936
ולמרות הכשלונות האלו,
08:06
data is moving rapidly into real-life decision-making --
165
486960
3856
מידע נע במהירות להחלטות בחיים האמיתיים --
08:10
into the workplace,
166
490840
1816
לתוך מקום העבודה,
08:12
law enforcement,
167
492680
1816
לאכיפת החוק,
08:14
medicine.
168
494520
1200
לרפואה.
08:16
So we should better make sure that data is helping.
169
496400
3336
אז אנחנו צריכים לדאוג יותר שהמידע עוזר.
08:19
Now, personally I've seen a lot of this struggle with data myself,
170
499760
3136
עכשיו, אישית, אני ראיתי הרבה מהמאבק הזה במידע בעצמי,
08:22
because I work in computational genetics,
171
502920
1976
מפני שאני עובד בגנטיקה חישובית,
08:24
which is also a field where lots of very smart people
172
504920
2496
שהיא גם תחום בו הרבה אנשים מאוד חכמים
08:27
are using unimaginable amounts of data to make pretty serious decisions
173
507440
3656
משתמשים בכמויות שלא ניתן לתאר של מידע כדי לעשות החלטות די רציניות
08:31
like deciding on a cancer therapy or developing a drug.
174
511120
3560
כמו להחליט על טיפול בסרטן או פיתוח תרופה.
08:35
And over the years, I've noticed a sort of pattern
175
515520
2376
ובמהלך השנים, הבחנתי בסוג של תבנית
08:37
or kind of rule, if you will, about the difference
176
517920
2456
או סוג של חוק, אם תרצו, בנוגע להבדל
08:40
between successful decision-making with data
177
520400
2696
בין קבלת החלטות מוצלחת עם מידע
08:43
and unsuccessful decision-making,
178
523120
1616
וקבלת החלטות לא מוצלחת.
08:44
and I find this a pattern worth sharing, and it goes something like this.
179
524760
3880
ואני מוצא שזו תבנית ששווה לחלוק, והיא הולכת משהו כזה.
08:50
So whenever you're solving a complex problem,
180
530520
2135
אז כל פעם שאתם פותרים בעיה סבוכה,
08:52
you're doing essentially two things.
181
532679
1737
אתם עושים בעיקרון שני דברים.
08:54
The first one is, you take that problem apart into its bits and pieces
182
534440
3296
הראשון הוא, אתם מפרקים את הבעיה לחלקים הקטנים שלה
08:57
so that you can deeply analyze those bits and pieces,
183
537760
2496
כך שתוכלו לנתח את החלקים האלה,
09:00
and then of course you do the second part.
184
540280
2016
ואז כמובן אתם עושים את החלק השני.
09:02
You put all of these bits and pieces back together again
185
542320
2656
אתם מחברים חזרה את כל החלקים
09:05
to come to your conclusion.
186
545000
1336
כדי להגיע למסקנה שלכם.
09:06
And sometimes you have to do it over again,
187
546360
2336
ולפעמים אתם צריכים לעשות את זה שוב,
09:08
but it's always those two things:
188
548720
1656
אבל זה תמיד שני הדברים האלה:
09:10
taking apart and putting back together again.
189
550400
2320
לפרק ולהרכיב בחזרה.
09:14
And now the crucial thing is
190
554280
1616
ועכשיו הדבר הקריטי הוא
09:15
that data and data analysis
191
555920
2896
שהמידע וניתוח המידע
09:18
is only good for the first part.
192
558840
2496
הוא טוב רק לחלק הראשון.
09:21
Data and data analysis, no matter how powerful,
193
561360
2216
מידע וניתוח מידע, לא משנה כמה חזקים,
09:23
can only help you taking a problem apart and understanding its pieces.
194
563600
4456
יכולם רק לעזור לכם לפרק את הבעיה ולהבין את הפיסות.
09:28
It's not suited to put those pieces back together again
195
568080
3496
זה לא מתאים לחיבור הפיסות האלו חזרה יחד
09:31
and then to come to a conclusion.
196
571600
1896
ואז להגיע למסקנה.
09:33
There's another tool that can do that, and we all have it,
197
573520
2736
יש כלי נוסף שיכול לעשות את זה, ולכולנו יש אותו,
09:36
and that tool is the brain.
