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

מתרגם: Ido Dekkers מבקר: Zeeva Livshitz

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

רוי פרייס הוא אדם שסביר להניח שרובכם כנראה לא שמעתם עליו מעולם,

even though he may have been responsible

למרות שייתכן והוא היה אחראי

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

לבערך 22 דקות בינוניות של חייכם ב19 לאפריל 2013.

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

יכול להיות שהוא היה גם אחראי ל22 דקות מאוד משעשעות,

but not very many of you.

אבל לא רבים מכם.

And all of that goes back to a decision

וכל זה חוזר להחלטה

that Roy had to make about three years ago.

שרוי היא צריך לקבל לפני 3 שנים.

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

אז אתם מבינים, רוי פרייס הוא מנהל בכיר באולפני אמזון.

That's the TV production company of Amazon.

זאת חברת הפקות הטלוויזיה של אמזון.

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

הוא בן 47, רזה, שיער עם קוצים,

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

הוא מתאר עצמו בטוויטר כ "סרטים, טלוויזיה, טכנולוגיה, טאקו."

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

ולרוי פרייס יש יש אחריות רבה בעבודה כי האחריות שלו היא

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

לבחור את התוכניות, את התוכן המקורי שאמזון תיצור.

And of course that's a highly competitive space.

וכמובן שזה תחום תחרותי מאוד.

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

אני מתכוון, יש כל כך הרבה תוכניות טלוויזיה שכבר קיימות,

that Roy can't just choose any show.

ורוי לא פשוט יכול לבחור כל אחת.

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

הוא חייב למצוא תוכניות ממש ממש טובות.

So in other words, he has to find shows

אז במילים אחרות, הוא חייב למצוא תוכניות

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

שנמצאות ממש על הקצה הימני בעקומה הזאת.

So this curve here is the rating distribution

העקומה הזאת מציגה את חלוקת הרייטינג

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

של בערך 2500 תוכניות טלוויזיה באתר IMDB,

and the rating goes from one to 10,

והרייטינג נע בין 1 ל10,

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

והגובה כאן, מראה לכם כמה תוכניות קבלו את הרייטינג הזה.

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

אז אם התוכנית שלכם מקבלת רייטינג של 9 נקודות ומעלה, זאת הצלחה.

Then you have a top two percent show.

ואז יש לכם את התוכניות שנמצאות ב2 אחוז העליונים.

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

תוכניות כמו "שובר שורות", "משחקי הכס", "הסמויה",

so all of these shows that are addictive,

אז כל התוכניות האלה שממכרות,

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

כשאחרי שאתם רואים עונה, המוח שלכם בעצם כמו,

"Where can I get more of these episodes?"

"איפה אני יכול למצוא עוד מהפרקים האלה?"

That kind of show.

סוג כזה של תוכניות.

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

בצד השמאלי, רק לשם הבהרה, כאן בקצה הזה,

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

נמצאת תוכניות שנקראת "פעוטות וכתרים"--

(Laughter)

(צחוק)

-- which should tell you enough

--וזה אמור להגיד לכם מספיק

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

בנוגע למה שקורה בקצה הזה של העקומה.

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

עכשיו, רוי פרייס לא מודאג מלהגיע לקצה השמאלי של העקומה,

because I think you would have to have some serious brainpower

בגלל שאני חושב שצריך יכולת חשיבה רצינית

to undercut "Toddlers and Tiaras."

בשביל לגבור על "פעוטות וכתרים".

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

אז מה שהוא מודאג ממנו הוא הבליטה האמצעית שנמצאת כאן,

the bulge of average TV,

הבליטה של טלוויזיה ממוצעת,

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

אתם יודעים, התוכניות האלה שלא כל כך טובות ולא כל כך רעות,

they don't really get you excited.

לא באמת גורמות לך להתרגש.

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

אז הוא צריך לוודא שהוא נמצא ממש בקצה הימני של זה.

So the pressure is on,

אז יש לחץ,

and of course it's also the first time

וכמובן, זאת גם הפעם הראשונה

that Amazon is even doing something like this,

שאמזון עושה משהו כזה,

so Roy Price does not want to take any chances.

אז רוי פרייס לא רוצה לקחת סיכונים.

He wants to engineer success.

הוא רוצה להנדס את ההצלחה.

He needs a guaranteed success,

הוא צריך הצלחה מובטחת,

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

אז מה שהוא עושה, הוא עורך תחרות.