198
576280
1296
והכלי הזה הוא המוח שלנו.
09:37
If there's one thing a brain is good at,
199
577600
1936
אם יש משהו אחד שהמוח טוב בו,
09:39
it's taking bits and pieces back together again,
200
579560
2256
זה לקחת פיסות מידע ולחבר אותן יחד,
09:41
even when you have incomplete information,
201
581840
2016
אפילו כשיש לכם פיסות מידע לא שלמות,
09:43
and coming to a good conclusion,
202
583880
1576
ולהגיע למסקנה,
09:45
especially if it's the brain of an expert.
203
585480
2936
בעיקר אם זה המוח של מומחה.
09:48
And that's why I believe that Netflix was so successful,
204
588440
2656
ולכן אני מאמין שנטפליקס היו כל כך מצליחים,
09:51
because they used data and brains where they belong in the process.
205
591120
3576
בגלל שהם השתמשו במידע ובמוח במקום בו הם היו שייכים לתהליך.
09:54
They use data to first understand lots of pieces about their audience
206
594720
3536
הם השתמשו במידע ראשית כדי להבין הרבה חלקים בנוגע לקהל שלהם
09:58
that they otherwise wouldn't have been able to understand at that depth,
207
598280
3416
שאחרת הם לא היו מסוגלים להבין בעומק הזה,
10:01
but then the decision to take all these bits and pieces
208
601720
2616
אבל אז ההחלטה לקחת את כל הפיסות האלו
10:04
and put them back together again and make a show like "House of Cards,"
209
604360
3336
ולחבר אותן יחד שוב ולעשות תוכנית כמו "בית הקלפים,"
10:07
that was nowhere in the data.
210
607720
1416
זה לא היה בשום מקום במידע.
10:09
Ted Sarandos and his team made that decision to license that show,
211
609160
3976
טד סרנדוס והצוות שלו עשו את ההחלטה הזו כדי לפתח את התוכנית,
10:13
which also meant, by the way, that they were taking
212
613160
2381
מה שגם אמר, דרך אגב, שהם לקחו
10:15
a pretty big personal risk with that decision.
213
615565
2851
סיכון אישי די גדול עם ההחלטה הזו.
10:18
And Amazon, on the other hand, they did it the wrong way around.
214
618440
3016
ואמזון, מצד שני, הם עשו את זה בדרך ההפוכה.
10:21
They used data all the way to drive their decision-making,
215
621480
2736
הם השתמשו במידע כל הדרך כדי להניע את תהליך ההלחטות שלהם,
10:24
first when they held their competition of TV ideas,
216
624240
2416
ראשית הם עשו את התחרות שלהם של רעיונות לתוכניות,
10:26
then when they selected "Alpha House" to make as a show.
217
626680
3696
אז כשהם בחרו את "בית אלפא" כדי ליצור כתוכנית.
10:30
Which of course was a very safe decision for them,
218
630400
2496
שכמובן היתה החלטה מאוד בטוחה בשבילם,
10:32
because they could always point at the data, saying,
219
632920
2456
מפני שהם תמיד יכלו להצביע על המידע, ולהגיד.
10:35
"This is what the data tells us."
220
635400
1696
"זה מה שהמידע אומר לנו."
10:37
But it didn't lead to the exceptional results that they were hoping for.
221
637120
4240
אבל זה לא הוביל לתוצאה יוצאת דופן שהם קיוו לה.
10:42
So data is of course a massively useful tool to make better decisions,
222
642120
4976
אז מידע הוא כמובן כלי מאוד מועיל לעשות החלטות טובות יותר,
10:47
but I believe that things go wrong
223
647120
2376
אבל אני מאמין שדברים משתבשים
10:49
when data is starting to drive those decisions.
224
649520
2576
כשמידע מתחיל להניע את ההחלטות האלו.
10:52
No matter how powerful, data is just a tool,
225
652120
3776
לא משנה כמה חזק, מידע הוא רק כלי,
10:55
and to keep that in mind, I find this device here quite useful.
226
655920
3336
וכדי לזכור את זה, אני מוצא את המכשיר הזה פה ממש מועיל.
10:59
Many of you will ...
227
659280
1216
רבים מכם...
11:00
(Laughter)
228
660520
1216
(צחוק)
11:01
Before there was data,
229
661760
1216
לפני שהיה מידע,
11:03
this was the decision-making device to use.