So he takes a bunch of ideas for TV shows,

אז הוא לוקח מספר רעיונות לתוכניות טלוויזיה,

and from those ideas, through an evaluation,

ומהרעיונות האלה, באמצעות הערכה,

they select eight candidates for TV shows,

הם בוחרים 8 מועמדים לתוכניות טלוויזיה,

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

ואז הוא פשוט יוצר את הפרק הראשון בכל אחת מהתוכניות האלה

and puts them online for free for everyone to watch.

ומעלה אותם לרשת בחינם שכל אחד יכול לצפות.

And so when Amazon is giving out free stuff,

אז כשאמזון מחלקת דברים בחינם,

you're going to take it, right?

אתם תקחו אותם, נכון?

So millions of viewers are watching those episodes.

אז מיליוני צופים רואים את הפרקים האלה.

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

מה שהם לא מבינים, בזמן שהם צופים בתוכניות שלהם,

actually, they are being watched.

בעצם, עוקבים אחריהם.

They are being watched by Roy Price and his team,

הם נצפים על ידי רוי פרייס והצוות שלו,

who record everything.

שמתעדים הכל.

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

הם מתעדים כשמישהו לוחץ נגן, וכשמישהו לוחץ השהה,

what parts they skip, what parts they watch again.

על איזה חלקים הצופים מדלגים, ואיזה חלקים הם רואים שוב.

So they collect millions of data points,

אז הם אוספים מיליוני נקודות מידע,

because they want to have those data points

בגלל שהם רוצים להשתמש בנתונים האלה

to then decide which show they should make.

כדי להחליט איזה תוכנית הם ייצרו.

And sure enough, so they collect all the data,

וכמובן, כך הם אוספים את כל המידע,

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

הם עושים את כל עיבוד המידע, ותשובה עולה,

and the answer is,

והתשובה היא,

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

"אמזון צריכה ליצור סיטקום על ארבעה סנטורים רפובליקאים."

They did that show.

הם עשו את התוכנית ההיא.

So does anyone know the name of the show?

אז האם כולם מכירים את השם של התוכנית?

(Audience: "Alpha House.")

(קהל: "בית אלפא.")

Yes, "Alpha House,"

כן, "בית אלפא."

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

אבל נראה כאילו לא הרבה מכם פה זוכרים את הסדרה ההיא, למעשה,

because it didn't turn out that great.

מפני שהיא לא יצאה כזה טוב.

It's actually just an average show,

היא למעשה רק תוכנית ממוצעת,

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

למעשה -- מילולית, למעשה, בגלל שהממוצע של העקומה פה הוא 7.4,

and "Alpha House" lands at 7.5,

ו"בית אלפא" קיבלה 7.5,

so a slightly above average show,

אז מעט מעל התוכנית הממוצעת,

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

אבל בהחלט לא מה שרוי פרייס והצוות שלנו כיוונו אליו.

Meanwhile, however, at about the same time,

בינתיים, עם זאת, בערך באותו הזמן,

at another company,

בחברה אחרת,

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

מנהל אחר הצליח לפתח תוכנית מוצלחת בשימוש בניתוח מידע,

and his name is Ted,

והשם שלו הוא טד,

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

טד סרנדוס, שהוא מנהל התוכן הראשי של נטפליקס,

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

וממש כמו רוי, הוא במשימה קבועה

to find that great TV show,

למצוא תוכנית טלוויזיה מעולה,

and he uses data as well to do that,

והוא גם השתמש במידע כדי לעשות זאת,

except he does it a little bit differently.

אבל הוא עושה זאת מעט אחרת.

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

אז במקום לערוך תחרות, מה שהוא עשה -- והצוות שלו כמובן --

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

היה שהם הביטו בכל המידע שכבר היה להם על צופי נטפליקס,

you know, the ratings they give their shows,

אתם יודעים, הרייטינג שהם נותנים לתוכניות,

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

הסטוריות הצפיה, איזה תוכניות אנשים אוהבים, וכך הלאה.

And then they use that data to discover

ואז הם משתמשים במידע הזה כדי לגלות

all of these little bits and pieces about the audience:

את כל פיסות המידע הקטנות האלו בנוגע לקהל:

what kinds of shows they like,

איזה סוגים של תוכניות הם אוהבים,

what kind of producers, what kind of actors.

איזה סוג של מפיקים, איזה סוג של שחקנים.

And once they had all of these pieces together,

וברגע שהיה להם את כל פיסות המידע ביחד,

they took a leap of faith,

הם עשו קפיצה של אמונה,

and they decided to license

והם החליטו לאשר

not a sitcom about four Senators

לא סיטקום על ארבעה סנטורים

but a drama series about a single Senator.

אלא סדרת דרמה על סנטור בודד.

You guys know the show?

אתם מכירים את התוכנית?

(Laughter)

(צחוק)

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

כן, "בית הקלפים," ונטפליקס כמובן, הצליחו עם התוכנית הזו,

at least for the first two seasons.

לפחות בשתי העונות הראשונות.

(Laughter) (Applause)

(צחוק) (מחיאות כפיים)

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

"בית הקלפים" מקבל דרוג של 9.1 מהעקומה הזו,

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

אז זה בדיוק במקום בו הם רצו שזה יהיה.

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

עכשיו, השאלה היא כמובן, מה קרה פה?

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

אז יש לכם שתי חברות תחרותיות ותאבות מידע.

They connect all of these millions of data points,

הן חיברו את כל מליוני נקודות המידע האלו,

and then it works beautifully for one of them,

ואז זה עבד באופן יפיפה לאחת מהן,

and it doesn't work for the other one.

וזה לא עובד לאחרת.

So why?

אז למה?

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

מפני שהלוגיקה סוג של מספרת לכם שזה צריך לעבוד כל הזמן.

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

אני מתכוון, אם אתם אוספים מליוני נקודות מידע

on a decision you're going to make,

על החלטה שאתם עומדים לעשות,

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

אז אתם צריכים להיות מסוגלים לעשות החלטות די טובות.

You have 200 years of statistics to rely on.

יש לכם 200 שנה של סטטיסטיקות להסתמך עליהן.

You're amplifying it with very powerful computers.

אתם מגבירים אותן עם מחשבים ממש חזקים.

The least you could expect is good TV, right?

הכי מעט שאתם יכולים לצפות לו זה טלויזיה טובה, נכון?

And if data analysis does not work that way,

ואם ניתוח מידע לא עובד כך,

then it actually gets a little scary,

אז זה למעשה נעשה מעט מפחיד,

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

מפני שאנחנו חיים בזמן בו אנחנו פונים למידע יותר ויותר

to make very serious decisions that go far beyond TV.

כדי לעשות החלטות ממש חשובות שעוברות מעבר לטלויזיה.

Does anyone here know the company Multi-Health Systems?

האם מישהו פה מכיר את החברה "מערכות מולטי-הלט'"?

No one. OK, that's good actually.

אף אחד. אוקיי, זה טוב למעשה.

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

אוקיי, אז "מערכות מולטי-הלט'" היא חברת תוכנה,

and I hope that nobody here in this room

ואני מקווה שאף אחד פה בחדר

ever comes into contact with that software,

לעולם לא יגיע למגע עם התוכנה שלהם,

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

מפני שאם כן, זה אומר שאתם בכלא.

(Laughter)

(צחוק)

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

אם מישהו פה בארצות הברית בכלא, ואז הם מגישים בקשה לחנינה,

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

אז זה מאוד סביר שתוכנת ניתוח המידע מהחברה ההיא

will be used in determining whether to grant that parole.

תהיה בשימוש בלקבוע אם להעניק את החנינה.

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

אז זה אותו עיקרון כמו אמזון ונטפליקס,

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

אבל עכשיו במקום להחליט אם תוכנית טלוויזיה תהיה טובה או גרועה,

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

אתם מחליטים אם אדם עומד להיות טוב או רע.

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

וטלויזיה בינונית, 22 דקות, שיכולה להיות די גרועה,

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

אבל יותר שנים בכלא, אני מתאר, אפילו גרועה יותר.

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

ולמרבה הצער, יש למעשה כמה עדויות שניתוח המידע הזה,

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

למרות שיש לנו הרבה מידע, לא תמיד מייצר תוצאות אופטימליות.

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

וזה לא בגלל שחברה כמו "מערכות מולטי-הלט'"

doesn't know what to do with data.

לא יודעת מה לעשות עם המידע.

Even the most data-savvy companies get it wrong.

אפילו החברות הכי תאבות מידע טועות.

Yes, even Google gets it wrong sometimes.

כן, אפילו גוגל טועה לפעמים.

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

ב 2009, גוגל הודיעה שהם מסוגלים, עם ניתוח מידע,

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

לחזות התפרצויות של שפעת, הסוג הנבזי של שפעת,

by doing data analysis on their Google searches.

על ידי ניתוח של חיפושי גוגל.