230
663000
2856
זה היה מכשיר קבלת ההחלטות בו השתמשו.
11:05
(Laughter)
231
665880
1256
(צחוק)
11:07
Many of you will know this.
232
667160
1336
הרבה מכם ידעו את זה.
11:08
This toy here is called the Magic 8 Ball,
233
668520
1953
המכשיר הזה נקרא כדור 8 קסום,
11:10
and it's really amazing,
234
670497
1199
והוא באמת מדהים,
11:11
because if you have a decision to make, a yes or no question,
235
671720
2896
מפני שאם יש לכם החלטה לעשות, שאלה של כן ולא,
11:14
all you have to do is you shake the ball, and then you get an answer --
236
674640
3736
כל מה שאתם צריכים לעשות זה לנער את הכדור, ואז אתם מקבלים תשובה --
11:18
"Most Likely" -- right here in this window in real time.
237
678400
2816
"הסיכויים גדולים" -- ממש פה בחלון הזה בזמן אמת.
11:21
I'll have it out later for tech demos.
238
681240
2096
אני אוציא אותו אחר כך להדגמות.
11:23
(Laughter)
239
683360
1216
(צחוק)
11:24
Now, the thing is, of course -- so I've made some decisions in my life
240
684600
3576
עכשיו, העניין הוא, כמובן -- אז עשיתי כמה החלטות בחיי
11:28
where, in hindsight, I should have just listened to the ball.
241
688200
2896
בהן, במחשבה אחורה, הייתי צריך פשוט להקשיב לכדור.
11:31
But, you know, of course, if you have the data available,
242
691120
3336
אבל, אתם יודעים, כמובן, אם יש לכם את המידע זמין,
11:34
you want to replace this with something much more sophisticated,
243
694480
3056
אתם רוצים להחליף את זה עם משהו הרבה יותר מתוחכם,
11:37
like data analysis to come to a better decision.
244
697560
3616
כמו ניתוח מידע להגיע להחלטה טובה יותר.
11:41
But that does not change the basic setup.
245
701200
2616
אבל זה לא משנה את החלק הבסיסי.
11:43
So the ball may get smarter and smarter and smarter,
246
703840
3176
אז הכדור אולי יהיה חכם יותר ויותר ויותר,
11:47
but I believe it's still on us to make the decisions
247
707040
2816
אבל אני מאמין שזה עדיין תלוי בנו לעשות את ההחלטות
11:49
if we want to achieve something extraordinary,
248
709880
3016
אם אנחנו רוצים להשיג משהו יוצא דופן,
11:52
on the right end of the curve.
249
712920
1936
בצד הנכון של העקומה.
11:54
And I find that a very encouraging message, in fact,
250
714880
4496
ואני רואה את זה מאוד מעודד, למעשה,
11:59
that even in the face of huge amounts of data,
251
719400
3976
שאפילו מול כמויות עצומות של מידע,
12:03
it still pays off to make decisions,
252
723400
4096
זה עדיין משתלם לעשות החלטות,
12:07
to be an expert in what you're doing
253
727520
2656
להיות מומחים במה שאתם עושים
12:10
and take risks.
254
730200
2096
ולקחת סיכונים.
12:12
Because in the end, it's not data,
255
732320
2776
מפני שבסופו של דבר, זה לא מידע,
12:15
it's risks that will land you on the right end of the curve.
256
735120
3960
זה סיכונים שיביאו אתכם לצד הנכון של העקומה.
12:19
Thank you.
257
739840
1216
תודה לכם.
12:21
(Applause)
258
741080
3680
(מחיאות כפיים)
על אתר זה

אתר זה יציג בפניכם סרטוני YouTube המועילים ללימוד אנגלית. תוכלו לראות שיעורי אנגלית המועברים על ידי מורים מהשורה הראשונה מרחבי העולם. לחץ פעמיים על הכתוביות באנגלית המוצגות בכל דף וידאו כדי להפעיל את הסרטון משם. הכתוביות גוללות בסנכרון עם הפעלת הווידאו. אם יש לך הערות או בקשות, אנא צור איתנו קשר באמצעות טופס יצירת קשר זה.

https://forms.gle/WvT1wiN1qDtmnspy7