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

וזה עבד יפהפה, וזה עשה גל גדול בחדשות,

including the pinnacle of scientific success:

כולל הפסגה של ההצלחה המדעית:

a publication in the journal "Nature."

פרסום בירחון "נייצ'ר."

It worked beautifully for year after year after year,

זה עבד מושלם במשך שנה אחרי שנה אחרי שנה,

until one year it failed.

עד ששנה אחת זה נכשל.

And nobody could even tell exactly why.

ואף אחד לא היה יכול אפילו להסביר למה בדיוק.

It just didn't work that year,

זה פשוט לא עבד באותה שנה,

and of course that again made big news,

וכמובן שזה היה שוב חדשות גדולות,

including now a retraction

כולל ביטול עכשיו

of a publication from the journal "Nature."

של הפרסום במגזין "נייצ'ר."

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

אז אפילו החברות שהכי תאבות מידע, אמזון וגוגל,

they sometimes get it wrong.

לפעמים טועות.

And despite all those failures,

ולמרות הכשלונות האלו,

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

מידע נע במהירות להחלטות בחיים האמיתיים --

into the workplace,

לתוך מקום העבודה,

law enforcement,

לאכיפת החוק,

medicine.

לרפואה.

So we should better make sure that data is helping.

אז אנחנו צריכים לדאוג יותר שהמידע עוזר.

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

עכשיו, אישית, אני ראיתי הרבה מהמאבק הזה במידע בעצמי,

because I work in computational genetics,

מפני שאני עובד בגנטיקה חישובית,

which is also a field where lots of very smart people

שהיא גם תחום בו הרבה אנשים מאוד חכמים

are using unimaginable amounts of data to make pretty serious decisions

משתמשים בכמויות שלא ניתן לתאר של מידע כדי לעשות החלטות די רציניות

like deciding on a cancer therapy or developing a drug.

כמו להחליט על טיפול בסרטן או פיתוח תרופה.

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

ובמהלך השנים, הבחנתי בסוג של תבנית

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

או סוג של חוק, אם תרצו, בנוגע להבדל

between successful decision-making with data

בין קבלת החלטות מוצלחת עם מידע

and unsuccessful decision-making,

וקבלת החלטות לא מוצלחת.

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

ואני מוצא שזו תבנית ששווה לחלוק, והיא הולכת משהו כזה.

So whenever you're solving a complex problem,

אז כל פעם שאתם פותרים בעיה סבוכה,

you're doing essentially two things.

אתם עושים בעיקרון שני דברים.

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

הראשון הוא, אתם מפרקים את הבעיה לחלקים הקטנים שלה

so that you can deeply analyze those bits and pieces,

כך שתוכלו לנתח את החלקים האלה,

and then of course you do the second part.

ואז כמובן אתם עושים את החלק השני.

You put all of these bits and pieces back together again

אתם מחברים חזרה את כל החלקים

to come to your conclusion.

כדי להגיע למסקנה שלכם.

And sometimes you have to do it over again,

ולפעמים אתם צריכים לעשות את זה שוב,

but it's always those two things:

אבל זה תמיד שני הדברים האלה:

taking apart and putting back together again.

לפרק ולהרכיב בחזרה.

And now the crucial thing is

ועכשיו הדבר הקריטי הוא

that data and data analysis

שהמידע וניתוח המידע

is only good for the first part.

הוא טוב רק לחלק הראשון.

Data and data analysis, no matter how powerful,

מידע וניתוח מידע, לא משנה כמה חזקים,

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

יכולם רק לעזור לכם לפרק את הבעיה ולהבין את הפיסות.

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

זה לא מתאים לחיבור הפיסות האלו חזרה יחד

and then to come to a conclusion.

ואז להגיע למסקנה.

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

יש כלי נוסף שיכול לעשות את זה, ולכולנו יש אותו,

and that tool is the brain.

והכלי הזה הוא המוח שלנו.

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

אם יש משהו אחד שהמוח טוב בו,

it's taking bits and pieces back together again,

זה לקחת פיסות מידע ולחבר אותן יחד,

even when you have incomplete information,

אפילו כשיש לכם פיסות מידע לא שלמות,

and coming to a good conclusion,

ולהגיע למסקנה,

especially if it's the brain of an expert.

בעיקר אם זה המוח של מומחה.

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

ולכן אני מאמין שנטפליקס היו כל כך מצליחים,

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

בגלל שהם השתמשו במידע ובמוח במקום בו הם היו שייכים לתהליך.

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

הם השתמשו במידע ראשית כדי להבין הרבה חלקים בנוגע לקהל שלהם

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

שאחרת הם לא היו מסוגלים להבין בעומק הזה,

but then the decision to take all these bits and pieces

אבל אז ההחלטה לקחת את כל הפיסות האלו

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

ולחבר אותן יחד שוב ולעשות תוכנית כמו "בית הקלפים,"

that was nowhere in the data.

זה לא היה בשום מקום במידע.

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

טד סרנדוס והצוות שלו עשו את ההחלטה הזו כדי לפתח את התוכנית,

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

מה שגם אמר, דרך אגב, שהם לקחו

a pretty big personal risk with that decision.

סיכון אישי די גדול עם ההחלטה הזו.

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

ואמזון, מצד שני, הם עשו את זה בדרך ההפוכה.

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

הם השתמשו במידע כל הדרך כדי להניע את תהליך ההלחטות שלהם,

first when they held their competition of TV ideas,

ראשית הם עשו את התחרות שלהם של רעיונות לתוכניות,

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

אז כשהם בחרו את "בית אלפא" כדי ליצור כתוכנית.

Which of course was a very safe decision for them,

שכמובן היתה החלטה מאוד בטוחה בשבילם,

because they could always point at the data, saying,

מפני שהם תמיד יכלו להצביע על המידע, ולהגיד.

"This is what the data tells us."

"זה מה שהמידע אומר לנו."

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

אבל זה לא הוביל לתוצאה יוצאת דופן שהם קיוו לה.

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

אז מידע הוא כמובן כלי מאוד מועיל לעשות החלטות טובות יותר,

but I believe that things go wrong

אבל אני מאמין שדברים משתבשים

when data is starting to drive those decisions.

כשמידע מתחיל להניע את ההחלטות האלו.

No matter how powerful, data is just a tool,

לא משנה כמה חזק, מידע הוא רק כלי,

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

וכדי לזכור את זה, אני מוצא את המכשיר הזה פה ממש מועיל.

Many of you will ...

רבים מכם...

(Laughter)

(צחוק)

Before there was data,

לפני שהיה מידע,

this was the decision-making device to use.

זה היה מכשיר קבלת ההחלטות בו השתמשו.

(Laughter)

(צחוק)

Many of you will know this.

הרבה מכם ידעו את זה.

This toy here is called the Magic 8 Ball,

המכשיר הזה נקרא כדור 8 קסום,

and it's really amazing,

והוא באמת מדהים,

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

מפני שאם יש לכם החלטה לעשות, שאלה של כן ולא,

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

כל מה שאתם צריכים לעשות זה לנער את הכדור, ואז אתם מקבלים תשובה --

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

"הסיכויים גדולים" -- ממש פה בחלון הזה בזמן אמת.

I'll have it out later for tech demos.

אני אוציא אותו אחר כך להדגמות.

(Laughter)

(צחוק)

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

עכשיו, העניין הוא, כמובן -- אז עשיתי כמה החלטות בחיי

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

בהן, במחשבה אחורה, הייתי צריך פשוט להקשיב לכדור.

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

אבל, אתם יודעים, כמובן, אם יש לכם את המידע זמין,

you want to replace this with something much more sophisticated,

אתם רוצים להחליף את זה עם משהו הרבה יותר מתוחכם,

like data analysis to come to a better decision.

כמו ניתוח מידע להגיע להחלטה טובה יותר.

But that does not change the basic setup.

אבל זה לא משנה את החלק הבסיסי.

So the ball may get smarter and smarter and smarter,

אז הכדור אולי יהיה חכם יותר ויותר ויותר,

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

אבל אני מאמין שזה עדיין תלוי בנו לעשות את ההחלטות

if we want to achieve something extraordinary,

אם אנחנו רוצים להשיג משהו יוצא דופן,

on the right end of the curve.

בצד הנכון של העקומה.

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

ואני רואה את זה מאוד מעודד, למעשה,

that even in the face of huge amounts of data,

שאפילו מול כמויות עצומות של מידע,

it still pays off to make decisions,

זה עדיין משתלם לעשות החלטות,

to be an expert in what you're doing

להיות מומחים במה שאתם עושים

and take risks.

ולקחת סיכונים.

Because in the end, it's not data,

מפני שבסופו של דבר, זה לא מידע,

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

זה סיכונים שיביאו אתכם לצד הנכון של העקומה.

Thank you.

תודה לכם.

(Applause)

(מחיאות כפיים)